遗传蚁群算法在医学图像分割中的应用研究

摘要

图像分割是图像处理和分析领域的经典难题。医学图像分割是图像分割中的一个重要应用。
　　遗传算法GA(Genetic Algorithm)是在遗传理论和自然选择的基础上，结合了生物进化中的适者生存规则和群体内部染色体的随机交换机制，是一种全局寻优搜索算法。遗传算法虽然具有很好的全局搜索能力，但是没有利用系统中的反馈信息，往往导致大量无用的冗余迭代，局部搜索能力较弱，求解效率低。
　　蚁群算法AC(Ant Colony)是一种基于种群的启发式算法。该方法源自与对于真实蚁群和它们的集体觅食行为的观察。蚁群算法充分利用了信息素的正反馈机制，局部搜索能力较强。但是由于搜索初期信息素匮乏，导致搜索初期信息素积累时间较长，求解速度慢。随着问题规模的扩大，蚁群算法的搜索时间较长，求解速度较慢，还容易收敛于局部最优解而导致算法早熟。
　　遗传蚁群算法(GAAC)是将GA和AC相融合，其基本思想是吸取两种算法在求解最优解问题中的优势，克服其各自的劣势，优势互补。该算法在求最优解效率上优于遗传算法，在时间效率上优于蚁群算法，是求解效率和时间效率都比较好的一种新的启发式算法。

目录

声明

摘要

第一章 绪论

1．1 医学图像分割的研究背景与意义

1．2 磁共振成像

1．3 最大类间方差函数

1．4 本文工作安排及章节安排

第二章 图像分割方法

2．1 传统的分割方法

2．1．1 基于阈值的分割方法

2．1．2 基于边缘的分割方法

2．1．3 基于区域的分割方法

2．2 结合特定理论工具的分割方法

2．2．1 基于活动轮廓模型的方法

2．2．2 基于遗传算法的方法

2．2．3 基于小波变换的方法

2．2．4 基于信息论的方法

2．2．5 基于模糊分割的方法

2．2．6 基于神经网络的方法

2．2．7 医学图像分割的其它方法

2．3 医学图像分割方法的评估

第三章 遗传算法与医学图像分割

3．1 遗传算法简介

3．1．1 遗传算法的基本思想

3．1．2 遗传算法的理论分析

3．2 遗传算法的特点

3．3 遗传算法的应用情况

3．4 用遗传算法实现医学图像的分割

3．4．1 算法的实现步骤

3．4．2 遗传算法的流程图

3．4．3 实验结果及分析

第四章 蚁群算法与医学图像分割

4．1 蚁群算法简介

4．1．1 蚁群算法的基本思想

4．1．2 蚁群算法的理论分析

4．2 蚁群算法的特点

4．3 蚁群算法的应用情况

4．4 蚁群算法的改进算法

4．4．1 带精英策略的蚂蚁系统

4．4．2 蚁群系统

4．4．3 最大-最小蚂蚁系统

4．4．4 自适应蚁群算法

4．5 用蚁群算法实现医学图像的分割

4．5．1 蚁群算法的流程图

4．5．2 算法的实现步骤

4．5．3 实验结果及分析

第五章 遗传蚁群算法与医学图像分割

5．1 遗传算法和蚁群算法融合的原理

5．3 算法的流程图

5．2 算法的实现步骤

5．4 实验结果及分析

5．5 三种算法对比

第六章 总结与展望

致谢

参考文献

研究成果