呂冰垚，姜志翱，寧春玉

（長春理工大學(xué) 生命科學(xué)技術(shù)學(xué)院，長春 130022）

乳腺鉬靶圖像分割方法有邊緣檢測法、區(qū)域生長法及模糊聚類算法等，其中FCM算法是一種結(jié)合無監(jiān)督聚類和模糊集合概念的分割技術(shù)。1981年，Bezkek引入模糊加權(quán)指數(shù)m提出了標(biāo)準(zhǔn)的FCM算法[1]，通過對目標(biāo)函數(shù)求解極值進行圖像分割，原理簡單易實現(xiàn)。在此之后，人們以此為基礎(chǔ)進行了許多改進，現(xiàn)已成為圖像分割領(lǐng)域最主要的方法之一。

Zhao等人[2]提出了一種隸屬度加權(quán)的KFCM圖像分割方法，引入局部空間信息，結(jié)合像素的鄰域來增強算法的抗噪性。Das等人[3]將改進的遺傳算法與FCM相結(jié)合，在彩色圖像中分割效果較好，但未涉及醫(yī)學(xué)圖像的分割。Bai等人[4]提出了一種直覺無中心的FCM聚類（ICFFCM）算法，用直覺模糊隸屬函數(shù)來定義像素到聚類的相似性，解決了圖像分割中的模糊性和聚類過程中的不確定性等問題，抗噪性好但耗時長。Elazab等人[5]用高斯徑向基核函數(shù)替換了模糊聚類中的歐氏距離，提出了自適應(yīng)正則化基于核的FCM算法，對低噪聲圖像分割的效果較好，分割噪聲比較大的圖像時容易造成圖像的缺失。Han等人[6]提出了獅群算法優(yōu)化的FCM圖像分割方法，算法的效果較好。徐路等人[7]首先采用最大類間方差的方法劃分多個區(qū)間，然后以各自區(qū)域內(nèi)的像素值為依據(jù)決定聚類中心初始值，減少了迭代次數(shù)，縮短了運行時間。

為了克服FCM算法對初始聚類中心十分敏感，容易陷入局部最優(yōu)的問題[8]，以及僅基于GA的FCM聚類（GA-FCM）和僅基于PSO的FCM聚類（PSO-FCM）容易出現(xiàn)早熟的現(xiàn)象，本文將具有全局搜索能力的PSO與GA混合優(yōu)化算法與具有局部搜索能力的FCM聚類結(jié)合起來，提出了基于PSO與GA混合優(yōu)化的FCM聚類算法，將其用于乳腺鉬靶圖像的分割，對多幅圖像進行分割實驗，并將分割結(jié)果與FCM、GA-FCM和PSOFCM算法進行比較。

1 基本理論

1.1 FCM算法

1.2 GA算法

GA算法是一種根據(jù)生物進化思想產(chǎn)生的隨機搜索算法，基于選擇、交叉、變異過程產(chǎn)生高質(zhì)量的優(yōu)化解。由于其強大的全局搜索能力、簡單的操作和較強的魯棒性，成為各種問題領(lǐng)域的搜索和優(yōu)化工具。

GA算法從隨機生成的初始種群開始其搜索過程，初始種群中的個體被稱為染色體。GA算法主要通過染色體交叉（概率PC）、變異（概率Pm）來實現(xiàn)，為了評估染色體的適應(yīng)性，引入了適應(yīng)度函數(shù)。適應(yīng)度在遺傳算法中是用來衡量種群在進化過程中所達到的最優(yōu)值的一個概念。在種群的迭代中依據(jù)適應(yīng)度大小選擇一定比例的個體作為后代的群體，然后繼續(xù)迭代計算直到產(chǎn)生最優(yōu)染色體。

GA算法的具體步驟如下：

（1）生成初始種群，并計算適應(yīng)度；

（2）根據(jù)適應(yīng)度進行選擇、交叉和變異，生成新種群；

（3）計算新種群的適應(yīng)度；

（4）當(dāng)算法達到進化的最大迭代次數(shù)或達到設(shè)定的閾值，即種群的適應(yīng)度沒有改進時，算法停止，否則跳轉(zhuǎn)到第（2）步；

（5）產(chǎn)生適應(yīng)度最好的種群。

1.3 PSO優(yōu)化算法

PSO算法是一種基于種群尋優(yōu)的搜索算法。其概念簡單，易于實現(xiàn)，并且具有良好的尋優(yōu)能力。

PSO算法的解對應(yīng)于所求問題的解空間中的一個粒子。每個粒子都有對應(yīng)的速度和位置以及由目標(biāo)函數(shù)決定的適應(yīng)度值，粒子在解空間中的每次迭代都是以當(dāng)前找到的較好解為依據(jù)尋找下一個解。第i個粒子表示為Xi=（xi1，xi2，…，xid），它經(jīng)歷過的最好位置（有最好的適應(yīng)度值）記為Pi=（pi1，pi2，…，pid），也稱為pbesti。群體所有粒子在迭代中的最好位置用符號pg表示，也稱作gbest，粒子i的速度用Vi=（vi1，vi2，…，vid）表示。對于每一代粒子，其在第d維（1≤d≤D）的速度和位置根據(jù)如下方程變化：

其中，ω為慣性權(quán)重，通常是從0.9線性減小到0.2；c1和c2為加速常數(shù)；rand1和 rand2為兩個在[0，1]范圍內(nèi)變化的隨機函數(shù)。

PSO算法的具體步驟如下：

（1）生成初始種群，在允許范圍內(nèi)隨機產(chǎn)生初始粒子的位置和速度，每個粒子當(dāng)前的位置記為Pi，并計算適應(yīng)度，此時全局最好點為個體中的最好點，記為pg；

（2）利用式（6）和式（7）更新每一個粒子的速度和位置并計算適應(yīng)度，若好于該粒子當(dāng)前的個體極值，則將Pi設(shè)置為該粒子的位置，且更新個體極值。如果所有粒子的個體極值中最好的好于當(dāng)前的全局最好點pg，更新全局最好點，將該粒子的位置設(shè)置為pg；

（3）當(dāng)算法的迭代次數(shù)達到了最大次數(shù)或者滿足最小的誤差要求時，停止迭代，否則跳轉(zhuǎn)到第（2）步；

（4）輸出最優(yōu)解。

2 基于PSO和GA的FCM算法

本文提出了PSO和GA混合優(yōu)化FCM的分割算法，這個算法以全局最優(yōu)個體將GA與PSO有機地聯(lián)系在一起，既有PSO算法中的“記憶”功能，保留了上一代中的最優(yōu)解，又有GA算法中交叉變異等操作算子，迭代過程中既包括了GA運算也包括了PSO運算，提高了算法的穩(wěn)定性。克服了僅基于單一GA或PSO優(yōu)化的FCM聚類算法所存在的早熟問題。

算法步驟如下：

（1）給定類別數(shù)c，模糊指數(shù)m，群體規(guī)模N，學(xué)習(xí)因子c1和c2，交叉概率PC，變異概率Pm，慣性權(quán)重ω，閾值ε，最大迭代次數(shù)T，粒子變化范圍。

（2）初始化隨機生成N個聚類中心，形成N個第1代粒子。每個粒子的當(dāng)前位置為其pbesti，當(dāng)前種群所有粒子中的最好位置為gbest。用式（8）計算適應(yīng)度值，此時每個粒子的最優(yōu)適應(yīng)度個體為其自身，群體中最優(yōu)適應(yīng)度個體為所有粒子中適應(yīng)度值最大的粒子。

（3）用公式（6）和公式（7）對每個粒子進行速度和位置更新，依據(jù)交叉概率PC，變異概率Pm，進行選擇、交叉和變異操作，產(chǎn)生下一代的粒子群。

（4）用公式（8）計算新粒子群中每個個體的適應(yīng)度值，先與個體上一代比較，若大于上一代適應(yīng)度值，則取代上一代個體成為pbesti，且適應(yīng)度值為個體最優(yōu)適應(yīng)度值，否則保持原樣。

（5）再與群體最優(yōu)個體適應(yīng)度比較，若大于群體最優(yōu)個體適應(yīng)度值，則用該個體替代全局最優(yōu)個體gbest，其適應(yīng)度值為此時群體最優(yōu)適應(yīng)度值，否則群體最優(yōu)和群體最優(yōu)適應(yīng)度值保持原樣。

（6）迭代次數(shù)T=T+1。

（7）當(dāng)算法達到進化的最大迭代次數(shù)或設(shè)定的閾值ε，即種群的適應(yīng)度沒有改進時，算法停止，否則，跳轉(zhuǎn)到第（3）步。

（8）產(chǎn)生適應(yīng)度最好的種群，即適應(yīng)度最好的初始聚類中心。

（9）在FCM中輸入產(chǎn)生的初始聚類中心進行圖像分割。

（10）輸出分割結(jié)果。

算法流程如圖1所示。

圖1 優(yōu)化FCM算法流程圖

對于FCM算法來說，不同的聚類中心產(chǎn)生的分割效果是不同的，其目標(biāo)函數(shù)式（3）越小分割效果越好，而在混合優(yōu)化算法中不同聚類中心的適應(yīng)度越大越好，因此可使用式（3）的倒數(shù)來評價每個粒子的適應(yīng)度，定義如下的適應(yīng)度函數(shù)：

其中，k為常數(shù)；J(U,V)為FCM的目標(biāo)函數(shù)。J(U,V)越小就代表聚類效果越好，則粒子適應(yīng)度f(xi)就越高。

3 實驗結(jié)果分析與討論

為了驗證本文提出的改進算法的性能，進行了MATLAB仿真實驗，選用大量的DDSM數(shù)據(jù)庫中的乳腺鉬靶圖像進行實驗，選取了其中四幅圖像進行說明和驗證。將本文算法與FCM、GAFCM、PSO-FCM三種算法進行比較，實驗參數(shù)的設(shè)置如下：種群規(guī)模30，聚類數(shù)目為4、迭代次數(shù)為 50、收斂精度為 10（-5）、模糊加權(quán)指數(shù)m=2、交叉概率PC=0.7、變異概率Pm=0.3、c1=c2=1.49。

圖2到圖5分別為四組乳腺鉬靶圖像分割實驗的結(jié)果，在每組實驗結(jié)果中有（a）原始圖像、（b）FCM 分割結(jié)果、（c）GA-FCM 分割結(jié)果、（d）PSO-FCM分割結(jié)果、（e）本文算法分割結(jié)果五張圖片。

圖2 第一組惡性腫塊圖像分割實驗

圖3 第二組惡性腫塊圖像分割實驗

圖4 第三組惡性腫塊圖像分割實驗

圖5 第四組惡性腫塊圖像分割實驗

為了獲取一個定量的實驗結(jié)果比較，引入有效性評價函數(shù)。其中最具代表性的是緊致性分割系數(shù)Vpc和分離性分割熵Vpe，它們分別定義如下[10]：

在FCM的分割結(jié)果中，會得到最終的隸屬度矩陣，并以此為標(biāo)準(zhǔn)按照隸屬度最大原則將像素劃分到應(yīng)屬于的類。隸屬度矩陣的模糊性越小，即每個像素的最大隸屬度越接近于1，說明像素屬于這一類的概率越大，分割效果也就越好，像素更有可能被正確歸類。反映到Vpc和Vpe的計算中時，也就是Vpc越大，分割效果越好；同時Vpe越小，分割效果越好。

表1為四組惡性腫塊圖像的四種分割算法的客觀評價指標(biāo)數(shù)據(jù)。

表1 聚類分割客觀評價指標(biāo)

從表1中可以看出本文算法和其他三種算法相比，Vpc最大且Vpe最小，提高了聚類的精度，因此在圖像聚類分割方面有更好的表現(xiàn)能力。這是由于FCM算法在選取初始聚類中心時是隨機選取的，容易使迭代過程陷入局部最優(yōu)解，因此把進化尋優(yōu)算法引入到模糊聚類分割中，可達到全局尋優(yōu)、快速收斂的效果。

4 結(jié)論

本文采用PSO和GA混合優(yōu)化FCM算法進行全局搜索，保留了PSO和GA各自的獨立性，克服了FCM容易陷入局部極小值的問題。對乳腺鉬靶圖像的分割實驗結(jié)果表明，本文算法得到的隸屬度矩陣模糊性小于其他算法，能夠更準(zhǔn)確地表明像素點應(yīng)該屬于哪一類，分割結(jié)果的可靠性更高，取得的分割效果更精確，能夠準(zhǔn)確地分離出腫塊，為后續(xù)的醫(yī)療診斷與圖像處理提供有力的支持，提高疾病的診斷準(zhǔn)確性。