粒子群優(yōu)化算法及其在醫(yī)學(xué)圖像中的應(yīng)用研究.pdf

1、粒子群優(yōu)化算法(PSO，Particle swarm optimization)是通過(guò)粒子間相互作用來(lái)發(fā)現(xiàn)復(fù)雜搜索空間中最優(yōu)區(qū)域。它簡(jiǎn)單容易實(shí)現(xiàn)且功能強(qiáng)大，已經(jīng)成為國(guó)際演化計(jì)算界研究的熱點(diǎn)。論文在總結(jié)了已有的研究成果基礎(chǔ)上，開展了粒子群優(yōu)化算法及其在醫(yī)學(xué)圖像中的應(yīng)用的研究，具體內(nèi)容如下:
　　(1)介紹了醫(yī)學(xué)圖像分割研究背景和意義，簡(jiǎn)要介紹了現(xiàn)有的醫(yī)學(xué)圖像分割的方法，進(jìn)行了分類和比較;簡(jiǎn)要介紹了粒子群優(yōu)化算法的基本原理及其研究現(xiàn)狀

2、，歸納了粒子群優(yōu)化算法發(fā)展過(guò)程中的改進(jìn)算法，例如慣性權(quán)重、收斂因子等模型，比較了一些常用測(cè)試函數(shù)及其演化算法。在這個(gè)基礎(chǔ)上著重研究了MATLAB環(huán)境中粒子群優(yōu)化算法的仿真方法，主要包括數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)、進(jìn)化信息跟蹤以及參數(shù)設(shè)定等關(guān)鍵內(nèi)容。然后，對(duì)三個(gè)典型的測(cè)試函數(shù)Rastrigin、Rosenbrock和Griewank進(jìn)行了基于慣性權(quán)值因子遞減的優(yōu)化試驗(yàn)，得到了不同的結(jié)果并進(jìn)行了分析討論。標(biāo)準(zhǔn)粒子群算法中，當(dāng)使慣性權(quán)重因子w在迭代的過(guò)程中

3、線性遞減時(shí)，函數(shù)的收斂性得到了很大的改善，Griewank函數(shù)已經(jīng)基本全部能收斂于最優(yōu)值。
　　(2)大津法（Otsu算法）是目前運(yùn)用較多的圖像分割方法，是一種實(shí)現(xiàn)簡(jiǎn)單、效果較好的閾值分割方法。但當(dāng)目標(biāo)與背景比例較大、或者信噪比較低時(shí)，大津法的分割精度較差。本文將分析一維和二維的大津法，將其分別應(yīng)用于醫(yī)學(xué)圖像的分割并進(jìn)行比較，然后結(jié)合粒子群優(yōu)化算法，將其應(yīng)用于醫(yī)學(xué)圖像的分割，將其結(jié)果與前兩種算法比較。實(shí)驗(yàn)證明，粒子群優(yōu)化算法(PS