CN107274408B - 一种基于新型粒子滤波算法的图像分割方法 - Google Patents

Abstract

本发明提出一种基于新型粒子滤波算法的图像分割方法，包括：针对要分割的图像特点，建立相应的动态空间模型；采集训练图像，对其进行预处理，提取感兴趣区域；以像素点作为样本单位，选取网络输入特征，组建训练样本；构建深度神经网络模型，完成深度网络训练，输入测试样本得到初始分割结果；利用初始分割结果生成粒子群，并采用粒子群优化算法将粒子移动到高似然区域，将得到的结果作为粒子滤波的建议性分布；采用上述建议性分布的新粒子滤波算法对状态量进行估计，得到最终的图像分割结果。本发明采用深度学习和粒子群优化算法产生建议性分布，有效解决了粒子退化问题，能够获得较好的图像分割效果，具有较强的应用性和鲁棒性。

Description

一种基于新型粒子滤波算法的图像分割方法

技术领域

本发明涉及图像处理和智能算法技术领域，具体是一种基于新型粒子滤波算法的图像分割方法。

背景技术

粒子滤波通过蒙特卡洛模拟方法来实现递推贝叶斯滤波，适用于任何能用状态空间模型描述的非线性系统，由于其具有简单、易实现等特点，目前已经广泛应用于目标跟踪、信号处理、自动控制以及图像分割等领域。然而，传统的粒子滤波采用转移概率密度函数生成建议分布，并没有考虑最新观测数据提供的信息，从中抽取的样本与真实后验分布产生的样本存在一定的偏差，从而造成粒子的退化。

发明内容

本发明的目的在于克服现有技术之不足，提出一种基于新型粒子滤波算法的图像分割方法，所述方法将图像分割问题转化成状态估计问题，算法采用深度学习和粒子群优化算法产生建议性分布，能够有效解决滤波中粒子退化的问题，得到较为准确的状态估计，从而实现图像分割。

本发明解决其技术问题所采用的技术方案是：

一种基于新型粒子滤波算法的图像分割方法，包括：

步骤a，针对要分割的图像特点，建立包含转移方程和观测方程的动态空间模型，以目标区域边界上的序列点作为状态量；所述转移方程表示当前时刻与前一时刻之间状态量的关系，所述观测方程反映当前时刻图像分割的效果；

步骤b，采集若干相关图像作为训练图像集，并对其进行预处理，提取出包含目标区域的感兴趣区域；

步骤c，以像素点作为样本单位，根据图像特点，分析并选取具有辨识力的网络输入特征，做归一化处理组建为训练样本；所述网络输入特征包括领域内的灰度值、与中心点之间的距离和对比值；

步骤d，构建深度神经网络模型，取深信度网络，输入训练样本进行训练，并且根据图像分割效果来调节深度网络参数，确定深度网络模型；

步骤e，将待分割图像按照步骤c同样的方式组建为测试样本，输入深度网络模型通过一次前向传播得到初始的分割结果；

步骤f，利用初始分割结果生成粒子群，并采用粒子群优化算法将粒子移动到高似然区域，得到的结果作为粒子滤波的建议性分布；

步骤g，根据建立的动态空间模型，采用含上述建议性分布的新型粒子滤波算法对状态量进行估计，得到最终的图像分割结果。

所述步骤a具体包括：

步骤a1，确定状态量，将目标分割区域边界上的序列点作为状态量，设序列长度为T,状态量的维度为M，则状态时序确定为{x_t|t∈T},x_t∈R^M；其中，R^M表示M维实数空间；

步骤a2，根据目标分割区域上下边界上的序列点之间的关系确定状态转移模型，设为x_t＝f(x_t-1,w_t-1)，其中w_t-1表示过程噪声；

步骤a3，根据图像分割的评价指标确定观测模型，能够反映图像分割效果，设为y_t＝g(x_t,v_t)，其中v_t表示观测噪声。

所述步骤d具体包括：

步骤d1，构建基于受限玻尔兹曼机的深信度神经网络模型；所述深信度神经网络模型中输入层节点数与训练样本的输入特征的维数一致，输出层节点数与像素点的分类类别数一致，隐含层层数与节点数根据图像分割效果来确定；

步骤d2，预训练阶段，包括：训练样本输入到输入层，通过逐层训练的方式对各层结构进行训练，低一层隐含层输出作为高一层的输入；

步骤d3，微调阶段，包括：采用有监督学习方式对整个网络进行训练，将实际输出与预期输出的误差逐层向后传播，对深度神经网络的参数进行微调；

步骤d4，根据图像分割效果调节和优化网络参数，完成深度神经网络的训练。

所述步骤f包括：

步骤f1，初始化粒子种群大小、粒子速度v_i和粒子位置x_i，并且设置粒子群优化算法中的迭代次数和最大速度参数；其中粒子的初始位置由深度学习得到的初始分割结果确定；

步骤f2，目标函数采用步骤a中的观测方程，此时某粒子对应的目标函数值越大，说明该粒子所处的位置越接近全局最优值；

步骤f3，不断迭代更新每个粒子的速度和位置，表达式如下：

x_ij(k+1)＝x_ij(k)+v_ij(k+1) (2)

其中，ω表示惯性权重，c₁、c₂表示加速因子，r₁、r₂表示位于区间[0,1]之间的随机数，p_ij(k)表示第i个粒子的第j维向量的个体最优值，p_gj(k)表示第j维向量的全局最优值；

步骤f4，迭代结束，获得所有粒子的位置，将其作为新型粒子滤波算法的建议性分布。

所述包括g具体包括：

步骤g1，初始化粒子集，对于i＝1,2,...,N，由先验生成采样粒子其中，表示第i个粒子的初始状态；

步骤g2，对于i＝1,2,...,N，从深度学习结合粒子群的建议性分布中采样得到并根据方程(3)计算重要性权重：

其中，表示第i个粒子t时刻的状态，y_1:t表示观测量，表示观测概率密度函数，表示转移概率密度函数，表示重要性概率密度函数；

步骤g3，对于i＝1,2,...,N，对重要性权重进行归一化，得到

步骤g4，重采样；

步骤g5，根据方程(4)估计每个时刻的状态量，获得最终的分割结果，表达式如下：

本发明具有如下有益效果：

(1)建立了用于图像分割的状态空间模型，将图像分割问题转换成了状态估计问题；

(2)采用深度学习结合粒子群优化算法的方法产生滤波的建议性分布，有效解决了粒子退化问题；

(3)该新型粒子滤波算法能够取得较为准确的图像分割结果；特别地，本发明已经成功应用于免疫层析试条图像处理，并实现定量检测，可为现场测定如临床诊断、环境检测、农业、食品安全检测及一些新兴领域比如分子诊断等提供一种新的、快速准确而有效的检测手段。

以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种基于新型粒子滤波算法的图像分割方法不局限于实施例。

附图说明

图1是本发明的方法流程图；

图2是基于新型粒子滤波算法的免疫层析试条图像分割结果图；

图3是基于新型粒子滤波算法的免疫层析试条定量检测实例结果图。

具体实施方式

下面结合附图和在基于图像的免疫层析试条定量检测上的具体实施例对本发明做进一步说明，参见图1所示，一种基于新型粒子滤波算法的图像分割方法，包括以下步骤：

步骤1，针对要分割的图像特点，建立相应的动态空间模型；

具体的，针对要分割的图像特点，建立包含转移方程和观测方程的动态空间模型，以目标区域边界上的序列点作为状态量，转移方程表示当前时刻与前一时刻之间状态量的关系，观测方程则反映当前时刻图像分割的效果。包括如下步骤：

11)确定状态量，将目标分割区域上下边界上的序列点作为状态量，序列长度为90，状态量的维度为2，则状态时序确定为{x_t|t∈90},x_t∈R²；

12)根据目标分割区域上下边界上的序列点之间的关系确定转移方程，设为x_t＝x_t-1+w_t-1，其中w_t-1表示均值为0，方差为2的高斯过程噪声；

13)结合两种图像分割的评价指标函数，类间方差对比度(CBCV)和区间一致性(UM)，确定观测模型从而反映图像分割的效果，其中：

CBCV(x_t)＝w₀×w₁×(μ₀-μ₁)² (5)

其中，f(m,n)表示像素点(m,n)的灰度值，和R₀分别表示分割区域和整个检测区域，和K₀分别表示分割区域和整个检测区域的像素点总数，w₀和w₁分别表示分割区域和背景区域所占整个检测区域的比例，μ₀和μ₁分别表示分割区域和背景区域像素的平均灰度值。

其中，β表示归一化因子。

则观测模型的方程为

f(x_t)＝αCBCV(x_t)+γUM(x_t) (8)

其中，α和γ分别表示CBCV和UM各自的权重因子。

观测分布p(y_t|x_t)为：

其中，y_t表示t时刻的观测量，∝表示正比于。

步骤2，采集训练图像，对其进行预处理，提取感兴趣区域；

具体的，采集若干不同浓度样品液的免疫层析试条图像作为训练图像集，并对其进行预处理，分别提取出包含检测线和质控线的目标区域的感兴趣区域，大小均为50×90。

步骤3，选择网络输入特征，以像素为样本单位，组建训练样本；

具体的，以像素点作为样本单位，根据图像特点，选取具有辨识力的网络输入特征，包含三个方面：领域内的灰度值(领域大小取13)、与中心点之间的距离、对比值(表征检测线或质控线与背景位置像素点灰度值的差值)，并对所有输入特征做归一化处理，取18张图片组建为训练样本，样本大小为18×4500×171。

步骤4，构建深度神经网络，输入训练样本完成网络训练；

具体的，构建适当的深度神经网络模型，取深信度网络，输入训练样本进行训练，并且根据图像分割效果来调节深度网络参数，从而确定深度网络模型。包括如下步骤：

41)构建基于受限玻尔兹曼机(RBM)的深信度神经网络模型，包括一个输入层、两个隐含层和一个输出层，其中，输入层节点数为171，隐含层节点数均为100，输出层节点数为2；

42)预训练阶段：训练样本输入到第1层RBM的可见层，通过逐层训练的方式对各层RBM进行训练，低一层RBM隐含层输出作为高一层RBM可见层的输入，每层RBM通过对比散度算法确定模型参数权重w_ij、输入层偏置a_i以及隐含层偏置b_j，即θ＝(w_ij,a_i,b_j)；

43)微调阶段：采用有监督学习方式对整个网络进行训练，将实际输出与预期输出的误差逐层向后传播，对深信度神经网络的参数进行微调；

44)根据图像分割效果调节和优化网络参数，完成深信度神经网络的训练。网络参数最终确定为：预训练和微调阶段的学习率均为1，mini-batch的大小分别为100和50，迭代次数为20。

步骤5，将待分割图像组建为测试样本，输入深度网络中，得到初始分割结果；

具体的，参照步骤3，将待分割图像以同种方式组建为测试样本，输入深度网络通过一次前向传播得到初始的分割结果Y。

步骤6，利用初始分割结果Y生成粒子群，并采用粒子群优化算法将其移动到高似然区域，得到的结果作为粒子滤波的建议性分布。具体包括如下步骤：

61)设置粒子种群大小为100，迭代次数为300，最大速度为2，初始化粒子速度v_i和粒子位置x_i，其中粒子的初始位置由深度学习得到的初始分割结果Y确定；

62)目标函数采用步骤1中的观测方程，其中参数α,γ分别取0.5和1000，此时某粒子对应的目标函数值越大，说明该粒子所处的位置越接近全局最优值；

63)利用方程(1)和方程(2)不断迭代更新每个粒子的速度和位置，其中惯性权重w取1.5，加速因子c₁和c₂均取2；

64)迭代结束，得到所有粒子的位置，将其作为新型粒子滤波算法的建议性分布

步骤7，递推估计得到每个时刻的状态量，根据估计的状态序列得出图像分割的最终结果。

具体的，根据建立的动态空间模型，采用含上述建议性分布的新型粒子滤波算法对状态量进行估计，得到最终的图像分割结果，具体步骤如下：

71)粒子集初始化，对于i＝1,2,...,100，由先验生成采样粒子

72)对于i＝1,2,...,100，从深度学习结合粒子群的建议性分布中采样得到并根据方程(3)计算每个粒子的重要性权重；

73)对于i＝1,2,...,100，对重要性权重进行归一化，得到

74)重采样；

75)根据方程(4)估计每个时刻的状态量，得到最终的分割结果。

进一步的，根据得到的图像分割结果计算待测样品液试条图像的特征量，根据样品液浓度与特征量之间的特定关系，得出待测物样品液的定量检测浓度值。

为了验证本发明方法在图像分割领域的效果，将其应用到基于图像的免疫层析试条定量检测上，对不同浓度的hCG样品液纳米金免疫层析试条图像进行分割，结果如图2、3所示。图2中左侧为试条的检测窗口，右侧为通过本方法的图像分割结果，可以看出，本方法能够取得较准确的分割效果。图3为根据图像分割的结果计算特征量，通过最小均方误差法拟合得到hCG-特征量直线，明显地，拟合直线的相关度很好，相关系数R²＝0.982，从而验证了本方法的准确性和应用性。

上述实施例仅用来进一步说明本发明的一种用于图像分割的新型粒子滤波算法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims (5)

1.一种基于新型粒子滤波算法的图像分割方法，其特点在于，包括：

步骤a，针对要分割的图像特点，建立包含转移方程和观测方程的动态空间模型，以目标区域边界上的序列点作为状态量；所述转移方程表示当前时刻与前一时刻之间状态量的关系，所述观测方程反映当前时刻图像分割的效果；

步骤b，采集若干相关图像作为训练图像集，并对其进行预处理，提取出包含目标区域的感兴趣区域；

步骤c，以像素点作为样本单位，根据图像特点，分析并选取具有辨识力的网络输入特征，做归一化处理组建为训练样本；所述网络输入特征包括领域内的灰度值、与中心点之间的距离和对比值；

步骤d，构建深度神经网络模型，取深信度网络，输入训练样本进行训练，并且根据图像分割效果来调节深度网络参数，确定深度网络模型；

步骤e，将待分割图像按照步骤c同样的方式组建为测试样本，输入深度网络模型通过一次前向传播得到初始的分割结果；

步骤f，利用初始分割结果生成粒子群，并采用粒子群优化算法将粒子移动到高似然区域，得到的结果作为粒子滤波的建议性分布；

步骤g，根据建立的动态空间模型，采用含上述建议性分布的新型粒子滤波算法对状态量进行估计，得到最终的图像分割结果。

2.根据权利要求1所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述步骤a具体包括：

步骤a1，确定状态量，将目标分割区域边界上的序列点作为状态量，设序列长度为T,状态量的维度为M，则状态时序确定为{x_t|t∈T},x_t∈R^M；其中，R^M表示M维实数空间；

步骤a2，根据目标分割区域上下边界上的序列点之间的关系确定状态转移模型，设为x_t＝f(x_t-1,w_t-1)，其中w_t-1表示过程噪声；

步骤a3，根据图像分割的评价指标确定观测模型，能够反映图像分割效果，设为y_t＝g(x_t,v_t)，其中v_t表示观测噪声。

3.根据权利要求2所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述步骤d具体包括：

步骤d1，构建基于受限玻尔兹曼机的深信度神经网络模型；所述深信度神经网络模型中输入层节点数与训练样本的输入特征的维数一致，输出层节点数与像素点的分类类别数一致，隐含层层数与节点数根据图像分割效果来确定；

步骤d2，预训练阶段，包括：训练样本输入到输入层，通过逐层训练的方式对各层结构进行训练，低一层隐含层输出作为高一层的输入；

步骤d3，微调阶段，包括：采用有监督学习方式对整个网络进行训练，将实际输出与预期输出的误差逐层向后传播，对深度神经网络的参数进行微调；

步骤d4，根据图像分割效果调节和优化网络参数，完成深度神经网络的训练。

4.根据权利要求3所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述步骤f包括：

步骤f1，初始化粒子种群大小、粒子速度v_i和粒子位置x_i，并且设置粒子群优化算法中的迭代次数和最大速度参数；其中粒子的初始位置由深度学习得到的初始分割结果确定；

步骤f2，目标函数采用步骤a中的观测方程，此时某粒子对应的目标函数值越大，说明该粒子所处的位置越接近全局最优值；

步骤f3，不断迭代更新每个粒子的速度和位置，表达式如下：

x_ij(k+1)＝x_ij(k)+v_ij(k+1) (2)

其中，ω表示惯性权重，c₁、c₂表示加速因子，r₁、r₂表示位于区间[0,1]之间的随机数，p_ij(k)表示第i个粒子的第j维向量的个体最优值，p_gj(k)表示第j维向量的全局最优值；

步骤f4，迭代结束，获得所有粒子的位置，将其作为新型粒子滤波算法的建议性分布。

5.根据权利要求4所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述包括g具体包括：

步骤g1，初始化粒子集，对于i＝1,2,...,N，由先验生成采样粒子其中，表示第i个粒子的初始状态；

步骤g2，对于i＝1,2,...,N，从深度学习结合粒子群的建议性分布中采样得到并根据方程(3)计算重要性权重：

其中，表示第i个粒子t时刻的状态，y_1:t表示观测量，表示观测概率密度函数，表示转移概率密度函数，表示重要性概率密度函数；

步骤g3，对于i＝1,2,...,N，对重要性权重进行归一化，得到

步骤g4，重采样；

步骤g5，根据方程(4)估计每个时刻的状态量，获得最终的分割结果，表达式如下：