CN118052746A - 一种用于磁共振图像的增强处理方法 - Google Patents
一种用于磁共振图像的增强处理方法 Download PDFInfo
- Publication number
- CN118052746A CN118052746A CN202410456635.6A CN202410456635A CN118052746A CN 118052746 A CN118052746 A CN 118052746A CN 202410456635 A CN202410456635 A CN 202410456635A CN 118052746 A CN118052746 A CN 118052746A
- Authority
- CN
- China
- Prior art keywords
- hazelnut
- algorithm
- hazelnut tree
- magnetic resonance
- tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 235000007466 Corylus avellana Nutrition 0.000 claims abstract description 181
- 240000007582 Corylus avellana Species 0.000 claims abstract description 163
- 238000005457 optimization Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000013178 mathematical model Methods 0.000 claims abstract description 45
- 230000003044 adaptive effect Effects 0.000 claims abstract description 21
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 31
- 241000723382 Corylus Species 0.000 claims description 18
- 235000001543 Corylus americana Nutrition 0.000 claims description 15
- 235000013399 edible fruits Nutrition 0.000 claims description 11
- 239000003102 growth factor Substances 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种用于磁共振图像的增强处理方法,属于图像处理领域,包括:S1、对原始磁共振图像进行预处理,降低磁共振图像的噪声和伪影;S2、改进榛子树优化算法(IHTS)的位置更新更新数学模型和寻优机制,包括:改进榛子树优化算法的全局搜索阶段的生长率因子G和引入一种收敛逃脱策略;S3、利用改进后的榛子树优化算法(IHTS)整定自适应对比度增强算法的增益因子系数和窗口大小,得到IHTS‑ACE算法,利用IHTS‑ACE算法实现对磁共振图像的自适应增强,实验证明本方法对磁共振图像的增强有明显效果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种用于磁共振图像的增强处理方法。
背景技术
在磁共振图像增强领域中,现有的方法主要分为两大类:空间域方法和变换域方法。空间域方法对于改善图像的局部对比度和清晰度非常有效,但可能会引入一些噪声或伪影;变换域方法通常可以更好地保留图像的细节和纹理信息,但计算复杂度较高,实现起来相对复杂。
自适应对比度增强算法(ACE)是一种空间域方法,ACE算法在增强图像对比度的同时,可能会放大噪声,导致图像质量下降,这是因为ACE算法的性能往往受到增益系数、窗口大小参数选择的影响,如何选择合适的参数,使算法在各种情况下都能达到最佳效果,是一个挑战。
榛子树优化算法(Hazelnut Tree Search AlGorithm,简称HTS)是一种新颖的自然启发优化算法,用于解决参数优化问题。该算法模拟了在森林中寻找最佳榛子树的搜索过程,具有多智能体的特点,HTS算法由三个主要策略组成:生长、果实散播和根系传播。在生长阶段,树木在共享资源上相互竞争,以成长并提高其健康度;在果实散播阶段,HTS通过模拟榛子在森林周围的运动来进行探索;在根传播中,HTS通过对周围树木的根传播机制进行建模来执行利用。榛子树优化算法在生长策略存在寻优速度慢的缺陷,同时整个榛子树优化算法在迭代后期容易陷入局部最优。
一对一优化器(One-to-One Based Optimizer)是一种基于个体需求和特征的优化方法。与传统的批量处理方法不同,一对一优化器通过对每个个体的特征和需求进行深入分析,为每个个体设计出最优化的解决方案,其在局部收敛过程中性能很好,这种方法更加个性化和精细化。
通过HTS算法优化ACE算法,整定ACE算法的增益系数和窗口大小参数时,HTS能够遍历搜索空间,找到全局最优或接近全局最优的参数组合,从而确保ACE算法在各种情况下都能达到最佳增强效果,解决ACE算法在增强图像对比度的同时,可能会放大噪声,导致图像质量下降的问题。
发明内容
针对上述的技术问题,本技术方案提供了一种用于磁共振图像的增强处理方法,改进榛子树优化算法,提高榛子树优化算法的自适应性和鲁棒性,得到改进后的榛子树优化算法(IHTS),利用IHTS算法整定自适应对比度增强算法(ACE)的增益系数和窗口大小参数,得到IHTS-ACE算法,利用IHTS-ACE算法实现对磁共振图像的自适应增强。
为实现上述目的,本发明的技术方案为:
一种用于磁共振图像的增强处理方法,具体步骤如下。
S1、对原始磁共振图像进行预处理,降低磁共振图像的噪声和伪影。
S2、改进榛子树优化算法(IHTS)的位置更新数学模型和寻优机制,包括:
S21、改进榛子树优化算法的全局搜索阶段的生长率因子G,从而改进榛子树优化算法生长策略的位置更新数学模型;
S22、引入一种收敛逃脱策略,具体方式为:
S221、在榛子树优化算法的根系传播阶段融合一对一优化器(OOBO),改进榛子树优化算法的局部收敛的位置更新策略;
S222、引入收敛因子,当成立时,利用准反向搜索策略更新榛子树优化算
法种群位置,否则结束收敛逃脱策略。
S3、利用改进后的榛子树优化算法(IHTS)整定自适应对比度增强算法的增益因子
系数和窗口大小,得到IHTS-ACE算法,利用IHTS-ACE算法实现对磁共振图像的自适应增
强。
进一步地,步骤S21中,采用复合分段式的方法改进榛子树优化算法的全局搜索阶段的生长率因子G,改进后的生长率因子G数学模型公式为:
(1);
式中,为当前迭代次数,为榛子树优化算法最大迭代次数。
进一步地,利用改进后的生长率因子G改进生长策略的位置更新数学模型,生长策略公式为:
(2);
式中,为第次迭代的第个榛子树的位置,为第次迭代的第个榛子
树的位置。
进一步地,通过收敛逃脱策略改进榛子树优化算法(IHTS)的位置更新更新数学模
型和寻优机制,一对一优化器(OOBO),选择当前个体位置和当前迭代最优个体的位置,计算这两个个体的目标函数值,如果当前个体在搜索空间中的状态优于个体,则替换,否则保留当前迭代最优个体的位置,在榛子树优化算法的根系
传播阶段融合一对一优化器(OOBO)改进,改进后的榛子树优化算法局部开发策略数学模
型:
(3);
式中,为第个榛子树最新的位置,为第次迭代的第个榛子树的位置,为第次迭代的最优榛子树位置,为随机扰动系数,取值为0到1之间,,round为取整函数,为当前迭代榛子树优化算法的最优适应度
值,为当前迭代第i个榛子树的适应度值,为混沌映射在迭代t次时产生的混沌变量,为榛子树优化算法的寻优上界,为榛子树优化算法的寻优下界。
进一步地,改进后的榛子树优化算法的全局搜索阶段的生长率因子G,在迭代次
之前,保持较大值,便于榛子树优化算法的全局搜索,在迭代次之后,通过非线性递减的
方式,减小生长率因子G,便于局部开发阶段的收敛,通过改进后的生长率因子G改进榛子树
优化算法的生长阶段的位置更新策略。
进一步地,所述收敛因子由生长率因子G和当前迭代下的榛子树优化算法的最优
适应度值和最差适应度值决定,在迭代后期收敛过程中生长控制因子保持较小值,而榛
子树优化算法的最优适应度值和最差适应度值的差值也在不断缩小,若榛子树优化算法在
收敛过程中陷入局部最优,则最优适应度值和最差适应度值的差值近乎于0.1,生长率因子
G近乎0.3,此时收敛因子近乎于0.3;收敛因子数学模型公式为:
(4);
式中,为当前迭代榛子树优化算法的最差适应度值。
进一步地,当成立时,可以认为榛子树优化算法陷入局部最优,为了提高榛
子树优化算法寻优精度,通过准反向搜索策略更新榛子树优化算法种群位置,准反向搜索
策略的数学模型公式为:
(5);
式中,为第i个榛子树个体的第j维度的更新后的位置,为第i个榛子树
个体第j维榛子树的上下限位置的中心值,为的镜像反向解。
进一步地,所述步骤S3,利用改进后的榛子树优化算法(IHTS)整定自适应对比度
增强算法的增益因子系数和窗口大小,具体步骤为:
S31、初始化榛子树优化算法的参数,包括生长率因子G、结果率因子和结果率因
子最大值和最小值、最大迭代次数、当前迭代次数以及榛子树的初始位置;
S32、将自适应对比度增强算法的增益因子系数和窗口大小作为一个解集,每
个解集作为一个榛子树个体;
S33、评价每个增益因子系数和窗口大小的解集,分别计算熵值和灰度标准
方差,得到每个解集的适应度值;
S34、模拟榛子树的生长、果实散播和根系传播行为,建立榛子树位置更新的数学
模型,更新自适应对比度增强算法的增益因子系和窗口大小;
S35、计算当前迭代的榛子树个体位置的适应度值,保留最小的适应度值与全局最优适应度值比较,保留较小适应度值对应的榛子树个体位置;
S35、利用收敛逃脱策略,当成立时,利用准反向搜索策略更新榛子树优化
算法种群位置,跳出局部最优局限;
S36、当前迭代次数每次迭代自动加1,判断当前迭代是否满足,若是,则退
出榛子树优化算法寻优,将增益因子系数和窗口大小的最佳解集输出,否则,返回执行
步骤S33。
进一步地,自适应对比度增强算法(ACE)包括:将磁共振图像分成两部分:低频部
分和高频部分, 低频部分通过均值滤波求解得到,高频部分可通过磁共振原图与低频部分
做差得到,利用增益因子实现对图像高频部分的增强和放大;具体为,首先,对于磁共振图
像中的每个像素,计算其邻域内的均值和标准差,用于衡量像素周围的亮度和对比度;然
后,使用计算得到的均值和标准差来增强磁共振图像像素的对比度,增益因子系数通过
改进后的榛子树优化算法整定,最后,对增强后的像素值进行归一化,以确保它们落在一个
0到255的范围内,自适应对比度增强算法(ACE)数学模型公式为:
(6);
式中,为对比度增强算法的增益因子系数,对比度增强算法的窗口大小,
为原磁共振图像像素值,为像素(x,y)邻域的局部均值,为像素(x,y)邻域的
局部标准差,为增强后的磁共振图像像素值。
进一步地,模拟榛子树的生长、果实散播和根系传播行为,建立榛子树位置更新的数学模型,在根系传播阶段融合一对一优化器(OOBO)具体步骤为:
S341、模拟榛子树在拥挤环境下的生长,引入改进后的生长率因子G,按照公式(2)建立生长阶段位置更新数学模型;
S342、模拟榛子树的果实散播阶段的由落在地上的种子所产生的幼苗的位置的数学模型为公式(7):
(7);
式中,为第次迭代的第i个榛子树幼苗的位置,为使用Levy分布生成的随机
数,为第次迭代的最优榛子树位置;
S343、对榛子树位置和幼苗位置进行比较,得到两者中适应度值较好的位
置,作为榛子树最新位置;
S344、在根系传播阶段融合一对一优化器的局部收敛阶段的位置更新策略,按照
公式(3)建立榛子树位置更新的数学模型,更新自适应对比度增强算法的增益因子系数
和窗口大小。
进一步地,改进后的榛子树优化算法(IHTS)在对增益因子系数整定的过程中,适
应度函数是评价磁共振图像增强效果的重要标准,在发明算法中,将灰度标准方差和图像
信息熵融入适应度函数中,作为每个榛子树个体的寻优目标函数,适应度函数的数学模
型公式为:
(8);
式中,和为权重系数,满足+=1,为磁共振图像信息熵,衡量图像所
包含信息量的大小,为磁共振图像标准差,反应图像的对比度。
本发明的有益效果是:本发明在利用自适应对比度增强算法(ACE)去噪时,改进榛
子树优化算法的全局搜索阶段的生长率因子G,同时引入收敛逃脱策略,改进榛子树优化算
法的局部收敛的位置更新机制,提高榛子树优化算法的全局搜索速度和局部开发的精度,
提高榛子树优化算法跳出局部最优值的能力,利用改进后的榛子树优化算法对ACE算法的
增益因子系数和窗口大小整定,解决ACE算法在增强图像对比度的同时,可能会放大噪
声,导致图像质量下降的问题。
附图说明
图1为磁共振图像的增强处理方法步骤流程图。
图2为改进后的榛子树优化算法(IHTS)优化自适应对比度增强算法的流程图。
图3为改进前后榛子树优化算法的适应度对比图。
图4为原图像(a)与增强后的磁共振图像(b)的效果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-图4,本发明提供一种技术方案:
一种用于磁共振图像的增强处理方法,改进榛子树优化算法,提高榛子树优化算法的自适应性和鲁棒性,得到改进后的榛子树优化算法(IHTS),利用IHTS算法整定自适应对比度增强算法(ACE)的增益系数和窗口大小参数,得到IHTS-ACE算法,利用IHTS-ACE算法实现对磁共振图像的自适应增强,如图1所示,具体步骤如下。
S1、对原始磁共振图像进行预处理,降低磁共振图像的噪声和伪影。
S2、改进榛子树优化算法(IHTS)的位置更新数学模型和寻优机制,包括:
S21、改进榛子树优化算法的全局搜索阶段的生长率因子G,从而改进榛子树优化算法生长策略的位置更新数学模型;
S22、引入一种收敛逃脱策略,具体方式为:
S221、在榛子树优化算法的根系传播阶段融合一对一优化器(OOBO),改进榛子树优化算法的局部收敛的位置更新策略;
S222、引入收敛因子,当成立时,利用准反向搜索策略更新榛子树优化算
法种群位置,否则结束收敛逃脱策略。
S3、利用改进后的榛子树优化算法(IHTS)整定自适应对比度增强算法的增益因子
系数和窗口大小,得到IHTS-ACE算法,利用IHTS-ACE算法实现对磁共振图像的自适应增
强。
进一步地,步骤S21中,采用复合分段式的方法改进榛子树优化算法的全局搜索阶段的生长率因子G,改进后的生长率因子G数学模型公式为:
(1);
式中,为当前迭代次数,为榛子树优化算法最大迭代次数。
进一步地,利用改进后的生长率因子G改进生长策略的位置更新数学模型,生长策略公式为:
(2);
式中,为第次迭代的第个榛子树的位置,为第次迭代的第个榛子
树的位置。
进一步地,通过收敛逃脱策略改进榛子树优化算法(IHTS)的位置更新更新数学模
型和寻优机制,一对一优化器(OOBO),选择当前个体位置和当前迭代最优个体的位置,计算这两个个体的目标函数值,如果当前个体在搜索空间中的状态优于个体,则替换,否则保留当前迭代最优个体的位置,在榛子树优化算法的根系
传播阶段融合一对一优化器(OOBO)改进,改进后的榛子树优化算法局部开发策略数学模
型:
(3);
式中,为第个榛子树最新的位置,为第次迭代的第个榛子树的位置,为第次迭代的最优榛子树位置,为随机扰动系数,取值为0到1之间,,round为取整函数,为当前迭代榛子树优化算法的最优适应度
值,为当前迭代第i个榛子树的适应度值,为混沌映射在迭代t次时产生的混沌变量,为榛子树优化算法的寻优上界,为榛子树优化算法的寻优下界。
进一步地,改进后的榛子树优化算法的全局搜索阶段的生长率因子G,改进前的生
长率因子G在整个迭代过程中变化缓慢,不利于算法局部开发阶段的收敛,改进后的生长率
因子在迭代次之前,保持较大值,便于榛子树优化算法的全局搜索,在迭代次之后,通过
非线性递减的方式,减小生长率因子G,便于局部开发阶段的收敛,通过改进后的生长率因
子G改进榛子树优化算法的生长阶段的位置更新策略。
进一步地,所述收敛因子由生长率因子G和当前迭代下的榛子树优化算法的最优
适应度值和最差适应度值决定,在迭代后期收敛过程中生长控制因子保持较小值,而榛
子树优化算法的最优适应度值和最差适应度值的差值也在不断缩小,若榛子树优化算法在
收敛过程中陷入局部最优,则最优适应度值和最差适应度值的差值近乎于0.1,生长率因子
G近乎0.3,此时收敛因子近乎于0.3;收敛因子数学模型公式为:
(4);
式中,为当前迭代榛子树优化算法的最差适应度值。
进一步地,当成立时,可以认为榛子树优化算法陷入局部最优,为了提高榛
子树优化算法寻优精度,通过准反向搜索策略更新榛子树优化算法种群位置,准反向搜索
策略的数学模型公式为:
(5);
式中,为第i个榛子树个体的第j维度的更新后的位置,为第i个榛子树
个体第j维榛子树的上下限位置的中心值,为的镜像反向解。
进一步地,所述步骤S3,利用改进后的榛子树优化算法(IHTS)整定自适应对比度
增强算法的增益因子系数和窗口大小,如图2所示,具体步骤为:
S31、初始化榛子树优化算法的参数,包括生长率因子G、结果率因子和结果率因
子最大值和最小值、最大迭代次数、当前迭代次数以及榛子树的初始位置;
S32、将自适应对比度增强算法的增益因子系数和窗口大小作为一个解集,每
个解集作为一个榛子树个体;
S33、评价每个增益因子系数和窗口大小的解集,分别计算熵值和灰度标准
方差,得到每个解集的适应度值;
S34、模拟榛子树的生长、果实散播和根系传播行为,建立榛子树位置更新的数学
模型,更新自适应对比度增强算法的增益因子系和窗口大小;
S35、计算当前迭代的榛子树个体位置的适应度值,保留最小的适应度值与全局最优适应度值比较,保留较小适应度值对应的榛子树个体位置;
S35、利用收敛逃脱策略,当成立时,利用准反向搜索策略更新榛子树优化
算法种群位置,跳出局部最优局限;
S36、当前迭代次数每次迭代自动加1,判断当前迭代是否满足,若是,则退
出榛子树优化算法寻优,将增益因子系数和窗口大小的最佳解集输出,否则,返回执行
步骤S33。
进一步地,自适应对比度增强算法(ACE)包括:将磁共振图像分成两部分:低频部
分和高频部分, 低频部分通过均值滤波求解得到,高频部分可通过磁共振原图与低频部分
做差得到,利用增益因子实现对图像高频部分的增强和放大;具体为,首先,对于磁共振图
像中的每个像素,计算其邻域内的均值和标准差,用于衡量像素周围的亮度和对比度;然
后,使用计算得到的均值和标准差来增强磁共振图像像素的对比度,增益因子系数通过
改进后的榛子树优化算法整定,最后,对增强后的像素值进行归一化,以确保它们落在一个
0到255的范围内,自适应对比度增强算法(ACE)数学模型公式为:
(6);
式中,为对比度增强算法的增益因子系数,对比度增强算法的窗口大小,
为原磁共振图像像素值,为像素(x,y)邻域的局部均值,为像素(x,y)邻域的
局部标准差,为增强后的磁共振图像像素值。
进一步地,模拟榛子树的生长、果实散播和根系传播行为,建立榛子树位置更新的数学模型,在根系传播阶段融合一对一优化器(OOBO)具体步骤为:
S341、模拟榛子树在拥挤环境下的生长,引入改进后的生长率因子G,按照公式(2)建立生长阶段位置更新数学模型;
S342、模拟榛子树的果实散播阶段的由落在地上的种子所产生的幼苗的位置的数学模型为公式(7):
(7);
式中,为第次迭代的第i个榛子树幼苗的位置,为使用Levy分布生成的随机
数,为第次迭代的最优榛子树位置;
S343、对榛子树位置和幼苗位置进行比较,得到两者中适应度值较好的位
置,作为榛子树最新位置;
S344、在根系传播阶段融合一对一优化器的局部收敛阶段的位置更新策略,按照
公式(3)建立榛子树位置更新的数学模型,更新自适应对比度增强算法的增益因子系数
和窗口大小。
进一步地,改进后的榛子树优化算法(IHTS)在对增益因子系数整定的过程中,适
应度函数是评价磁共振图像增强效果的重要标准,在发明算法中,将灰度标准方差和图像
信息熵融入适应度函数中,作为每个榛子树个体的寻优目标函数,适应度函数的数学模
型公式为:
(8);
式中,和为权重系数,满足+=1,为磁共振图像信息熵,衡量图像所
包含信息量的大小,为磁共振图像标准差,反应图像的对比度。
具体实施中,首先在Matlab中完成对改进后榛子树优化算法程序设计,设置榛子
树优化算法的最大迭代次数=60,生长率因子G初始值为0.5、结果率因子=0.3和结果率
因子最大值=1和最小值=0.1,设置种群规模=50,榛子树优化算法的寻优上界
=10,榛子树优化算法的寻优下界=0;利用改进后榛子树优化算法整定自适应对比度增强
算法的增益因子系数和窗口大小,得到最佳增益因子系数=4,窗口大小=8.2,然后利用
优化后的自适应对比度增强算法对磁共振获取的图像进行增强处理。
如图3所示,改进前后榛子树优化算法的适应度对比图,适应度值越小,表示榛子树优化算法整定自适应对比度增强算法的增益因子系数和窗口大小的性能越好,从图中可以看出,改进后的榛子树优化算法(IHTS)相较于标准榛子树优化算法(HTS)适应度值下降速度更快,适应度值更小,说明改进后的榛子树优化算法整定自适应对比度增强算法的增益因子系数和窗口大小的性能更好。
如图4所示,原图像与增强后的磁共振图像的效果对比图,磁共振成像(MRI)的盆腔扫描图,显示了盆腔结构,增强后的磁共振成像(MRI)的盆腔图像(b)对比度更高,可以看到更为清晰的结构和界限,同时,原图像(a)有较多的噪声,增强后的磁共振成像(MRI)的盆腔图像噪声较少,更为平滑;增强后的磁共振成像(MRI)的盆腔图像更清晰,更能明显地看到的盆腔内直肠和淋巴结的变化。
Claims (9)
1.一种用于磁共振图像的增强处理方法,其特征在于,具体步骤包括:
S1、对原始磁共振图像进行预处理,降低磁共振图像的噪声和伪影;
S2、改进榛子树优化算法的位置更新数学模型和寻优机制,包括:
S21、对榛子树优化算法的全局搜索阶段的生长率因子G改进,从而改进榛子树优化算法生长策略的位置更新数学模型;
S22、引入一种收敛逃脱策略,具体方式为:
S221、在榛子树优化算法的根系传播阶段融合一对一优化器,改进榛子树优化算法的局部收敛的位置更新策略;
S222、引入收敛因子,当/>成立时,利用准反向搜索策略更新榛子树优化算法种群位置,否则结束收敛逃脱策略;
S3、利用改进后的榛子树优化算法整定自适应对比度增强算法的增益因子系数和窗口大小/>,通过整定后的自适应对比度增强算法实现对磁共振图像的自适应增强。
2.根据权利要求1所述的一种用于磁共振图像的增强处理方法,其特征在于,所述S2中,改进后的榛子树优化算法的全局搜索阶段的生长率因子G的数学模型公式为:
(1);
式中,为当前迭代次数,/>为榛子树优化算法最大迭代次数。
3.根据权利要求2所述的一种用于磁共振图像的增强处理方法,其特征在于,所述S2中,利用改进后的生长率因子G改进生长策略的位置更新数学模型,生长策略公式为:
(2);
式中,为第/>次迭代的第/>个榛子树的位置,/>为第/>次迭代的第/>个榛子树的位置。
4.根据权利要求3所述的一种用于磁共振图像的增强处理方法,其特征在于,所述S2中,收敛逃脱策略分为两步,步骤S221,将榛子树优化算法与一对一优化器融合,融合后的榛子树优化算法的局部收敛的位置更新策略数学模型为:
(3);
式中,为第/>个榛子树最新的位置,/>为第/>次迭代的第/>个榛子树的位置,/>为第/>次迭代的最优榛子树位置,/>为随机扰动系数,取值为0到1之间,,round为取整函数,/>为当前迭代榛子树优化算法的最优适应度值,/>为当前迭代第i个榛子树的适应度值,/>为混沌映射在迭代t次时产生的混沌变量,为榛子树优化算法的寻优上界,/>为榛子树优化算法的寻优下界。
5.根据权利要求4所述的一种用于磁共振图像的增强处理方法,其特征在于,所述S2中,步骤S222,收敛因子用于判断榛子树优化算法在寻优过程中是否陷入局部最优值,由生长率因子G和当前迭代下的榛子树优化算法的最优适应度值和最差适应度值决定,数学模型公式为:
(4);
式中,为当前迭代榛子树优化算法的最差适应度值。
6.根据权利要求5所述的一种用于磁共振图像的增强处理方法,其特征在于,所述S2中,步骤S222,准反向搜索策略的数学模型公式为:
(5);
式中,为第i个榛子树个体的第j维度的更新后的位置,/>为第i个榛子树个体第j维榛子树的上下限位置的中心值,/>为/>的镜像反向解。
7.根据权利要求1所述的一种用于磁共振图像的增强处理方法,其特征在于,所述步骤S3,自适应对比度增强算法,数学模型公式为:
(6);
式中,为对比度增强算法的增益因子系数,/>对比度增强算法的窗口大小,/>为原磁共振图像像素值,/>为像素(x,y)邻域的局部均值,/>为像素(x,y)邻域的局部标准差,/>为增强后的磁共振图像像素值。
8.根据权利要求1-7任意一项所述的一种用于磁共振图像的增强处理方法,其特征在于,所述S3中,利用改进后的榛子树优化算法整定自适应对比度增强算法的增益因子系数和窗口大小/>,具体步骤为:
S31、初始化榛子树优化算法的参数,包括生长率因子G、结果率因子和结果率因子最大值/>和最小值/>、最大迭代次数/>、当前迭代次数/>以及榛子树的初始位置/>;
S32、将自适应对比度增强算法的增益因子系数和窗口大小/>作为一个解集,每个解集作为一个榛子树个体;
S33、评价每个增益因子系数和窗口大小/>的解集,分别计算熵值/>和灰度标准方差,得到每个解集的适应度值;
S34、模拟榛子树的生长、果实散播和根系传播行为,建立榛子树位置更新的数学模型,更新自适应对比度增强算法的增益因子系和窗口大小/>;
S35、计算当前迭代的榛子树个体位置的适应度值,保留最小的适应度值与全局最优适应度值比较,保留较小适应度值对应的榛子树个体位置;
S35、利用收敛逃脱策略,当成立时,利用准反向搜索策略更新榛子树优化算法种群位置,跳出局部最优局限;
S36、当前迭代次数每次迭代自动加1,判断当前迭代/>是否满足/>,若是,则退出榛子树优化算法寻优,将增益因子系数/>和窗口大小/>的最佳解集输出,否则,返回执行步骤S33。
9.根据权利要求8所述的一种用于磁共振图像的增强处理方法,其特征在于,所述步骤S34,模拟榛子树的生长、果实散播和根系传播行为,建立榛子树位置更新的数学模型,在根系传播阶段融合一对一优化器具体步骤为:
S341、模拟榛子树在拥挤环境下的生长,引入改进后的生长率因子G,按照公式(2)建立生长阶段位置更新数学模型;
S342、模拟榛子树的果实散播阶段的由落在地上的种子所产生的幼苗的位置的数学模型为公式(7):
(7);
式中,为第/>次迭代的第i个榛子树幼苗的位置,/>为使用Levy分布生成的随机数,为第/>次迭代的最优榛子树位置;
S343、对榛子树位置和幼苗位置/>进行比较,得到两者中适应度值较好的位置,作为榛子树最新位置;
S344、在根系传播阶段融合一对一优化器的局部收敛阶段的位置更新策略,按照公式(3)建立榛子树位置更新的数学模型,更新自适应对比度增强算法的增益因子系数和窗口大小/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410456635.6A CN118052746B (zh) | 2024-04-16 | 一种用于磁共振图像的增强处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410456635.6A CN118052746B (zh) | 2024-04-16 | 一种用于磁共振图像的增强处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118052746A true CN118052746A (zh) | 2024-05-17 |
CN118052746B CN118052746B (zh) | 2024-07-05 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100183225A1 (en) * | 2009-01-09 | 2010-07-22 | Rochester Institute Of Technology | Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof |
CN110069817A (zh) * | 2019-03-15 | 2019-07-30 | 温州大学 | 一种基于改进灰鲸优化算法来构建预测模型的方法 |
CN111815650A (zh) * | 2020-07-01 | 2020-10-23 | 中原工学院 | 一种基于改进模糊c均值的脑磁共振图像分割方法 |
US20220327830A1 (en) * | 2014-02-28 | 2022-10-13 | Genius Sports Ss, Llc | Methods and systems of combining video content with one or more augmentations to produce augmented video |
WO2023150883A1 (en) * | 2022-02-11 | 2023-08-17 | The Hospital For Sick Children | System and method for classifying cancer and classifying benign and malignant neoplasm |
CN116681641A (zh) * | 2022-04-11 | 2023-09-01 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 一种基于生成对抗网络的眼底oct图像生成方法 |
CN117572254A (zh) * | 2023-12-07 | 2024-02-20 | 上海工程技术大学 | 一种基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100183225A1 (en) * | 2009-01-09 | 2010-07-22 | Rochester Institute Of Technology | Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof |
US20220327830A1 (en) * | 2014-02-28 | 2022-10-13 | Genius Sports Ss, Llc | Methods and systems of combining video content with one or more augmentations to produce augmented video |
CN110069817A (zh) * | 2019-03-15 | 2019-07-30 | 温州大学 | 一种基于改进灰鲸优化算法来构建预测模型的方法 |
CN111815650A (zh) * | 2020-07-01 | 2020-10-23 | 中原工学院 | 一种基于改进模糊c均值的脑磁共振图像分割方法 |
WO2023150883A1 (en) * | 2022-02-11 | 2023-08-17 | The Hospital For Sick Children | System and method for classifying cancer and classifying benign and malignant neoplasm |
CN116681641A (zh) * | 2022-04-11 | 2023-09-01 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 一种基于生成对抗网络的眼底oct图像生成方法 |
CN117572254A (zh) * | 2023-12-07 | 2024-02-20 | 上海工程技术大学 | 一种基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
喻祥 等;: "自适应多策略粒子群优化算法的研究综述", 南昌工程学院学报, no. 03, 28 June 2016 (2016-06-28) * |
朱作付 等;: "一种微分进化算法的图像增强方法", 软件导刊, no. 01, 30 January 2011 (2011-01-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jeng et al. | Simulated annealing in compound Gaussian random fields (image processing) | |
CN110443364A (zh) | 一种深度神经网络多任务超参数优化方法及装置 | |
CN112614077A (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
CN107730516A (zh) | 一种基于模糊聚类的脑mr影像分割方法 | |
CN109903251B (zh) | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 | |
CN114693935A (zh) | 一种基于自动数据增广的医学图像分割方法 | |
CN103918004A (zh) | 金属伪影校正算法的自适应应用 | |
CN113392971A (zh) | 策略网络训练方法、装置、设备及可读存储介质 | |
CN111144581A (zh) | 一种机器学习超参数调节方法及系统 | |
CN118052746B (zh) | 一种用于磁共振图像的增强处理方法 | |
CN112784493A (zh) | 基于自适应深度q网络的地理空间预测方法及系统 | |
CN118052746A (zh) | 一种用于磁共振图像的增强处理方法 | |
Li et al. | A novelty harmony search algorithm of image segmentation for multilevel thresholding using learning experience and search space constraints | |
CN106447659B (zh) | 一种基于多重判定的区域生长检测方法 | |
CN101908204B (zh) | 一种用于消除磁共振图像Gibbs环形伪影的逆扩散方法 | |
CN112258420B (zh) | 基于dqn的图像增强处理方法及装置 | |
CN110210548A (zh) | 一种基于强化学习的图片动态自适应压缩方法 | |
Tan et al. | Parameter tuning in modeling and simulations by using swarm intelligence optimization algorithms | |
CN116931103A (zh) | 一种基于布谷鸟算法的电磁数据反演方法及系统 | |
CN112927164B (zh) | 一种基于深度卷积神经网络的无参考低照度图像增强方法 | |
US20240024756A1 (en) | Learning device, estimation device, learning method, and learning program | |
CN117237241B (zh) | 染色体增强参数调整方法及装置 | |
CN111461282A (zh) | 一种基于改进量子行为粒子群算法的模型辨识方法 | |
JP2021170999A (ja) | 追肥量演算装置、追肥量演算方法および追肥量演算プログラム | |
CN112597391B (zh) | 一种基于动态递归机制的分层强化学习的推荐系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |