基于信息熵和遺傳算法的醫(yī)學圖像分割.pdf

1、近年來，隨著人們對自身健康的重視，醫(yī)學技術(shù)的發(fā)展成為人們共同關(guān)注的目標，醫(yī)學圖像處理作為醫(yī)學技術(shù)的一個重要組成部分得到了巨大的發(fā)展。醫(yī)學圖像由于成像模式影響、人體器官不規(guī)則性、患者檢查時體位偏離等原因常帶有噪聲和偽影，具有邊界模糊、強度不均勻的特性，較一般圖像更為復雜，這使得醫(yī)學圖像分割較一般圖像分割更具挑戰(zhàn)性。
　　 遺傳算法具有快速尋優(yōu)特性以及卓越的全局搜索能力。為了提高醫(yī)學圖像分割的效率以及性能，本文將遺傳算法運用于醫(yī)學圖

2、像分割領(lǐng)域，歸納了各類醫(yī)學圖像分割方法的原理和特點，總結(jié)了圖像分割的評價方法，概括了遺傳算法的數(shù)學模型、基本步驟、構(gòu)成要素和應(yīng)用領(lǐng)域。
　　 文中結(jié)合傳統(tǒng)閾值分割方法最大類間方差分割法(Otsu)，闡述了Otsu準則及二維Otsu準則的基本原理，實現(xiàn)了基于遺傳算法的Otsu分割方法，用最小偏態(tài)法、最小誤差法、Otsu法及基于遺傳算法的Otsu算法分別對顱腦圖像、脊髓圖像、胚胎細胞圖像進行仿真。仿真結(jié)果表明，基于遺傳算法的圖像分割

3、算法性能優(yōu)于傳統(tǒng)的閾值分割法，而相對于傳統(tǒng)的Otsu算法，基于遺傳算法的Otsu法分割質(zhì)量相當，而效率提高了將近50％。
　　 為了進一步提高分割算法的效率及性能，本文在基本遺傳算法的基礎(chǔ)上進行了改進。采用雙閾值分割，編碼由8位增加為16位，選擇操作采用10%精英策略及90%輪盤賭操作，交叉操作采用兩點交叉，在編碼的前8位和后8位分別隨機設(shè)置交叉點。為了使算法在搜索初期種群多樣性較大時有較大的交叉概率、變異概率，以增強全局搜索能