【word】 基于改进的TGSOM图像分割算法研究.doc

基于改进的TGSOM图像分割算法研究第27卷第6期计算机仿真2010年6月文章编号:10069348(2010)060239一O5基于改进的TGSOM图像分割算法研究陈立潮,李鑫环,张英俊,赵勇(太原科技大学计算机科学与技术学院,山西太原030024)摘要:针对MRI图像的噪声较多,传统的SOFM必须预置参数,训练过程中网络结构固化,不能灵活调整及多小波需要进行预滤波等问题,为提高去噪效果,提出了一种基于改进的TGSOM的图像分割算法BTSOFM.在改进TGSOM基本模型的基础上,使用平衡多小波对MRI图像进行去噪处理,再用改进的TGSOM算法对小波系数金字塔进行逐层聚类,最后得到分割结果.仿真实验表明,算法不但加快了分割的速度,而且提高了聚类精确度,图像的可视化效果较好,分割效果得到明显改善.关键词:图像分割;平衡多小波变换;自组织特征映射;核磁共振图像中图分类号:.rPl83文献标识码:BAlgorithmofImageSegmentationBasedonImprovedTGSOMCHENLichao,LIXinhuan,ZHANGYingjan,ZHAOYong(InstituteofComputerScienceandTechnology,TaiyuanUniversityofScienceandTechnology,TaiyuanShanxi030024,China)ABSTRACT:AimstotheproblemthatMRIbrainimagesincludemuchnoiseandtraditionalSOFMisnotSOperfectinspeedandprecisionatpresent,amethodnamedBTSOFMisproposedinthispaper.ThisalgorithmbasesonimprovedthebasicTGSOMmodel,usesbalancedmultiwavelettransformtodenoisetheMRIimages,usestheim?provedTGSOMtoclusteringtheimagesandthengetsthesegmentedimage.EmulationexperimentindicatesthatBTSOFMnotonlymendsthespeedofthesegmentation,butalsoenhancestheaccuracyinclustering,andhasbettervisualizationeffect.Thesegmentedresultsareimprovedobviously.KEYWORDS:Imagesegmentation;Balancedmultiwavelettransform;Selforganizingfeaturemap;Magnetic1引言近年来,随着计算机断层成像,核磁共振成像,超声等新医学成像技术在辅助医疗诊断,术前计划,手术导航,术后监测以及远程医疗等环节的广泛应用,医学影像处理与分析已成为目前医学技术中发展最快,成果最显着的领域之一.核磁共振成像(MagneticResonanceImaging,MRI)没有任何辐射危险,可以对身体的任意部位进行平面成像,而且对软组织的影像对比度高,特别适合脑组织成像J,通过对MRI脑图像中脑白质,脑灰质和脑脊液等组织结构的准确分割在医学应用中具有重要意义.由于在成像过程中会受到许多因素的影响,导致MRI脑图像模糊和不均匀,这给准确分割带来很多困难,使用单一的分割方法往往存在这样或那样的收稿日期:20090326修回日期:20090508不足.因此人们致力于将多种方法相结合,以取得较好的分割结果.目前国内外对于自动或半自动MRI图像分割方法的研究主要集中在统计方法,c均值聚类方法,k近邻方法和神经网络方法等方面.但是由于磁共振图像的内在不确定性,导致一些半自动和全自动分割技术的临床应用效果不太理想.平衡多小波能同时满足正交性和对称性,具有比单小波分解更加精确,去噪效果更好的特点,而且平衡多小波将原信号分为偶数项和奇数项,然后合并构成初始向量,避免了复杂的预处理,节省了计算量,所以平衡多小波在图像处理方面越来越受到专家和学者的重视.自组织特征映射(SelforganizingFeatureMap,SOFM)是一种无监督的神经网络聚类算法,它能把高维的信息数据以有序方式映射到低维空间上,形成一种拓扑意义上的有序图,它比传统的有监督的方法更有优势.但是在使用SOFM模型时,竞争层神经元个数M预先指定,这种网络结构上的限制大大影响了网络的收敛.239.速度.解决这一问题的方法是网络结构在训练过程中动态地决定,这已成为当前各种新型SOFM的主导思想.本文提出了一种基于平衡多小波分析与改进的TGSOM模型的BT.SOFM(BalancedMultiwaveletTreegrowingSelforganizingFeatureMap,BTSOFM)算法:先采用平衡多小波对图像进行分解,建立多分辨率图像金字塔;然后对图像进行去噪处理,消除图像的噪声数据;最后从顶层开始采用改进的TGSOM模型进行聚类,直至最底层,最终得到对原图像的分割结果.仿真实验证明,BTSOFM算法不但提高了分割的精确度,而且提高了分割速度,分割结果的可视化效果较好.2小波分析在小波变换的单层分解中,如果使用单小波,图像被分解为四个子块,如图1(a)所示,其中在LH中的数据是通过对行做高通滤波,然后对列做低通滤波得到.而使用重数为2的多小波,由于有二个低通滤波器和二个高通滤波器,因此图像被分解为16个子块,如图1(b)所示,其中低频分量(LL.,L.,L.,IJ2L2)集中了多小波变换的绝大部分的能量.其结构与单小波包分解相似,其中在L.H:中的数据是把第二个高通滤波器作用于行,把第一个低通滤波器作用于列得到.对低频的数据再做多小波分解,可以得到一个塔式的数据结构.图l(C)是两级平衡多小波分解结果的示意图.LLLHHLHHLlL0LlL2bHLIHkLIkkkHlbH】HiLlH1IjHHJH正jlI2H1HiII(a)单小波分解多小波分解(c)平衡多小波分解结果图1小波分解示意图多小波是单小波的扩展,由多个尺度函数和小波函数构成,与单小波相比在构造上具有更大的自由度,且满足紧支撑性,对称性和正交性,这些性质可提供一个较好的能量压缩和更好的数据结构,在图像信息处理上能获得更优越的效果.多小波进行图像处理时要先对图像进行预滤波,在预滤波的过程中有时会破坏所设计的多小波已有的重要性质,为弥补这一缺陷,平衡多小波被引入,这种多小波在进行信号处理时可以不需要进行预滤波,并且显示出良好的应用前景.平衡多小波由Lebrun和Vetterli提出,其思想是直接对原始信号进行奇数项和偶数项进行分解,直接进行多小波变换,不需要进行预处理,节省了计算量.3图像去噪许多图像分割方法对图像噪声非常敏感,模式聚类更是如此,因此在进行图像分割前应该对图像进行消噪处理.平-240-衡多小波有着较好的去噪能力,首先对信号进行多小波分解,噪声部分通常包含在分解后的高频部分,根据噪声的先验知识,设置门限阈值对小波系数进行处理,最后对处理后的系数进行重构.这里的关键问题是阈值的处理,用于小波去噪的阈值处理方法主要有软阈值处理和硬阈值处理2种,软阈值处理为:,:f,I(1)【0lI<硬阈值处理为:.:fgn,I,II,I(2)【0l1<式(1)和式(2)中,i=1,r,k=0,M一1,=1,一一1,对于标量正交小波变换阈值根据文献,可取通用阈值T=log(N),其中or为噪声均方差,由于在实际去噪过程中无法事先知道,且噪声主要集中于细节信息,一般通过对小波变换第一分解级的小波细节系数方差进行估算得到.对于平衡多小波变换有多个小波函数,噪声经过预处理和多小波变换后,由于并非正交变换,因此各个小波细节系数向量的方差都不同,文献5取它们平均值作为估计噪声方差,耗费将对不同级不同小波系数分别取方差,并分别确定阈值=log(N),根据信号的平稳多小波的变换的第分解级的第i个小波细节系数向量进行估算.=(3)k=0,一1,i=1,r,由此可以得到阈值,利用式(1)或式(2)可以求得经过阈值处理后的小波系数,本文采用式(1).图2(a)是含有噪声的原始图像,(b)是消噪后的图像.图圈(a)有噪声的图像消噪后的图像图2平衡多小波消噪处理4图像的聚类分割4.1基本SOFM模型自组织特征映射SOFM模型可以用二维阵列表示,这种结构如图3所示.二维阵列神经网络由输入层和竞争层组成j.图中上层为输出层,输出层中的m个节点以二维形势排成一个节点矩阵,输出接点之间也可能实现局部连接,其中,每个输出接点表征输入样本的不同类别特性.输入层位于下方,若输入向量为n维,则输入节点有n个.每个输人节点与所有输出层节点通过权值实现全互联.输出层各个节点对输人模式的响应竞争通过侧抑制来实现.Xx2X图3SOFM网络模型输出层SOFM的学习算法可归纳如下:1)用小的随机值初始化连接权值:t=0,0<<1(4)2)对网络输入一个样本模式:=(Xl,X2,X)(5)3)计算与各个输出接点问的权值向量的距离,采用下式的最小欧式距离准则选择最佳匹配神经元i:厂一di(t)=(XivG(t)(6)4)选择有最小距离的节点作为竞争获胜节点,表征输入模式:d=min(d)(7)5)调整权值,使(t)中的各节点的连接权向量向.靠拢:()(Xi一(t)(¨(8wo=0J隹(t)其中,0<(t)<1为增益函数,随时间t递减.6)若还有输入样本则转到步骤2);当没有末输入样本输入,且满足:max(1(t+1)一Wq(t)I)<s(9)或者完成指定的学习次数时,算法结束,否则转步骤2).4.2改进的TGSOM算法针对传统的SOFM必须预置参数,训练过程中网络结构固化,不能灵活调整等问题,TGSOM模型采用灵活的树型结构,可以按需要方便地在任意合适的位置生成新的结点,提高了算法的执行效率.TGSOM算法中利用扩展因子sF来控制网络生长,实现层次聚类,但是TGSOM收敛的时间较长,而且GT的计算公式及聚类精度不同时sF值的选取都是经验性的.为了克服以上缺陷,本文从TGSOM模型出发,对节点生长的判定方法及网络训练的方式进行了改进,引入了映射比(MappingRatio,MR)方法.,它能自动地确定两个邻近映射单元之间稳定的映射及合适的映射规模,形成一个稳定的邻域拓扑结构.MR取值方式给出如下:1)对于非叶子节点,其MR值为其所有子孙节点MR值的均值.2)对于叶子节点i,其MR值为:MR:M/N,其中,M为映射到节点的输人向量数目,N为映射父节点的输入向量数目.3)某棵非空子树的MR值为其所有节点到根节点的加权MR值之和.MRr=MR.×k(10)iN其中N为子树的节点数,MR为第i个节点的MR值,k;为其权值,k;的值取节点i到根节点的距离的倒数.算法的执行过程中当SOFM能够很好地表示输入向量时,SOFM的训练结束,否则,将在最不稳定的一棵子树上插入新的节点,同时重新计算插入后各个节点的MR值.由于采用了加权MR值,使得生成树的形状能够保持稳定.改进的TGSOM算法如下:1)网络初始化过程对根节点的权值向量赋予0,1区间的随机值;输入向量集V中各向量应首先标准化至0,1区间,因此根节点的权值向量相应取自0,1区问.初始化根节点MR值.2)网络训练过程从V中随机或顺序地选取训练样本向量v.训练样本的输入顺序不同会导致所生成的网络结构不同,但不会影响聚类结果.从当前的网络结点中寻找v的最佳匹配节点N.根据MR计算方式,计算各节点MR值.如果存在兄弟节点的MR值比选定的N大则做权值调整;否则转做生长操作.根据式(4)调整邻域的权值.r()隹+I,1wi(Ji)+LR()×(I一埘()Jl(11)其中7(k)为学习率,以()为邻域函数.生成的一个新的子节点child,置lOehild=口.更新学习率竹(),(k+1)=(k)×a,其中为的调节因子,0<ol<1.重复,直到中全部样本训练完毕.3)重复2)进入下一个训练周期,直到结点的生成达到饱和为止,即网络中不再有新的结点生成.4)平滑过程减小LR以对网络中节点权值进行微调.寻找输入向量的Nb皓.并调整N.邻域的权值,方法同训练阶段.此阶段无新节点生成,目的是修正误差,尤其适用于在生长阶段后期生成的节点.4.3BTSOFM算法BTSOFM算法的基本思想是先对图像进行平衡多小波分解,得到小波系数金字塔,塔底是原始图像,自下而上的各层图像的分辨率以尺度2倍因子衰减;然后进行平衡多小波一24】一去噪处理;再用改进的TGSOM模型对所得小波系数金字塔进行聚类处理;对处理后的系数进行多小波逆变换及后置滤波处理,最终得到分割结果.算法的具体步骤描述如下:Stepl:首先对图像进行平衡多小波分析,得到小波系数金字塔.选择Lebrun2001年构造的二阶平衡多小波,其对应的滤波器为:,o93一-13v/2¨117+23=SHlS,H4=SIloS=6-2-1892+二114+一6Gl:SG1S,G4=SGS其中,S=diag1,一1】.双尺度函数和双小波函数不但具有正交,对称,二阶平衡条件,而且具有连续的导数;Step2:对图像进行平衡多小波去噪处理,消除图像中的噪声数据,有利于提高聚类的准确性;Step3:用改进的TGSOM模型对平衡多小波系数金字塔从顶层开始进行聚类处理,将网络权重传递给下层作为下层改进的TGSOM网络的初始权重(有利于加快收敛速度和提高准确性).在本算法中输入矢量由图像在(i,)像素点(图像的第i行列像素点)的特征属性组成,选取以下六个特征属性X1一X6的值组成一个6行1列的矢量l8J,作为DASOM网络的输入矢量:xl:(i,j)像素点的灰度值,(i,)X2:(i,j)像素点的水平x方向一阶梯度G(i,j):x3:(i,j)像素点的垂直Y方向一l介梯度G(i,j):X4:(i,j)像素点的对角方向梯度G(i):x5:(i,j)像素点的8邻域灰度均值M(i,j):x6:(i,j)像素点的8邻域灰度方差C(i,j)在确定完输入矢量之后,利用改进的TGSOM神经网络对多小波系数金字塔同一层的各个低通子图进行训练;step4:使用改进的TGSOM对各个低通子图进行聚类;Step5:聚类完成后,对上层进行平衡多小波逆变换,得到下层的低通子图;Step6:判断此时图像是否为最底层图像.如果是,转向step7;否则转向Step3;Step7:得到分割图像.2425仿真结果与分析实验的环境为:主频1.8G的CPU,512M内存,仿真环境为Mat|ab7.1.实验采用分辨率为512512的脑部MRI灰度图像,分别采用基本SOFM和BTSOFM两种算法对MR图像分割.通过实验可以发现,BTSOFM算法的分割图像无论是在平滑性,细节处理还是在边缘分割方面,都比SOFM算法的结果要好,分割的质量和精度都得到了很好的改善.由于动态SOFM的聚类结果数目准确并且不依赖于先验知识,模型的训练比传统的SOFM模型明显要少,训练效率得到明显提高.竞争层的网络结构在网络训练过程中逐步建立,因而,根据网络训练得到的经验知识确定竞争层神经元节点数目的过程,也就是网络结构趋于合理,聚类结果趋于优化的过程.所以BTSOFM算法不但加快了分割速度,而且提高了聚类的准确性,较好地保持了图像的完整性,可视化效果更直观.实验结果如图4至图8.圈图4原始图像图s感兴趣区域裁减图像图6去噪图像图7BTSOFM分割结果图8TGSOM分割结果6结束语MRI脑图像分割是脑神经科学研究的重要环节,目前还没有彻底解决.由于使用单一的分割方法往往存在这样或那样的不足,因此目前的研究热点趋于将多种方法结合起来.本文提出丁一种基于平衡多小波分析与改进的TGSOM相结合的BTSOFM算法,相对于基本的TGSOM算法,BTSOFM算法不但提高了图像的分割精度,而且提高了分割的速度,图像的可视化效果更好.本文算法处理的对象是灰度图像,然而在现实中也大量使用彩色图像,今后的工作应该考虑如何把神经网络方法应用于彩色图像分割.参考文献:1罗希平,等.图像分割方法综述J.模式识别与人工智能,1999,12(3):300312.2田捷,包尚联,周明全.医学影像处理与分析M.北京:电子9工业出版社,2003.1833.GYChen,TDBui.MultiwaveletdenoisingusingneighboringCO-effieientsJ.IEEESignalProcessingLetters,2003,10(7):211214.EPampalk,GWidmer,AChan.ANewApproachtoHierarchicalClusteringandStructuringofDataSelfOrganizingMapsJ.JournalofIntelligentDataAnalysis,2004,8(5):866875.王修信,胡维平.基于平衡正交多小波的超声图像降噪研究J.计算机工程与应用,2007,43(1):209211.TKohonen.TheSelforganizingMapsJ.ProceedingsoftheIEEE.1990,78(9):14641480.王莉,王正欧.TGSOM:一种用于数据聚类的动态自组织映射神经网络J.电子与信息,2003,25(3):313319.张建勋,张加万,孙济洲.基于小波分解与神经网络的图像分割方法J.系统仿真,2005,17(4):859862.JLebrun,MVetterli.Highorderbalancedmuhiwavelets:theory,factorizationanddesignJ.IEEETransonSP,2001,49(9):19181929.10EPampalk,GWidmer,AChan.ANewApproachtoHierarchicalClusteringandStructuringofDataSelfOrganizingMapsJ.JournalofIntelligentDataAnalysis,2004,8(5):123.作者简介陈立潮(1961一),男(汉族),山西万荣人,教授,硕士生导师,太原科技大学计算机学院院长,主要研究模式识别,人工智能,数据挖掘等.李鑫环(1982一),女(汉族),河南商丘人,硕士生,主要研究人工智能与模式识别.张英俊(1977一),男(汉族),山西运城人,硕士,高工,主要研究人工智能.赵勇(1983一),男(汉族),山东济南人,硕士研究生,主要研究人工智能与模式识别.(上接第233页)(约占进化过程的2/3,即第133代),I肌的值都比较大,反映出在这一时期抗体群具有良好的多样性;在进化过程的后期(即第3450代),I的值迅速减小,说明群体中各抗体之间的差异迅速减小,彼此相互集中并向最优解收敛.多样性指标I这样一种变化规律与期望的结果完全一致,说明引入可调参数仅和B达到了对进化过程中群体的多样性和算法的收敛速度进行最佳控制的目的,很好地平衡进化过程中群体的多样性和算法的收敛速度,既可以避免IGAE算法在进化初期和中期产生早熟收敛,又可以提高其收敛速度.6结论本文分析了目前常用经典算法存在的收敛速度慢等缺陷,针对这些问题,将免疫算法与遗传算法的浓度紧密结合,提出了新的抗体相似度,期望繁殖率以及克隆选择概率的定义方法和计算公式,并结合精英选择策略(elitismstrategy)提出了一种新的免疫遗传算法,简称为IGAE,并建立了IGAE数学模型.将这种改进的兔疫遗传算法应用到PID控制对象中进行仿真实验,通过与其他算法进行对比,表明该方法在工程控制中具有一定的可行性.参考文献:1李敏强,等.遗传算法的基本理论与应用M.北京:科学出版社,2002.2YujiWatanabe,AkioIshiguro,YoshikiUehikawa.DecentralizedBehaviorArbitrationMeehanismforAutonomousMobileR0b0tUsingImmuneNetworkInArtificialImmuneSystemsandtheirAp-plicationsJ.DasguptaD.(ed.),SpringerVerlag,1998.187209.ToyooFukuda,KazuyukiMoriandMakotoTsukiyama.ParallelSearchforMultiModalFunctionOptimizationwithDiversityandLearningofImmuneAlgorithmJ.InArtificialImmuneSystemsandTheirApplications,DipankarDasgupta(Ed.),Springer,1998.210220.DipankarDasguptaandHalBrian.MobileSecurityAgentsforNetworkTrafficAnalysisJ.IEEE0769512127/0,20o1.332340.何琳,等.最优保留遗传算法及其收敛性分析J.控制与决策,2000,15(1):6366.王伟,等.PID参数先进整定方法综述J.自动化,2000,26(3):347355.SLCheng.CHwang.DesigningPIDcontrollerswithaminimumIAEeriterionbyadifferentialevolutionalgoritllnlJ.ChemiealEngineeringCommunications.1998.83一ll5.DBhandari,CAMurthyandSKPa1.GeneticalgorithmwithelitistmodelanditsconvergenceJ.InternationalJoumalofPauernRecognitionandArtificialInteHigence,1996,10(6):731747.DPKwok,FSheng.GeneticalgorithmandsimulatedannealingforoptimalrobotannPIDcontrolC.inproceedingsoftheFirstIEEEConferenceonEvolutionaryComputation,Orlando,FLUSA,June2729.1994.707713.作者简介王曙霞(1975一),女(汉族),湖北荆门人,硕士,讲师,主要研究方向为网络安全与智能计算.朱三元(1970一),男(汉族),湖北孝昌人,硕士,讲师,主要研究方向为数据库与人工智能.涂俊英(1970一),女(汉族),湖北孝感人,硕士,讲师,主要研究方向为人工智能.243-