融合量子衍生及DNA计算速率的智能算法在图像分割中的研究

摘要

图像分割是图像处理领域由低层次到高层次的任务之一，是一种基本的图像处理技术，是图像处理过程中的基本问题和难点问题，对处理后的图像数据进行相关的分析及理解依赖于图像分割后的准确数据。该技术的研究涉及机器学习、人工智能、计算机视觉、模式识别、以及数字图像处理等，是多种学科交叉融合处理具体问题的典型。随着图像分割技术的不断深入研究，也会推动相关学科的发展和成熟，促进人们解决类似复杂问题的研究方法。同时分割结果的应用涉及实际生活的各个方面，加之人们对图像分割准确性及实时性的要求越来越高。因此，图像分割技术的研究显得尤为重要。到目前为止，仍然不存在具有普遍适用的分割理论，通常采用具体对象具体解决的方法。本文重点就智能算法应用于医学图像分割时，存在的分割不准确及实时性较差等缺点，从分析普通智能算法机理入手，深入研究量子理论，结合量子理论的优点，设计量子衍生智能算法，并应用于图像分割。主要研究工作如下：
　　（1）通过对蚁群算法原理的分析，明确蚁群算法具有较好的鲁棒性、正反馈机制以及良好的并行性；通过对蚁群算法性能的分析，明确该算法用于图像分割时表现出的早熟、停滞的现象及运算时间长的问题，使得图像分割问题得不到准确解。为解决此问题，对蚁群算法进行量子化；为解决初始阶段算法收敛速度慢，很难在大量候选解中快速找出较好解的问题，利用混沌优化形成初始信息素分布，对算法进行优化以加快收敛速度，最后给出了用于图像分割的算法流程，并对算法的收敛性进行了证明。通过标准测试函数及具体图像分割实验，验证了该算法的有效性。
　　（2）MR图像广泛应用于医学临床辅助诊断中，但脑部MR图像中包括脑灰质、脑白质、脑脊液等多种组织，每种组织结构形状复杂、组织边界不清晰、灰度分布不均匀等特点，决定了其分割的复杂性。普通模糊聚类分割算法依赖于初始参数的设定，效果并不尽人意。针对此问题，将模糊聚类算法与量子蚁群算法相结合，利用量子蚂蚁搜索空间的多样性以及收敛速度快的优点，得到目标函数最优值，再将其作为改进模糊聚类算法的初始参数值，对图像进行分割。通过实验分析，以及常用模糊聚类算法客观评价准则计算，验证了该方法的有效性。
　　（3）医学CT图像中病灶及感兴趣区域的分割是后续治疗的关键，基于最大熵的阈值法是应用广泛的一种分割算法。但一维最大熵阈值分割法并不适合CT图像肿瘤靶区的准确分割要求。许多研究者利用图像更多的局部空间信息提出了二维或更高维熵的阈值分割法，这种方法要不断重复计算熵值，其计算耗时过多，难以用于实时图像处理系统。基于此，提出一种改进的量子克隆进化算法，利用量子空间的多样性丰富种群信息，在传统进化算法中引入克隆算子和量子变异，搜索二维Tsallis熵最优阈值，给出了算法总体流程，并将其用于CT图像的分割中。仿真实验分析证明，与传统进化算法相比，提高了算法的收敛速度，有效避免了传统进化算法易陷入局部极值的问题，分割效果良好，可以满足医学图像三维重建要求。
　　（4）评价分割算法的优劣不仅取决于分割精度，还取决于分割速度。随着图像分辨率越来越高，普通智能算法应用于图像分割领域时的实时性很难保证。因此，有必要在保证算法分割精度不降低的前提下，融合新型计算方法以提高智能算法的寻优速度。基于此，提出一种新型DNA计算方法改进的量子遗传算法，将生化反应速率的DNA计算引入量子遗传算法。利用DNA编码，同时引入置换自适应交叉算子和密码子变异算子对遗传算法进行改进，将其算法用于寻找二维熵的最佳阈值，然后对图像进行分割，标准测试图像及医学图像分割实验证明该方法在保证分割精度不降低的前提下有效提高了分割的速度。
　　综上所述，论文就图像分割中广泛使用的智能算法进行了深入分析，研究了基于量子衍生智能算法及融合DNA计算速率的遗传算法在图像分割中的应用，通过标准图像及医学图像仿真实验比较，本文方法在分割的精度及速度方面获得了较好的效果。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究背景及意义

1.2 图像分割方法综述

1.3 课题研究的国内外现状

1.4 课题来源

1.5 论文主要研究工作

2量子理论相关知识

2.1 量子力学假设

2.2 量子比特

2.3 量子比特的测量

2.4 量子门

2.5 本章小结

3 基于量子蚁群算法的图像分割

3.1 蚁群算法分析

3.2量子蚁群算法

3.3 混沌量子蚁群算法

3.4 仿真结果及结论

3.5 本章小结

4 基于量子蚁群模糊聚类算法的脑部MR图像分割

4.1 聚类算法分析

4.2脑部MR图像分割概述

4.3 分割评价准则

4.4 基于量子蚁群算法的FCM分割方法

4.5 分割算法流程

4.6 实验结果及分析

4.7 本章小结

5 融合量子克隆进化与Tsallis熵的CT图像分割算法

5.1 Tsallis熵

5.2 二维Tsallis熵阈值法

5.3 CT图像分割概述

5.4 量子进化算法及改进

5.5 改进的QEA分割算法流程

5.6 实验结果及结论

5.7 本章小结

6 基于生化反应速率的图像阈值分割算法

6.1 Arimoto熵阈值分割法

6.2 遗传算法

6.3 DNA计算

6.4 改进的DNA-GA分割算法

6.5 DNA-GA分割算法流程

6.6实验结果及结论

6.7 本章小结

结论与展望

参考文献

致谢

攻读学位期间的研究成果