專利名稱：基于遺傳算法的人體頜面骨ct圖像數字化處理方法
技術領域：
本發(fā)明涉及圖像處理技術，特別是涉及一種基于遺傳算法的人體頜面骨CT圖像 數字化處理方法。
背景技術：
隨著計算機技術和先進醫(yī)療器械、設備的迅速發(fā)展，X-射線機、CT、核磁共振、 DSA等一些先進的檢測和診斷手段越來越受到廣大醫(yī)務人員的重視和廣泛使用。隨 之也產生了海量的醫(yī)學影像和圖像及其存儲和查詢的問題。因此醫(yī)學圖像、影像的 數字化處理和存儲，成為醫(yī)學臨床上一個亟待解決的課題。
圖像數字處理中的一個基本問題是閾值分割(Thresholding)。其目的是將圖像按 不同灰度值分割成相應區(qū)域以方便后繼處理。閾值選取是閾值分割的前提。閾值選 取不當，會影響目標的形狀大小，甚至會使目標失落。閾值選取也就是在圖像數據 中尋優(yōu)的問題。由于數字圖像信息量大，如果不能利用有關知識來縮小搜索空間， 則可能產生搜索的組合爆炸。近年來，國內外學者針對這一課題進行了廣泛深入的 研究，提出了多種閾值選取方法，但這些方法在不同程度上存在著執(zhí)行效率低、易 于陷入局部最優(yōu)解等問題。因此，尋求一種高效的全局最優(yōu)解的閾值選取方法一直 是人們所關注的問題。遺傳算法(Genetic Algorithm,簡稱GA)是其中特別有效 的算法之一。
遺傳算法是由美國學者Holand于1975年首先提出的。它體現了生命科學與工程 科學的相互交叉、滲透和促進。遺傳算法受自然界生物進化過程的啟示，借鑒自然 選擇和自然遺傳的機理，能在搜索過程中自動獲取和積累有關搜索空間的知識，并 自適應地控制搜索過程以求得最優(yōu)解。遺傳算法是一種隨機的全局多點搜索算法，它的兩大主要特點是群體搜索策略和群體中個體之間的信息相互交換。遺傳算法從 任一初始化的群體出發(fā)，通過隨機選擇、交叉和變異等遺傳操作，使群體一代一代 地進化到搜索空間越來越好的區(qū)域，直至達到最優(yōu)解點。GA的主要優(yōu)點是簡單、通 用、魯棒型強，適用于并行處理，因而得到廣泛應用。
遺傳操作是GA最重要的操作。選擇、交叉和變異是遺傳算法的3個主要操作算子。
選擇操作的目的是從當前群體中選出優(yōu)良個體，使它們有機會作為父代。選擇 依據是個體的適應度值。個體適應度越高，其被選擇的概率就越大。目前普遍采用 的選擇策略都是以和適應度成比例的概率來進行選擇。比如賭輪策略、最佳保留策 略、排序策略等。
交叉操作是遺傳算法中最主要的遺傳操作。在當前群體中按一定概率隨機選出 個體作為父代，父代經過雜交產生新的一代。新個體保留了雙親的部分基因，又引 進了新基因。
變異操作是十分微妙的遺傳操作，要和交叉操作妥善配合，目的是挖掘群體中
個體的多樣性，克服有可能產生局部解的弊病。 發(fā)明內容針對上述現有技術中存在的缺陷，本發(fā)明所要解決的技術問題是提供一種易于 操作的，能實現醫(yī)學圖像的數字化處理的基于遺傳算法的人體頜面骨CT圖像數字化 處理方法。
為了解決上述技術問題，本發(fā)明所提供的一種基于遺傳算法的人體頜面骨CT圖 像數字化處理方法，其特征在于，數字化處理方法的步驟包括
1) 將人體頜面骨CT圖像的灰度值量化，其范圍是[O， l];可得到其灰度直方2) 經過遺傳算法的計算，得到最佳閾值；
3) 按此最佳閾值對CT圖像進行二值化數字化處理；4)經過數學形態(tài)學處理，獲得二值圖的邊界曲線。
進一步的，所述的步驟2)中，遺傳算法中的選擇算子采用適應度比例方法；交
叉算子采用凸交叉中的平均交叉；變異算子采用動態(tài)變異。
進一步的，所述的步驟2)中，遺傳算法的主要參數群體規(guī)模為10-160。
進一步的，所述的步驟2)中，遺傳算法的遺傳操作中的交叉概率為0.25-1. 00。
進一步的，所述的步驟2)中，遺傳算法的遺傳操作中的變異概率為0.05-0. 3。
進一步的，所述的步驟2)中，在處理下頜骨CT圖像時，在GA確定的閾值t的
基礎上，再在[t-O. 1， l]之間進行一次最大類間方差計算，以得到最佳閾值。
進一步的，所述的步驟4)中，最后對邊界曲線進行光順處理。
利用本發(fā)明提供的基于遺傳算法的人體頜面骨CT圖像數字化處理方法，由于在
遺傳操作中采取實數編碼來代替二進制串編碼技術，避免將圖像灰度值轉換為二進
制串再進行操作，從而縮短編碼長度，擴展搜索空間，并且符合思維習慣，易于操
作，獲得了人體頜面骨CT圖像斷層的最佳閾值。在此閾值基礎上獲得其邊界曲線，
為醫(yī)學圖像的數字化處理打下基礎。


圖1為人體下頜骨某斷層的CT圖像； 圖2為圖1中CT圖像的灰度直方圖； 圖3為圖1中下頜骨CT圖象二值圖； 圖4為圖3中二值圖的邊界曲線； 圖5為人體下頜骨另一斷層的CT圖像；
圖6(a)為圖5中下頜骨的CT圖像二值圖6(b)為圖5中經遺傳操作獲得的邊界曲線。
具體實施例方式
以下結合

對本發(fā)明的實施例作進一步詳細描述，但本實施例并不用于限制本發(fā)明，凡是采用本發(fā)明的相似方法及其相似變化，均應列入本發(fā)明的保護范 圍。
本發(fā)明實施例所提供的一種基于遺傳算法的人體頜面骨CT圖像數字化處理方 法，其特點是，數字化處理方法的步驟包括
1) 將人體頜面骨CT圖像的灰度值量化，其范圍是[O， l];可得到其灰度直方2) 經過遺傳算法的計算，得到最佳閾值；并在遺傳操作中采取實數編碼來代替 二進制串編碼技術，避免將圖像灰度值轉換為二進制串再進行操作，從而縮短編碼 長度，擴展搜索空間，并且符合思維習慣，易于操作，獲得了人體頜面骨CT圖像斷 層的最佳閾值；
3) 按此閾值對CT圖像進行二值化數字化處理；
4) 經過數學形態(tài)學處理，獲得二值圖的邊界曲線；
5) 對邊界曲線進行光順處理。
遺傳算法(GA)處理過程中包括五個基本要素，即編碼、初始群體設定、適應度 函數、遺傳操作和GA控制參數。這里采用實數編碼來代替二進制串染色體，以便更 直接的描述問題的性質。 遺傳算法的3個操作算子設置
遺傳算法在搜索最優(yōu)解的過程中，綜合了定向搜索和隨機搜索的優(yōu)點。在遺傳 搜索的開始階段，交叉運算因為隨機產生的初始群體具有多樣性而趨向于在大范圍 搜索。隨著高適值解的獲得，交叉運算趨向于在這些解的周圍搜索。
選擇算子采用適應度比例方法(fitness proportional model),又稱賭輪法或 蒙特卡羅法(Monte Carlo)選擇。先計算各個染色體各自的適值及所有染色體適值總 和。在
區(qū)間產生一個均勻分布的偽隨機數r。從l號染色體開始，依次每個 染色體的適值相加，當累加和大于等于r時，最后加入的那個染色體為要選擇的個 體。交叉算子采用凸交叉中的平均交叉。即兩父代個體Xl， X2作如下組合，產生子
代，
x2-A^+^jcp其中；t1=;i2=o.5 (i) 凸交叉產生的后代在二維空間位于實線段上。
變異算子采用動態(tài)變異，它是為提高精度，增加細調能力而設計的。對于父代x，
若元素Xk被選出作變異，則后代義'=[^,...，;^，...,&]，其中^是按如下兩種可能選
得的
或 4 =A-A(g'^i: (2)
其中^是[^,《]中均勻分布的一個隨機值。^和xf通?？扇樽兞縓k的上下
界， 一般可由約束域確定。
函數A(g ， y)返回[O， y]中的一個值，使得A(g ， y)隨g增加而趨于0 (g為
遺傳代數)。這個性質使得初始迭代時，搜索均勻分布在整個空間，而后期則分布在
局部范圍內。A(g ， y)形式為<formula>formula see original document page 8</formula>
其中r是[O， l]中的隨機數，G是最大代數，b是確定不均勻度的參數。經過多次計 算比較，本文選取b為2。
控制GA處理效果的主要參數是群體規(guī)模和遺傳操作概率。
群體規(guī)模影響遺傳優(yōu)化的最終結果以及遺傳算法的執(zhí)行效率。群體規(guī)模大，可以 維持個體的多樣性以防止陷入局部解，但會增加計算量，還可能影響個體競爭。而 規(guī)模太小又限制了遺傳算法的優(yōu)化性能。群體規(guī)模一般取10-160之間。從灰度值大 于0.6的像素點中隨機抽取10個個體作為初始群體。遺傳操作中的交叉概率和變異概率設置
交叉概率控制交叉操作的使用頻度。高交叉率意味著個體更新快，達到更大的 解空間，降低了取得非最優(yōu)解的概率，但高性能模式遭破壞的可能性增大，并且搜 索不必要的解空間要耗費資源；交叉率過低，搜索會因為探查范圍小而遲鈍。交叉 率一般取0. 25-1.00之間。
變異維持群體多樣性，提供初始群體中沒有的基因，或找回搜索中失落的基因。 太低的變異率可能使一些有益基因不能進入選擇；太高的變異率則使搜索趨于隨機 搜索，子代繼承不了父代的優(yōu)良特性，算法失去自學習能力。變異率一般取0. 05-0. 3 之間。
針對本研究的特點，并經取不同的數值進行實驗比較，本文選取交叉率為0.3， 變異率為0. 1。停機準則之一是最大迭代次數G=20 (在迭代20次后，已經達到理想 的收斂結果)，準則之二是當前群體平均適應度值和上一代的平均適應度值的比值范 圍在
之間(相鄰兩代比值在此區(qū)間趨于收斂)。
準最優(yōu)解的進一步優(yōu)化——最大類間方差計算
在圖像處理中，GA尋優(yōu)的解可能是最優(yōu)解，也可能是準最優(yōu)解。在處理下頜骨 CT圖像時，在GA確定的閾值t的基礎上，再在[t-O. 1， l]之間進行一次最大類間 方差計算，以得到最佳閾值。
最大類間方差法把圖像中的像素按灰度級用閾值t分成兩類C。和d， C。由灰度 值在[O， t]之的像素組成，d由灰度值在[t， g-l]之的像素組成(g為圖像灰度級 數)。類間方差用o (t)2表示，
o"(02 = W) x "2(,) x- / 20)]2 ( 4 )
式中"(t)為C。中包含的像素數目； n2 (t)為d中包含的像素數目；Pl (t)為C。中包含的像素的平均灰度值； p2 (t)為d中包含的像素的平均灰度值； t從0到l取值，當使得CT為最大時的t為最佳閾值t 即
<formula>formula see original document page 10</formula> (5)
圖1是一幅用數碼相機獲得的人體下頜骨的一個斷層的CT圖像。從圖1中可觀 察到，亮度最大(即灰度值最大)的是下頜骨。它與其周圍的軟組織之間的邊界并 不十分明顯，存在一個灰度值變化幅度平緩的過渡區(qū)。要將下頜骨與背景區(qū)分開， 必須科學地、準確地確定其邊界曲線，這首先就要選擇一個恰當的"閾值"。用MATLAB 程序將圖l的灰度值量化，其范圍是[O， l]。可得到其灰度直方圖，如圖2。在圖2 中，灰度值接近1的像素是下頜骨的像素。顯然，閾值應當是在靠近1的峰與谷的 相交之處。可采用遺傳算法確定此閾值。
經過遺傳算法的計算，得到最佳閾值為0.9686。在圖2中，此閾值靠近1的峰 與谷的相交之處。按此閾值對圖1中下頜骨的CT圖像進行二值化的結果如圖3:
再經過數學形態(tài)學處理，獲得圖3中二值圖的邊界曲線如圖4。與CT圖像(圖 1)中下頜骨相比較，結果較理想。獲得邊界后，就可以進一步對邊界曲線進行光順 處理。
用同樣的方法處理另一幅人體下頜骨斷層的CT圖像如圖5，得到閾值為0. 9176， 其二值圖和邊界曲線如圖6 (a) 、 (b)所示。
權利要求
1、一種基于遺傳算法的人體頜面骨CT圖像數字化處理方法，其特征在于，數字化處理方法的步驟包括1)將人體頜面骨CT圖像的灰度值量化，其范圍是
；能得到其灰度直方圖；2)經過遺傳算法的計算，得到最佳閾值；3)按此最佳閾值對CT圖像進行二值化數字化處理；4)經過數學形態(tài)學處理，獲得二值圖的邊界曲線。
2、 根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法， 其特征在于，所述的步驟2)中，遺傳算法中的選擇算子釆用適應度比例方法。
3、 根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法， 其特征在于，所述的步驟2)中，遺傳算法中的交叉算子采用凸交叉中的平均交叉。
4、 根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法， 其特征在于，所述的步驟2)中，遺傳算法中的變異算子采用動態(tài)變異。
5、 根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法， 其特征在于，所述的步驟2)中，遺傳算法的主要參數群體規(guī)模為10-160。
6、 根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法， 其特征在于，所述的步驟2)中，遺傳算法的遺傳操作中的交叉概率為0.25-1. 00。
7、 根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法， 其特征在于，所述的步驟2)中，遺傳算法的遺傳操作中的變異概率為0.05-0. 3。
8、 根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法， 其特征在于，所述的步驟2)中，在遺傳算法確定的閾值t的基礎上，再在[t-O. 1, l]之間進行一次最大類間方差計算，以得到最佳閾值。
9、根據權利要求1所述的基于遺傳算法的人體頜面骨CT圖像數字化處理方法，其特征在于，所述的步驟4)中，最后對邊界曲線進行光順處理。
全文摘要
本發(fā)明公開一種基于遺傳算法的人體頜面骨CT圖像數字化處理方法，涉及圖像處理技術領域；所要解決的是實現醫(yī)學圖像的易于操作的數字化處理的技術問題；該數字化處理方法的步驟包括1)將人體頜面骨CT圖像的灰度值量化，其范圍是
；可得到其灰度直方圖；2)經過遺傳算法的計算，得到最佳閾值；3)按此最佳閾值對CT圖像進行二值化數字化處理；4)經過數學形態(tài)學處理，獲得二值圖的邊界曲線。本發(fā)明的數字化處理方法具有易于操作的，能實現醫(yī)學圖像的數字化處理的特點。
文檔編號G06N3/00GK101408979SQ200810202848
公開日2009年4月15日 申請日期2008年11月18日 優(yōu)先權日2008年11月18日
發(fā)明者靜 劉, 孫福佳, 敏 熊, 屹 甘, 立 甘, 齊從謙 申請人:上海理工大學