本發(fā)明涉及圖像處理和智能算法技術(shù)領(lǐng)域，具體是一種基于新型粒子濾波算法的圖像分割方法。

背景技術(shù)：

粒子濾波通過(guò)蒙特卡洛模擬方法來(lái)實(shí)現(xiàn)遞推貝葉斯濾波，適用于任何能用狀態(tài)空間模型描述的非線性系統(tǒng)，由于其具有簡(jiǎn)單、易實(shí)現(xiàn)等特點(diǎn)，目前已經(jīng)廣泛應(yīng)用于目標(biāo)跟蹤、信號(hào)處理、自動(dòng)控制以及圖像分割等領(lǐng)域。然而，傳統(tǒng)的粒子濾波采用轉(zhuǎn)移概率密度函數(shù)生成建議分布，并沒(méi)有考慮最新觀測(cè)數(shù)據(jù)提供的信息，從中抽取的樣本與真實(shí)后驗(yàn)分布產(chǎn)生的樣本存在一定的偏差，從而造成粒子的退化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)之不足，提出一種基于新型粒子濾波算法的圖像分割方法，所述方法將圖像分割問(wèn)題轉(zhuǎn)化成狀態(tài)估計(jì)問(wèn)題，算法采用深度學(xué)習(xí)和粒子群優(yōu)化算法產(chǎn)生建議性分布，能夠有效解決濾波中粒子退化的問(wèn)題，得到較為準(zhǔn)確的狀態(tài)估計(jì)，從而實(shí)現(xiàn)圖像分割。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：

一種基于新型粒子濾波算法的圖像分割方法，包括：

步驟a，針對(duì)要分割的圖像特點(diǎn)，建立包含轉(zhuǎn)移方程和觀測(cè)方程的動(dòng)態(tài)空間模型，以目標(biāo)區(qū)域邊界上的序列點(diǎn)作為狀態(tài)量；所述轉(zhuǎn)移方程表示當(dāng)前時(shí)刻與前一時(shí)刻之間狀態(tài)量的關(guān)系，所述觀測(cè)方程反映當(dāng)前時(shí)刻圖像分割的效果；

步驟b，采集若干相關(guān)圖像作為訓(xùn)練圖像集，并對(duì)其進(jìn)行預(yù)處理，提取出包含目標(biāo)區(qū)域的感興趣區(qū)域；

步驟c，以像素點(diǎn)作為樣本單位，根據(jù)圖像特點(diǎn)，分析并選取具有辨識(shí)力的網(wǎng)絡(luò)輸入特征，做歸一化處理組建為訓(xùn)練樣本；所述網(wǎng)絡(luò)輸入特征包括領(lǐng)域內(nèi)的灰度值、與中心點(diǎn)之間的距離和對(duì)比值；

步驟d，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，取深信度網(wǎng)絡(luò)，輸入訓(xùn)練樣本進(jìn)行訓(xùn)練，并且根據(jù)圖像分割效果來(lái)調(diào)節(jié)深度網(wǎng)絡(luò)參數(shù)，確定深度網(wǎng)絡(luò)模型；

步驟e，將待分割圖像按照步驟c同樣的方式組建為測(cè)試樣本，輸入深度網(wǎng)絡(luò)模型通過(guò)一次前向傳播得到初始的分割結(jié)果；

步驟f，利用初始分割結(jié)果生成粒子群，并采用粒子群優(yōu)化算法將粒子移動(dòng)到高似然區(qū)域，得到的結(jié)果作為粒子濾波的建議性分布；

步驟g，根據(jù)建立的動(dòng)態(tài)空間模型，采用含上述建議性分布的新型粒子濾波算法對(duì)狀態(tài)量進(jìn)行估計(jì)，得到最終的圖像分割結(jié)果。

所述步驟a具體包括：

步驟a1，確定狀態(tài)量，將目標(biāo)分割區(qū)域邊界上的序列點(diǎn)作為狀態(tài)量，設(shè)序列長(zhǎng)度為t,狀態(tài)量的維度為m，則狀態(tài)時(shí)序確定為{xt|t∈t},xt∈r^m；其中，r^m表示m維實(shí)數(shù)空間；

步驟a2，根據(jù)目標(biāo)分割區(qū)域上下邊界上的序列點(diǎn)之間的關(guān)系確定狀態(tài)轉(zhuǎn)移模型，設(shè)為xt＝f(xt-1,wt-1)，其中wt-1表示過(guò)程噪聲；

步驟a3，根據(jù)圖像分割的評(píng)價(jià)指標(biāo)確定觀測(cè)模型，能夠反映圖像分割效果，設(shè)為yt＝g(xt,vt)，其中vt表示觀測(cè)噪聲。

所述步驟d具體包括：

步驟d1，構(gòu)建基于受限玻爾茲曼機(jī)的深信度神經(jīng)網(wǎng)絡(luò)模型；所述深信度神經(jīng)網(wǎng)絡(luò)模型中輸入層節(jié)點(diǎn)數(shù)與訓(xùn)練樣本的輸入特征的維數(shù)一致，輸出層節(jié)點(diǎn)數(shù)與像素點(diǎn)的分類類別數(shù)一致，隱含層層數(shù)與節(jié)點(diǎn)數(shù)根據(jù)圖像分割效果來(lái)確定；

步驟d2，預(yù)訓(xùn)練階段，包括：訓(xùn)練樣本輸入到輸入層，通過(guò)逐層訓(xùn)練的方式對(duì)各層結(jié)構(gòu)進(jìn)行訓(xùn)練，低一層隱含層輸出作為高一層的輸入；

步驟d3，微調(diào)階段，包括：采用有監(jiān)督學(xué)習(xí)方式對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將實(shí)際輸出與預(yù)期輸出的誤差逐層向后傳播，對(duì)深度神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)；

步驟d4，根據(jù)圖像分割效果調(diào)節(jié)和優(yōu)化網(wǎng)絡(luò)參數(shù)，完成深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

所述步驟f包括：

步驟f1，初始化粒子種群大小、粒子速度vi和粒子位置xi，并且設(shè)置粒子群優(yōu)化算法中的迭代次數(shù)和最大速度參數(shù)；其中粒子的初始位置由深度學(xué)習(xí)得到的初始分割結(jié)果確定；

步驟f2，目標(biāo)函數(shù)采用步驟a中的觀測(cè)方程，此時(shí)某粒子對(duì)應(yīng)的目標(biāo)函數(shù)值越大，說(shuō)明該粒子所處的位置越接近全局最優(yōu)值；

步驟f3，不斷迭代更新每個(gè)粒子的速度和位置，表達(dá)式如下：

xij(k+1)＝xij(k)+vij(k+1)(2)

其中，ω表示慣性權(quán)重，c1、c2表示加速因子，r1、r2表示位于區(qū)間[0,1]之間的隨機(jī)數(shù)，pij(k)表示第i個(gè)粒子的第j維向量的個(gè)體最優(yōu)值，pgj(k)表示第j維向量的全局最優(yōu)值；

步驟f4，迭代結(jié)束，獲得所有粒子的位置，將其作為新型粒子濾波算法的建議性分布。

所述包括g具體包括：

步驟g1，初始化粒子集，對(duì)于i＝1,2,...,n，由先驗(yàn)生成采樣粒子其中，表示第i個(gè)粒子的初始狀態(tài)；

步驟g2，對(duì)于i＝1,2,...,n，從深度學(xué)習(xí)結(jié)合粒子群的建議性分布中采樣得到并根據(jù)方程(3)計(jì)算重要性權(quán)重：

其中，表示第i個(gè)粒子t時(shí)刻的狀態(tài)，y1:t表示觀測(cè)量，表示觀測(cè)概率密度函數(shù)，表示轉(zhuǎn)移概率密度函數(shù)，表示重要性概率密度函數(shù)；

步驟g3，對(duì)于i＝1,2,...,n，對(duì)重要性權(quán)重進(jìn)行歸一化，得到

步驟g4，重采樣；

步驟g5，根據(jù)方程(4)估計(jì)每個(gè)時(shí)刻的狀態(tài)量，獲得最終的分割結(jié)果，表達(dá)式如下：

本發(fā)明具有如下有益效果：

(1)建立了用于圖像分割的狀態(tài)空間模型，將圖像分割問(wèn)題轉(zhuǎn)換成了狀態(tài)估計(jì)問(wèn)題；

(2)采用深度學(xué)習(xí)結(jié)合粒子群優(yōu)化算法的方法產(chǎn)生濾波的建議性分布，有效解決了粒子退化問(wèn)題；

(3)該新型粒子濾波算法能夠取得較為準(zhǔn)確的圖像分割結(jié)果；特別地，本發(fā)明已經(jīng)成功應(yīng)用于免疫層析試條圖像處理，并實(shí)現(xiàn)定量檢測(cè)，可為現(xiàn)場(chǎng)測(cè)定如臨床診斷、環(huán)境檢測(cè)、農(nóng)業(yè)、食品安全檢測(cè)及一些新興領(lǐng)域比如分子診斷等提供一種新的、快速準(zhǔn)確而有效的檢測(cè)手段。

以下結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明，但本發(fā)明的一種基于新型粒子濾波算法的圖像分割方法不局限于實(shí)施例。

附圖說(shuō)明

圖1是本發(fā)明的方法流程圖；

圖2是基于新型粒子濾波算法的免疫層析試條圖像分割結(jié)果圖；

圖3是基于新型粒子濾波算法的免疫層析試條定量檢測(cè)實(shí)例結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖和在基于圖像的免疫層析試條定量檢測(cè)上的具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明，參見(jiàn)圖1所示，一種基于新型粒子濾波算法的圖像分割方法，包括以下步驟：

步驟1，針對(duì)要分割的圖像特點(diǎn)，建立相應(yīng)的動(dòng)態(tài)空間模型；

具體的，針對(duì)要分割的圖像特點(diǎn)，建立包含轉(zhuǎn)移方程和觀測(cè)方程的動(dòng)態(tài)空間模型，以目標(biāo)區(qū)域邊界上的序列點(diǎn)作為狀態(tài)量，轉(zhuǎn)移方程表示當(dāng)前時(shí)刻與前一時(shí)刻之間狀態(tài)量的關(guān)系，觀測(cè)方程則反映當(dāng)前時(shí)刻圖像分割的效果。包括如下步驟：

11)確定狀態(tài)量，將目標(biāo)分割區(qū)域上下邊界上的序列點(diǎn)作為狀態(tài)量，序列長(zhǎng)度為90，狀態(tài)量的維度為2，則狀態(tài)時(shí)序確定為{xt|t∈90},xt∈r²；

12)根據(jù)目標(biāo)分割區(qū)域上下邊界上的序列點(diǎn)之間的關(guān)系確定轉(zhuǎn)移方程，設(shè)為xt＝xt-1+wt-1，其中wt-1表示均值為0，方差為2的高斯過(guò)程噪聲；

13)結(jié)合兩種圖像分割的評(píng)價(jià)指標(biāo)函數(shù)，類間方差對(duì)比度(cbcv)和區(qū)間一致性(um)，確定觀測(cè)模型從而反映圖像分割的效果，其中：

cbcv(xt)＝w0×w1×(μ0-μ1)²(5)

其中，f(m,n)表示像素點(diǎn)(m,n)的灰度值，和r0分別表示分割區(qū)域和整個(gè)檢測(cè)區(qū)域，和k0分別表示分割區(qū)域和整個(gè)檢測(cè)區(qū)域的像素點(diǎn)總數(shù)，w0和w1分別表示分割區(qū)域和背景區(qū)域所占整個(gè)檢測(cè)區(qū)域的比例，μ0和μ1分別表示分割區(qū)域和背景區(qū)域像素的平均灰度值。

其中，β表示歸一化因子。

則觀測(cè)模型的方程為

f(xt)＝αcbcv(xt)+γum(xt)(8)

其中，α和γ分別表示cbcv和um各自的權(quán)重因子。

觀測(cè)分布p(yt|xt)為：

其中，yt表示t時(shí)刻的觀測(cè)量，∝表示正比于。

步驟2，采集訓(xùn)練圖像，對(duì)其進(jìn)行預(yù)處理，提取感興趣區(qū)域；

具體的，采集若干不同濃度樣品液的免疫層析試條圖像作為訓(xùn)練圖像集，并對(duì)其進(jìn)行預(yù)處理，分別提取出包含檢測(cè)線和質(zhì)控線的目標(biāo)區(qū)域的感興趣區(qū)域，大小均為50×90。

步驟3，選擇網(wǎng)絡(luò)輸入特征，以像素為樣本單位，組建訓(xùn)練樣本；

具體的，以像素點(diǎn)作為樣本單位，根據(jù)圖像特點(diǎn)，選取具有辨識(shí)力的網(wǎng)絡(luò)輸入特征，包含三個(gè)方面：領(lǐng)域內(nèi)的灰度值(領(lǐng)域大小取13)、與中心點(diǎn)之間的距離、對(duì)比值(表征檢測(cè)線或質(zhì)控線與背景位置像素點(diǎn)灰度值的差值)，并對(duì)所有輸入特征做歸一化處理，取18張圖片組建為訓(xùn)練樣本，樣本大小為18×4500×171。

步驟4，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，輸入訓(xùn)練樣本完成網(wǎng)絡(luò)訓(xùn)練；

具體的，構(gòu)建適當(dāng)?shù)纳疃壬窠?jīng)網(wǎng)絡(luò)模型，取深信度網(wǎng)絡(luò)，輸入訓(xùn)練樣本進(jìn)行訓(xùn)練，并且根據(jù)圖像分割效果來(lái)調(diào)節(jié)深度網(wǎng)絡(luò)參數(shù)，從而確定深度網(wǎng)絡(luò)模型。包括如下步驟：

41)構(gòu)建基于受限玻爾茲曼機(jī)(rbm)的深信度神經(jīng)網(wǎng)絡(luò)模型，包括一個(gè)輸入層、兩個(gè)隱含層和一個(gè)輸出層，其中，輸入層節(jié)點(diǎn)數(shù)為171，隱含層節(jié)點(diǎn)數(shù)均為100，輸出層節(jié)點(diǎn)數(shù)為2；

42)預(yù)訓(xùn)練階段：訓(xùn)練樣本輸入到第1層rbm的可見(jiàn)層，通過(guò)逐層訓(xùn)練的方式對(duì)各層rbm進(jìn)行訓(xùn)練，低一層rbm隱含層輸出作為高一層rbm可見(jiàn)層的輸入，每層rbm通過(guò)對(duì)比散度算法確定模型參數(shù)權(quán)重wij、輸入層偏置ai以及隱含層偏置bj，即θ＝(wij,ai,bj)；

43)微調(diào)階段：采用有監(jiān)督學(xué)習(xí)方式對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將實(shí)際輸出與預(yù)期輸出的誤差逐層向后傳播，對(duì)深信度神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)；

44)根據(jù)圖像分割效果調(diào)節(jié)和優(yōu)化網(wǎng)絡(luò)參數(shù)，完成深信度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。網(wǎng)絡(luò)參數(shù)最終確定為：預(yù)訓(xùn)練和微調(diào)階段的學(xué)習(xí)率均為1，mini-batch的大小分別為100和50，迭代次數(shù)為20。

步驟5，將待分割圖像組建為測(cè)試樣本，輸入深度網(wǎng)絡(luò)中，得到初始分割結(jié)果；

具體的，參照步驟3，將待分割圖像以同種方式組建為測(cè)試樣本，輸入深度網(wǎng)絡(luò)通過(guò)一次前向傳播得到初始的分割結(jié)果y。

步驟6，利用初始分割結(jié)果y生成粒子群，并采用粒子群優(yōu)化算法將其移動(dòng)到高似然區(qū)域，得到的結(jié)果作為粒子濾波的建議性分布。具體包括如下步驟：

61)設(shè)置粒子種群大小為100，迭代次數(shù)為300，最大速度為2，初始化粒子速度vi和粒子位置xi，其中粒子的初始位置由深度學(xué)習(xí)得到的初始分割結(jié)果y確定；

62)目標(biāo)函數(shù)采用步驟1中的觀測(cè)方程，其中參數(shù)α,γ分別取0.5和1000，此時(shí)某粒子對(duì)應(yīng)的目標(biāo)函數(shù)值越大，說(shuō)明該粒子所處的位置越接近全局最優(yōu)值；

63)利用方程(1)和方程(2)不斷迭代更新每個(gè)粒子的速度和位置，其中慣性權(quán)重w取1.5，加速因子c1和c2均取2；

64)迭代結(jié)束，得到所有粒子的位置，將其作為新型粒子濾波算法的建議性分布

步驟7，遞推估計(jì)得到每個(gè)時(shí)刻的狀態(tài)量，根據(jù)估計(jì)的狀態(tài)序列得出圖像分割的最終結(jié)果。

具體的，根據(jù)建立的動(dòng)態(tài)空間模型，采用含上述建議性分布的新型粒子濾波算法對(duì)狀態(tài)量進(jìn)行估計(jì)，得到最終的圖像分割結(jié)果，具體步驟如下：

71)粒子集初始化，對(duì)于i＝1,2,...,100，由先驗(yàn)生成采樣粒子

72)對(duì)于i＝1,2,...,100，從深度學(xué)習(xí)結(jié)合粒子群的建議性分布中采樣得到并根據(jù)方程(3)計(jì)算每個(gè)粒子的重要性權(quán)重；

73)對(duì)于i＝1,2,...,100，對(duì)重要性權(quán)重進(jìn)行歸一化，得到

74)重采樣；

75)根據(jù)方程(4)估計(jì)每個(gè)時(shí)刻的狀態(tài)量，得到最終的分割結(jié)果。

進(jìn)一步的，根據(jù)得到的圖像分割結(jié)果計(jì)算待測(cè)樣品液試條圖像的特征量，根據(jù)樣品液濃度與特征量之間的特定關(guān)系，得出待測(cè)物樣品液的定量檢測(cè)濃度值。

為了驗(yàn)證本發(fā)明方法在圖像分割領(lǐng)域的效果，將其應(yīng)用到基于圖像的免疫層析試條定量檢測(cè)上，對(duì)不同濃度的hcg樣品液納米金免疫層析試條圖像進(jìn)行分割，結(jié)果如圖2、3所示。圖2中左側(cè)為試條的檢測(cè)窗口，右側(cè)為通過(guò)本方法的圖像分割結(jié)果，可以看出，本方法能夠取得較準(zhǔn)確的分割效果。圖3為根據(jù)圖像分割的結(jié)果計(jì)算特征量，通過(guò)最小均方誤差法擬合得到hcg-特征量直線，明顯地，擬合直線的相關(guān)度很好，相關(guān)系數(shù)r²＝0.982，從而驗(yàn)證了本方法的準(zhǔn)確性和應(yīng)用性。

上述實(shí)施例僅用來(lái)進(jìn)一步說(shuō)明本發(fā)明的一種用于圖像分割的新型粒子濾波算法，但本發(fā)明并不局限于實(shí)施例，凡是依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所作的任何簡(jiǎn)單修改、等同變化與修飾，均落入本發(fā)明技術(shù)方案的保護(hù)范圍內(nèi)。