基于自適應遺傳算法的bp神經網絡圖像分割方法及裝置的制造方法
【專利摘要】本發明涉及基于自適應遺傳算法的BP神經網絡圖像分割方法及裝置，該方法包括如下步驟：1)分析待分割圖像，生成神經網絡的訓練樣本；2)設置神經網絡參數和種群參數，進行染色體編碼；3)輸入訓練樣本訓練網絡，采用新的自適應遺傳算法優化其權值和閾值，自適應交叉和變異操作引入調節系數；4)輸入待分割圖像，利用訓練好的神經網絡對其分類，實現圖像分割。該裝置包括訓練樣本生成模塊、神經網絡結構確定模塊、網絡訓練模塊和圖像分割模塊。本發明引入了與進化代數相關的調節系數，解決了種群進化初期個體進化停滯問題，也避免個體適應度相近時帶來的局部收斂問題，從而更快速地得到可最大化表征圖像特征的神經網絡，實現更精確的圖像分割。
【專利說明】
基于自適應遺傳算法的BP神經網絡圖像分割方法及裝置
技術領域
[0001] 本發明設及圖像處理技術領域，具體設及基于自適應遺傳算法的BP神經網絡圖像 分割方法及裝置。
【背景技術】
[0002] 圖像分割就是把圖像中特定的、感興趣的目標準確提取出來的技術和過程，作為 圖像分析和計算機視覺系統的重要組成部分，它決定著數字圖像分析的質量和對視覺信息 處理結果的好壞，是圖像識別和分析的關鍵步驟。目前圖像分割方法主要有基于形變模型 的分割方法、基于區域的分割方法和基于統計學的分割方法等。
[0003] 當一種圖像設計的分割算法應用到特定的圖像時，效果往往不能令人滿意，由于 各種分割算法都存在著一定的針對性和適用性，當需要解決一個具體的圖像分割問題時， 往往發現難于找到一個非常適用的現成方法。目前廣泛應用的是WBP神經網絡為基礎的圖 像分割方法，運種方法輸入的是圖像的灰度信息，輸出的是用于圖像分割的闊值。B巧巾經網 絡的基本要素是處理單元和加權連接，層的處理元素集合包括輸入層、一個或多個隱含層 和輸出層。每個處理單元接收來自其輸入連接的值，執行先前定義的數學運算，并產生一個 單一的輸出值，連接權值W權重矩陣的形式存儲信息。通過神經網絡學習確定連接權值和 闊值，訓練好神經網絡后就可W對其它的輸入確定其輸出。算法的主要思想是把圖像的前 景與背景作為分類目標，在特定類圖像的分割方面有其獨特的優勢。
[0004] 然而，運種學習算法的一個缺陷是最后的訓練結果在很大程度上取決于初始連接 權值和闊值。因此，訓練結果很容易陷入局部最低點，而不是進入全局最優，導致網絡不能 準確地分割圖像。為了克服運一缺陷，許多研究者提出了不同的方法優化神經網絡初始連 接權值和闊值，如遺傳算法、粒子群優化算法W及模擬退火遺傳并行算法等，運些已提出的 模型在收斂速度和預測精度等方面均優于傳統的神經網絡模型，但是算法的復雜度和穩定 性都有待改進。單一 BP神經網絡算法在網絡權重和闊值的選擇上仍存在問題，其訓練速度 較慢。另一方面，選擇好適當的權重和闊值后，優化后的神經網絡性能明顯優于BP神經網 絡。運表明選擇合適的優化算法不僅決定了算法的復雜度，也影響了圖像分割的精度。
[0005] 遺傳算法是由美國的化Iland教授于1975年在他的專著《自然界和人工系統的適 應性》（Holland JH.Adaptation in Natural and Artificial Systems:An Introductory Analysis with Applications to Biology,Control,and Artificial Intelligence[M] .化d ed.Cambridge=MIT Press, 1992.)中首先提出的，它是一類借鑒生物界自然選擇和自 然遺傳機制的隨機捜索算法。本質上它是一個迭代過程，通過適應度函數對每次迭代中留 下的候選群體進行評價和選擇，然后結合交叉、變異算子進化出新一代群體。它能在動態地 控制捜索進度的同時自動捜尋空間中的相關知識，最終取得最優解。隨著人工智能研究領 域的興起，遺傳算法已被廣泛應用到模式識別、圖像處理等領域。薛景浩等人撰寫的《二維 遺傳算法用于圖像動態分割K自動化學報，2000，26(5):685-689.)結合OTSU和Hopfield網 絡的能量函數，提出了二維遺傳算法，該方法采用了分塊的窗交叉算子繁殖個體，動態地調 整交叉率，盡管在圖像分割中取得了很好的效果，也大大提高了收斂速度，但運是W降低分 辨率和塊邊界效應為代價的。圖像分割作為一個經典難題，傳統的方法有時無法滿足分割 精度的要求，尋找運算速度快，精確率高的圖像分割算法已成為圖像處理研究的重點，而結 合現代智能算法的圖像分割新技術也受到了廣泛的重視。
[0006] 胡斌撰寫的《遺傳神經網絡在圖像分割中的應用》(太原理工大學碩±學位論文， 2011.)提出了一種基于遺傳神經網絡的圖像分割方法，將圖像分割看成一個分類問題，首 先對圖像直方圖進行分析得到能將圖像前景和背景分割開的最優闊值，然后確定前景色和 背景色的范圍并存入一維數組W此作為訓練樣本，W樣本類別組成的一維數組作為目標訓 練網絡，并結合遺傳算法得到分割圖像。此方法雖然加快了圖像分割的速度，但對直方圖的 分析沒有考慮噪聲影響。因此，神經網絡的訓練樣本數組是不準確的，而且普通的遺傳算法 對神經網絡優化時易早熟，會陷入局部最優，使得神經網絡的穩定性不好，運些都使得分割 精度達不到實際要求。并且，該算法容易造成種群進化初期個體進化停滯的問題。

【發明內容】

[0007] 本發明提供了一種基于自適應遺傳算法的BP神經網絡圖像分割方法及裝置，旨在 解決現有的圖像分割方法容易在種群進化初期產生個體進化停滯、局部收斂W及神經網絡 方法分割精度不高、訓練速度慢的問題。
[0008] 為解決上述技術問題，本發明的基于自適應遺傳算法的BP神經網絡圖像分割方法 包括：
[0009] 1)對待分割的圖像進行分析，生成神經網絡的訓練樣本；
[0010] 2)設置神經網絡參數和種群參數，并對神經網絡的參數進行染色體編碼；
[0011] 3)輸入訓練樣本訓練網絡：由神經網絡的實際輸出像素值和期望值的誤差計算個 體的適應度值，并通過自適應遺傳算法依次進行選擇、自適應交叉和變異操作更新網絡的 權值闊值，當滿足終止條件時，完成BP神經網絡的訓練;所述自適應交叉和變異操作中的交 叉率和變異率中引入了調節系數；
[0012] 4)輸入待分割的圖像，利用訓練好的BP神經網絡對待分割的圖像進行分類，實現 圖像分割。
[0013] 所述自適應交叉操作的交叉率表達式為：
[0014]
[0015] 其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa 為每一代種群的平均適應度值，f/為要交叉的兩個個體中較大適應度值，f為要變異個體的 適應度值，Pcmax為最大交叉率，Pcmin為最小交叉率。
[0016] 所述自適應變異操作的變異率表達式為：
[0017]
[0018] 其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa 為每一代種群的平均適應度值，f為要變異個體的適應度值，Pmmax為最大變異率，Pmmin為最 小變異率。
[0019] 步驟1)中所述的待分割的圖像為經過預處理后的圖像，所述預處理包括高斯濾波 和自適應中值濾波。
[0020] 對神經網絡的參數進行染色體編碼的過程為：
[0021] 將神經網絡各權值和闊值級聯在一起，將神經網絡的參數轉換成遺傳空間中基因 個體的染色體編碼方式，染色體編碼的長度S為:S=Wij+目i+Wki+目k = R X Si+Si X S2+S1+S2
[0022] 其中，R、Si、S2分別表示網絡的輸入層向量、隱含層節點數、輸出層向量，Wu = RX Si，Wkj = Si X S2，白i = Si，白k = S2。
[0023] 本發明的基于自適應遺傳算法的BP神經網絡圖像分割裝置包括:訓練樣本生成模 塊，用于對待分割的圖像進行分析，生成神經網絡的訓練樣本圖像；
[0024] 神經網絡結構確定模塊，用于設置神經網絡參數和種群參數，并對神經網絡的參 數進行染色體編碼；
[0025] 網絡訓練模塊，用于由神經網絡的實際輸出像素值和期望值的誤差計算個體的適 應度值，并依次進行選擇、自適應交叉和變異操作更新網絡的權值闊值，當滿足終止條件 時，完成BP神經網絡的訓練;所述自適應交叉和變異操作中的交叉率和變異率中引入了調 節系數；
[0026] 圖像分割模塊，用于輸入待分割的圖像后，利用訓練好的BP神經網絡對待分割的 圖像進行分類，實現圖像分割。
[0027] 所述自適應交叉操作的交叉率表達式為：
[002引
[0029] 其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa 為每一代種群的平均適應度值，f/為要交叉的兩個個體中較大適應度值，f為要變異個體的 適應度值，Pcmax為最大交叉率，Pcmin為最小交叉率。所述自適應變異操作的變異率表達式 為：
[0030]
[0031] 其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa 為每一代種群的平均適應度值，f為要變異個體的適應度值，Pmmax為最大變異率，Pmmin為最 小變異率。
[0032] 該裝置還包括預處理模塊，用于對待分割的圖像進行預處理，所述預處理過程包 括高斯濾波和自適應中值濾波。
[0033] 對神經網絡的參數進行染色體編碼的過程為：
[0034] 將神經網絡各權值和闊值級聯在一起，將神經網絡的參數轉換成遺傳空間中基因 個體的染色體編碼方式，染色體編碼的長度S為:S=Wij+目i+Wki+目k = R X Si+Si X S2+S1+S2
[0035] 其中，R、Si、S2分別表示網絡的輸入層向量、隱含層節點數、輸出層向量，Wij = RX Sl, Wkj 二 S1XS2,白i 二 Si,白k 二 S2。
[0036] 本發明的有益效果:本發明在原來傳統的交叉變異算子的基礎上引入了與進化代 數相關的調節系數，得到了一種新的交叉率和變異率，不僅解決了種群進化初期個體進化 停滯的問題，也避免了個體有相近適應度時帶來的局部收斂問題。與傳統遺傳算法相比，在 進化相同代數條件下，本發明提出的新的自適應遺傳算法克服了全局收斂性能差的缺陷， 能夠在保持群體多樣性的同時，加快遺傳算法的收斂速度。
[0037] 傳統的神經網絡分割算法訓練時間過長，而且經常無法達到設定誤差，圖像分割 精度達不到實際要求，本發明將新的自適應遺傳算法與神經網絡有機結合，能夠更快速地 得到可最大化表征圖像特征的神經網絡，不僅分割效果好，而且分割性能穩定，耗時少。
[0038] 本發明方法中不需要大量的樣本圖像訓練網絡，降低了算法的實現難度，自適應 遺傳算法和神經網絡各參數一次性調節后可用于多種醫學圖像分割中，有較好的普適性和 自適應性。
[0039] 本發明的方法在對待分割圖像進行直方圖分析之前，對待分割圖像進行了雙重濾 波的預處理，即利用高斯濾波法和自適應中值濾波法分別對原圖像進行濾波，與傳統中值 濾波法相比濾波模板有可變性，對圖像的細節處理比較準確，可W把噪聲利用合適的模板 進行濾除，保留下原圖絕大部分的細節，從而有效去除椒鹽噪聲和高斯噪聲，提高了待分割 圖像的抗噪性和穩定性，更適合于實際應用。在得到清晰的濾波圖像后，通過分析兩種濾波 法處理后的圖像直方圖，獲取理想的圖像灰度特征，從而較為準確地確定圖像前景色和背 景色的范圍，并W此作為神經網絡的訓練樣本。由于樣本更接近實際，訓練后的網絡也會更 加準確，有利于圖像分割精度的提高。
【附圖說明】
[0040] 圖1本發明自適應遺傳神經網絡算法流程圖；
[0041 ]圖2本發明中的BP神經網絡結構圖；
[0042] 圖3本發明用自適應遺傳神經網絡算法分割圖像的流程圖；
[0043] 圖4(a)本發明雙重濾波后的煩腦CT直方圖；
[0044] 圖4(b)本發明雙重濾波后的骨骼CT直方圖；
[0045] 圖5 (a)煩腦CT原圖；
[0046] 圖5(b)標準的煩腦CT分割原圖；
[0047] 圖5(c)傳統遺傳神經網絡的煩腦CT圖像分割圖；
[0048] 圖5(d)本發明的自適應遺傳神經網絡的煩腦CT圖像分割圖；
[0049] 圖5(e)傳統遺傳算法煩腦圖像分割圖；
[0050] 圖5(f)單一神經網絡煩腦圖像分割圖；
[0051] 圖6(a)骨骼CT原圖；
[0052] 圖6(b)標準的骨骼CT分割原圖；
[0053] 圖6(c)傳統遺傳神經網絡的骨骼CT圖像分割圖；
[0054] 圖6(d)本發明的自適應遺傳神經網絡的骨骼CT圖像分割圖；
[0055] 圖6(e)傳統遺傳算法骨骼圖像分割圖；
[0056] 圖6(f)單一神經網絡骨骼圖像分割圖。
【具體實施方式】
[0057] 下面結合附圖，對本發明的技術方案作進一步詳細介紹。
[0058] 本發明的基于自適應遺傳算法的BP神經網絡圖像分割方法實施例如圖2所示，本 實施例的圖像分割方法包括如下步驟：
[0059] 1)對待分割的圖像進行分析，生成神經網絡的訓練樣本；
[0060] 2)設置神經網絡參數和種群參數，并對神經網絡的參數進行染色體編碼；
[0061] 3)輸入訓練樣本訓練網絡：由神經網絡的實際輸出像素值和期望值的誤差計算個 體的適應度值，并依次進行選擇、自適應交叉和變異操作更新網絡的權值和闊值，當滿足終 止條件時，完成BP神經網絡的訓練;所述自適應交叉和變異操作中的交叉率和變異率中引 入了調節系數；
[0062] 4)輸入待分割的圖像，利用訓練好的BP神經網絡對待分割的圖像進行分類，實現 圖像分割。
[0063] 下面W醫學圖像為待分割的圖像，對上述的各個步驟作進一步詳細說明：
[0064] 對于步驟1)，通過對待分割圖像I"(x，y)的直方圖進行分析，得到能將前景和背景 分開的最優闊值。如圖4(a)和圖4(b)所示分別為實驗驗證的兩幅醫學圖像的直方圖，由此 闊值確定前景和背景的范圍后，將其按順序存入一個數組P，生成的運個數組作為訓練樣本 數組，然后再建立一個同樣大小的數組T來保存樣本的類別，將前景的類別設為0,背景的類 別設為1。
[0065] 對于步驟2)，首先設置神經網絡的基本參數：
[0066] 用Xj表示輸入層第j個節點的輸入，j = 1，2，…，M，WU表示隱含層第i個節點到輸入 層第j個節點之間的權值，表示隱含層第i個節點的闊值，換材表示隱含層的激勵函數，Wki 表示輸出層第k節點到隱含層第i個節點之間的權值，i = l，2,…，q，0k表示輸出層第k個節 點的闊值，k = 1，2，…，L，(6(X)表示輸出層的激勵函數，Ok表示輸出層第k個節點的輸出。
[0067] 確定隱含層節點數為，
，其中，m為輸入節點數，no為輸出節點數，a為
[1，10]之間的整數，并由多次實驗得隱含層節點數為5時網絡收斂效果最佳。輸入層到隱含 層傳遞函數為S型正切函數sigmoid,隱含層到輸出層傳遞函數為線性函數purelin，調整訓 練函數為化ainlm函數，訓練次數為1000,學習常數為0.5,目標誤差為0.0001，設置好網絡 的基本參數后開始進行訓練。
[0068] 按照如下過程開始進行學習和訓練，調整權值和闊值。
[0069] 信號的前向傳播過程如下：
[0070] 隱含層第i個節點的輸入neti為
[0071]
[0072]
[0073]
[0074]
[0075]
[0076]
[0077]
[007引
[0079] 誤差反向傳播過程:首先由輸出層開始逐層計算各層神經元的輸出誤差，再根據 誤差梯度下降法來調節各層的權值和闊值，使修改后網絡的最終輸出能接近期望值。對于 每一個樣本P的二次型誤差準則函數護為
[0080]
[0081] 總誤差準則函數
[0082]
[0083] 根據誤差梯度下降法依次修正隱含層權值的修正量AWu、隱含層闊值的修正量A 白1、輸出層權值的修正量A Wki和輸出層闊值的修正量A 0k，其分別表示如下：
[0084] 隱含層權值A Wu調整公式為
[0085]
[0086]
[0087]
[008引
[0089]
[0090]
[0091]
[0092] 然后，進行種群初始化，種群初始化包括種群參數的設置和染色體編碼：
[0093] A.設置種群參數
[0094] 設置種群規模為N= 100，最大進化次數M = 50，給定的最大交叉率為化max = 0.8，最 小交叉率化min = 0.2，最大變異率為Pmmax = O . 9，最小變異率為Pmmin = O . 3。
[0095] B.染色體編碼
[0096] 把神經網絡的參數編碼成遺傳算法中個體染色體的實數串，將神經網絡各權值和 闊值級聯在一起，轉換成遺傳空間中基因個體的實數編碼方式，分別用R、Si、S2表示網絡的 輸入層向量、隱含民節點數、輸出層向量，于是可得
[0097]
[0098] 染色體編碼為神經網絡中權值和闊值的級聯型組合，其長度為：
[0099] S=Wij+0i+Wki+目 k = R X Si+Si X S2 巧 1+S2
[0100] 每一個染色體包含了 BP神經網絡的所有權值和闊值，因此網絡不斷更新的權值闊 值可通過每個個體的染色體解碼得到。
[0101] 接著，計算適應度值：
[0102] 適應度函數選擇直接影響了遺傳算法的收斂速度和對神經網絡的訓練速度，在醫 學圖像分割中，采用像素值的實際輸出與理想輸出的誤差平方和的倒數作為個體的適應度 函數，具體公式如下
[0103]
[0104] 其中，yk和Ok分別為網絡的實際輸出和期望輸出，Z為像素點的個數，由于本發明的 實驗圖像均為256 X 256的格式，所Wz取256 X 256。
[0105] 進行選擇操作：
[0106] 采用輪盤賭法選擇個體，每個個體類似于圓盤中的一個扇形部分，扇面角度和個 體適應度值成正比，運是基于適應度比例的淘汰與選擇法則。
[0107] 根據個體對應的適應度函數值選擇可進入下一代的個體，適應度值大的個體將被 復制多個遺傳到下一代，該操作通過淘汰種群中適應度低的個體，保留了適應度較高的個 體，設N為種群個體總數，fiti為第i個個體的適應值，個體i的選擇概率為
[010 引
[0109] 化竹目巧父義和變異操作：
[0110] 采用實數交叉法進行計算，第i個染色體日1與第e個染色體ae在g位的交叉操作公式 如下：
[0111]
[0112] 其中，b為[0，1]的隨機數。
[0113] 如果個體在迭代中被選為變異，變異公式如下：
[0114]
[0115] 其中，i表示種群中第i個個體，ail表示個體i的第j個基因，amax、amin分別為基因的 上下限，r為[0，1]的隨機數
，m為當前迭代次數，M為最大迭代次數。
[0116] 在自適應遺傳算法中，個體之間的交叉概率和變異概率能夠隨著適應度進行動態 調整，既保持了群體進化的多樣性，加快了遺傳算法的收斂速度，又提高了神經網絡的訓練 速度。當種群中的個體適應度相近或趨于局部最優時，增大交叉率和變異率;反之，則減小 交叉率和變異率，當個體的適應度高于平均值時，降低對應的交叉率和變異率，從而增大其 遺傳到下一代的概率;在自適應遺傳算法中，交叉率和變異率的表達式為：
[0117]
[011 引
[0119] 其中，fmax為每一代種群的最大適應度值，fa為每一代種群的平均適應度值，f'為 要交叉的兩個個體中較大的適應度值，f為要變異個體的適應度值。其余參數初始化值在步 驟A(設置種群參數）中。運種自適應調整算法對于處于進化后期的群體比較合適，但仍有如 下不足：
[0120] (1)在進化初期，群體中較優的個體基本不發生變化，如果個體長時間保持較多的 狀態，會導致進化停滯而陷入局部收斂。
[0121 ] (2)當種群中出現較多適應度接近平均適應度的個體時，運些個體的模式相當，占 據了種群中的大部分，此時種群的最大適應度接近于平均適應度，導致大部分個體的交叉 率和變異率較低，進化就會停滯不前，影響了對神經網絡的優化性能。
[0122] 鑒于此，我們在原來算子的基礎上引入了調節系數，提出了一種與進化代數相關 的改進自適應遺傳算法，采用基于新的交叉率和變異率的自適應遺傳算法更新網絡權值和 闊值，新的自適應交叉和變異算子表達式如下：
[0125] 其中，m為當前迭代次數，M為最大迭代次數SOefmax為每一代種群的最大適應度值， fa為每一代種群的平均適應度值，f/為要交叉的兩個個體中較大適應度值，f為要變異個體
[0123]
[0124] 的適應度值化max = O . 8，最小交叉率化min = O . 2，最大變異率為Pmmax = O . 9，最小變異率為 Pniinin - 0.3 O
[0126] 改進后的調整方法不僅解決了種群進化初期個體進化停滯的問題，也避免了個體 有相近適應度時帶來的局部收斂問題。其基本思想：當個體適應度大于等于平均適應度時， 交叉概率和變異概率隨著適應度的增大而減小，而且隨著進化代數的增加交叉概率和變異 概率越來越小，因此在進化初期有較大適應度的個體也能取到合適的交叉概率和變異概 率，當種群中的大部分個體擁有相近的適應度且平均適應度與最大適應度接近時，大多數 個體的交叉率和變異率被提高，從而使傳統自適應遺傳算法的穩定性顯著提高，算法具有 較強的全局捜索能力，增強了圖像分割的魯棒性。
[0127] 對于步驟4)，利用訓練好的神經網絡進行圖像分割：
[0128] 圖像分割可W看作是一個分類過程。圖像的每個像素都是一個被分類的樣本，待 分割圖像每個像素點輸入神經網絡后會輸出一個特征值，如果值大于0.5,則將其分類為前 景，否則分類為背景。
[0129] 由于訓練樣本是一維數組形式，所W分割時先把樣本圖像的像素值用reshape函 數轉化為[0，255]灰度級組成的一維數組，用本方法的自適應遺傳神經網絡對其像素值進 行分類處理，從而實現了圖像分割。
[0130] 為了提高待分割圖像的抗噪性和穩定性，對上述步驟1)中的待分割圖像進行預處 理，預處理包括自適應中值濾波和高斯濾波，具體實現過程如下：
[0131] 首先用Matlab軟件對民學圖像講行二維巧間內的高斯濾波平滑，設待分割醫學圖 像為I(x，y)，高斯核函數為
庚中O為函數的寬度參數，控制了函數的 徑向作用范圍，平滑后圖像為I/(x，y)=G。XI(x，y)，高斯平滑操作有效抑制了高斯噪聲， 接下來結合自適應中值濾波對圖像(x，y)按照如下方法濾除脈沖噪聲。
[0132] (1)首先確定最大的濾波半徑，然后用一個合適的半徑r對圖像進行濾波。計算當 前濾波半徑像素灰度8鄰域的最大值Imax、均值Imd和最小值Imin,然后判斷Imd是否在[Imax, Imin]中間，如果在則向下進行，否則擴大當前半徑r繼續濾波直到r等于最大濾波半徑。 [013；3] (2)如果當前處理的像素 l/(X，y)在[Imax，Imin]之間，則輸出當前像素，否則輸出當 前濾波半徑中值像素 Imd。經過雙重濾波后的圖像記為I"(x，y)。
[0134] 為了驗證該方法中圖像分割的有效性，將其應用于腦部MRI和骨骼的CT圖像分割 中，兩幅圖片格式均為256 X 256,如圖5(a)和圖6(a)所示。
[0135] 實驗驗證是在PC機(Win7，Intel(R)Core(TMH5-：M70M CPU 2.50細z，4.0GB)上用 MTLAB R2010a軟件編程實現，采用誤差判別率(TC)來進行評判，誤差判別率的計算公式如 下：
[0136]
[0137] 其中，Ni為神經網絡分割圖像中對于該組織分類結果與第i個參考標準分類圖結 果一致的象素點數，Ri為第i個參考標準分類圖中屬于該組織的象素點數。在實驗驗證的兩 幅醫學圖像中，Z值取256 X 256。
[0138] 對圖像分割效果的評價還可W用峰值信噪比(PSNR)來評價，它表示用特定算法分 割的圖像與標準分割圖像的差別程度，PSNR越大，表示分割效果與標準圖像越接近，準確率 越高。其公古親元如下，
[0139]
[0140] 其中，m = 256，n = 256，Ii,神日Ii,/分別為標準分割圖像和用特定算法分割后圖像 各點的像素值。
[0141 ] W誤差判別率(TC)和峰值信噪比(PSNR)及分割時間T (秒)作為客觀評價指標。表1 給出了本發明提出的自適應遺傳神經網絡分割方法(簡稱"NAGA-BP")與徐菱撰寫的《基于 遺傳算法的圖像分割方法的研究》(江南大學碩±學位論文，2008.)(簡稱"GA")、楊治明等 人撰寫的《BP人工神經網絡在圖像分割中的應用K計算機科學，2007,34(3) :234-236.)(簡 稱"BP")、胡斌撰寫的《遺傳神經網絡在圖像分割中的應用》(太原理工大學碩±學位論文， 2011.)(簡稱"GA-BP")比較的實驗結果，均是在相同的軟硬件環境下計算獲取對應的數值。
[0142] 表1四種算法的實驗結果
[0143]
[0144] 為精確比較分割效果，圖5和圖6分別給出腦部和骨骼的CT圖像分割效果對比圖。 W圖5(b)和圖6(b)的標準分割圖像為參照，圖5(e)和圖6(e)為GA算法分割圖，圖5(f)和圖6 (f)為BP神經網絡分割圖，圖5(c)和圖6(c)為傳統遺傳神經網絡法(GA-BP)分割效果，圖5 (d)和圖6(d)為我們提出的自適應遺傳神經網絡(NAGA-BP)分割效果。
[0145] 由上表的定量和定性統計可W看出，本專利的自適應遺傳神經網絡圖像分割法分 割的平均誤差率較小，峰值信噪比較大，表明圖像分割精度進一步提高，同時平均分割時間 也大大縮短，降低了算法的復雜度，運是因為本發明提出了一種新的自適應交叉率和變異 率，使得在種群進化初期和群體適應度接近時都能保證算法的全局最優性能，同時對神經 網絡的訓練也更加穩定，成功的解決了傳統遺傳神經網絡圖像分割法速度和精度之間的矛 盾，特別適用于生物醫學圖像分割等領域。
[0146] 本發明的基于自適應遺傳算法的BP神經網絡圖像分割裝置實施例
[0147] 本實施例提出了一種實施上述方法的裝置，該裝置包括訓練樣本生成模塊、神經 網絡結構確定模塊、網絡訓練模塊和圖像分割模塊；
[0148] 訓練樣本生成模塊，用于對待分割的圖像I"(x，y)進行分析，生成神經網絡的訓練 樣本圖像；
[0149] 神經網絡結構確定模塊，用于確定神經網絡的結構，包括設置神經網絡參數和種 群參數，并將神經網絡的參數轉換成遺傳空間中基因個體的實數串；
[0150] 網絡訓練模塊，用于根據神經網絡的實際和期望輸出值，計算個體的適應度值，并 進行選擇操作、自適應交叉操作和自適應變異操作更新網絡的權值闊值，當滿足終止條件 時，完成BP神經網絡的訓練;所述自適應交叉操作和自適應變異操作中的交叉率和變異率 為引入調節系數后的新的動態交叉率和變異率；
[0151] 圖像分割模塊，用于輸入待分割的圖像后，利用訓練好的BP神經網絡對待分割的 圖像進行分類，實現圖像分割。
[0152] 為了提高待分割圖像的抗噪性和穩定性，該裝置還包括預處理模塊，用于對待分 割圖像進行自適應中值濾波和高斯濾波。
[0153] W上給出了具體的實施方式，但本發明不局限于所描述的實施方式。本發明的基 本思路在于上述基本方案，對本領域普通技術人員而言，根據本發明的教導，設計出各種變 形的模型、公式、參數并不需要花費創造性勞動。在不脫離本發明的原理和精神的情況下對 實施方式進行的變化、修改、替換和變型仍落入本發明的保護范圍內。
【主權項】
1. 基于自適應遺傳算法的BP神經網絡圖像分割方法，其特征在于，該方法包括如下步 驟： 1) 對待分割的圖像進行分析，生成神經網絡的訓練樣本； 2) 設置神經網絡參數和種群參數，并對神經網絡的參數進行染色體編碼； 3) 輸入訓練樣本訓練網絡：由神經網絡的實際輸出像素值和期望值的誤差計算個體的 適應度值，并通過自適應遺傳算法依次進行選擇、自適應交叉和變異操作更新網絡的權值 和閾值，當滿足終止條件時，完成BP神經網絡的訓練;所述自適應交叉和變異操作中的交叉 率和變異率中引入了調節系數； 4) 輸入待分割的圖像，利用訓練好的BP神經網絡對待分割的圖像進行分類，實現圖像 分割。2. 根據權利要求1所述基于自適應遺傳算法的BP神經網絡圖像分割方法，其特征在于， 所述自適應交叉操作的交叉率表達式為：其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa為每 一代種群的平均適應度值，P為要交叉的兩個個體中較大適應度值，f為要變異個體的適應 度值，Pcmax為最大交叉率，Pc min為最小交叉率。3. 根據權利要求1所述基于自適應遺傳算法的BP神經網絡圖像分割方法，其特征在于， 所述自適應變異操作的變異率表達式為：其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa為每 一代種群的平均適應度值，f為要變異個體的適應度值，PmmaA最大變異率，Pmmin為最小變 異率。4. 根據權利要求1所述基于自適應遺傳算法的BP神經網絡圖像分割方法，其特征在于， 步驟1)中所述的待分割的圖像為經過預處理后的圖像，所述預處理包括高斯濾波和自適應 中值濾波。5. 根據權利要求1所述基于自適應遺傳算法的BP神經網絡圖像分割方法，其特征在于， 對神經網絡的參數進行染色體編碼的過程為： 將神經網絡的各權值和閾值級聯在一起，將神經網絡的參數轉換成遺傳空間中基因個 體的染色體編碼方式，染色體編碼的長度S為:SzWij+ei+Wki+Qk = !? X SdS1 X S2+S0S2 其中，別表示網絡的輸入層向量、隱含層節點數、輸出層向量，Wij = RX S1, Wkj =Si X S2，9i = Si，= S2 〇6. 基于自適應遺傳算法的BP神經網絡圖像分割裝置，其特征在于，該裝置包括： 訓練樣本生成模塊，用于對待分割的圖像進行分析，生成神經網絡的訓練樣本圖像； 神經網絡結構確定模塊，用于設置神經網絡參數和種群參數，并對神經網絡的參數進 行染色體編碼； 網絡訓練模塊，用于由神經網絡的實際輸出像素值和期望值的誤差計算個體的適應度 值，并通過自適應遺傳算法依次進行選擇、自適應交叉和變異操作更新網絡的權值閾值，當 滿足終止條件時，完成BP神經網絡的訓練;所述自適應交叉和變異操作中的交叉率和變異 率中引入了調節系數； 圖像分割模塊，用于輸入待分割的圖像后，利用訓練好的BP神經網絡對待分割的圖像 進行分類，實現圖像分割。7. 根據權利要求6所述基于自適應遺傳算法的BP神經網絡圖像分割裝置，其特征在于， 所述自適應交叉操作的交叉率表達式為：其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa為每 一代種群的平均適應度值，P為要交叉的兩個個體中較大適應度值，f為要變異個體的適應 度值，Pcmax為最大交叉率，Pc min為最小交叉率。8. 根據權利要求6所述基于自適應遺傳算法的BP神經網絡圖像分割裝置，其特征在于， 所述自適應變異操作的變異率表達式為：其中，m為當前迭代次數，M為最大迭代次數，fmax為每一代種群的最大適應度值，fa為每 一代種群的平均適應度值，f為要變異個體的適應度值，PmmaA最大變異率，Pmmin為最小變 異率。9. 根據權利要求6所述基于自適應遺傳算法的BP神經網絡圖像分割裝置，其特征在于， 該裝置還包括預處理模塊，用于對待分割的圖像進行預處理，所述預處理過程包括高斯濾 波和自適應中值濾波。10. 根據權利要求6所述基于自適應遺傳算法的BP神經網絡圖像分割裝置，其特征在 于，對神經網絡的參數進行染色體編碼的過程為： 將神經網絡各權值和閾值級聯在一起，將神經網絡的參數轉換成遺傳空間中基因個體 的染色體編碼方式，染色體編碼的長度S為:SzWij+ei+Wki+Qk = !? X SdS1 X S2+Si+S2 其中，Rj^S2分別表示網絡的輸入層向量、隱含層節點數、輸出層向量，且Wlj = RXS1, Wkj = Si X S2，θ? = Si，0k= S2 〇
【文檔編號】G06T7/00GK106023195SQ201610330815
【公開日】2016年10月12日
【申請日】2016年5月18日
【發明人】孫林, 李夢瑩, 張祥攀, 劉金金, 竇智, 陳歲歲, 張霄雨, 劉弱南, 張新樂
【申請人】河南師范大學