為了降低脈沖耦合神經網絡（pulse coupled neural network,PCNN）參數設置的復雜度,提出了一種利用哈里斯鷹優(yōu)化算法（Harris Hawk optimization algorithm,HHO）搜索PCNN參數的圖像自動分割方法。一方面,在不影響分割效果的情況下,減少了PCNN的參數個數;另一方面,HHO算法具有收斂速度快、全局搜索能力強的特點,能夠快速、準確地搜索到PCNN相應參數。引入圖像熵作為適應度函數,選取腦部MRI圖像進行實驗,通過精度、召回率和dice,比較了HHO結合PCNN與幾種不同搜索機制的優(yōu)化算法結合PCNN的分割性能,仿真實驗結果表明,提出的方法有較高的分割精度和較強的魯棒性,具有較高的工程實用價值。 

【文章來源】：應用科技. 2019,46(04)

【文章頁數】：6 頁

【部分圖文】：

PCNN模型結構

置為0．001～200;2)將腦部圖像作為輸入圖像，HHO優(yōu)化PCNN的3個參數，經過PCNN迭代，得到適應度函數，比較得到的適應度函數，保留局部最優(yōu)的參數。3)HHO通過不同的策略更新鷹的位置，帶入PCNN，得到適應度函數值，與上一次迭代得到的最優(yōu)適應度函數值比較，得出此次最優(yōu)適應度函數對應的最優(yōu)參數。4)當算法迭代次數達到最大迭代次數時，輸出全局最優(yōu)適應度函數值和最優(yōu)參數值。5)將最優(yōu)參數帶入到PCNN中，實現圖像的分割。圖像分割的基本流程圖如圖2所示。圖2HHO－PCNN圖像分割流程4實驗分別引入鯨魚算法(whaleoptimizationalgo-rithm，WOA)［14］、正余弦算法(sinecosinealgorithm，SCA)［15］、樽海鞘算法(salpswarmalgorithm，SSA)［16］、粒子群算法(particleswarmoptimization，PSO)［17］、多元宇宙算法(multi-verseoptimizer，MVO)［18］、灰狼算法(greywolfoptimizer，GWO)［19］與PCNN結合，對比本文算法。4．1測試環(huán)境及數據庫本文的4幅圖像選自哈佛大學腦部圖像數據庫［20］。算法是在IntelPentiumCPUG4560、4GＲAM、操作系統(tǒng)Windows10的計算機上運行的，采用的軟件是Python3．7。4．2評價標準實驗采用3種評價標準來對分割結果進行量化，分別是精度(precison)［21］，召回率(recall)［21］和dice［21］。precison=TPTP+FPrecall=TPTP+FNdice=2TP(TP+FP)+(TP+FN)式中:TP表示目標區(qū)域與分割結果重合的部分，FP表示分割結果中非目標區(qū)域

越接近1，則說明分割效果越好。4．3結果分析實驗中對每幅圖像均做了30次試驗，各個評價標準取平均值，如圖3所示。從圖中，可以清楚地看到每幅圖像的HHO的評價標準值均高于其他算法，這說明提出的算法有較高的分割精度和魯棒性。在最后結果中，4幅腦部圖像綜合來看，HHO的查準率為0．977，查成率為0．772，dice為0．846，高于對比的其他算法。由此可見，提出的算法具有出色的腦部圖像分割能力。(a)精度(b)召回率(c)dice(d)最終結果圖3各個算法結合PCNN的評價標準對比PCNN結合不同算法的分割結果如圖4所示。從圖中，可以清晰地看到提出方法的分割精度更高，分割輪廓更加清晰，視覺上更加接近金標準。各算法結合PCNN的收斂曲線如圖5所示。通過式(3)，可以得到當且僅當p0=p1=0．5時，使得H取得到最大值1，即圖像熵的最優(yōu)值為1。從切片29和切片34的收斂曲線可以看到提出的算法收斂速度最快且收斂精度最高，雖然提出的算法在切片15和切片17的收斂曲線中收斂速度并不是最快的，但是其收斂精度始終是最高的。所以，HHO－PCNN較其他算法在搜索效率和搜索精度上都有一定優(yōu)勢。(a)原圖(b)金標準(c)WOA－PCNN(d)SSA－PCNN(e)SCA－PCNN(f)PSO－PCNN(g)MVO－PCNN(h)GWO－PCNN(i)HHO－PCNN圖4分割效果第4期賈鶴鳴，等:哈里斯鷹算法優(yōu)化脈沖耦合神經網絡的圖像自動分割·91·

【參考文獻】：
期刊論文
[1]基于顯著性與脈沖耦合神經網絡的圖像分割[J]. 王燕,許憲法.  計算機科學. 2018(07)
[2]結合粒子群優(yōu)化和綜合評價的脈沖耦合神經網絡圖像自動分割[J]. 張坤華,譚志恒,李斌.  光學精密工程. 2018(04)
[3]群智能算法優(yōu)化的結合熵的最大類間方差法與脈沖耦合神經網絡融合的圖像分割算法[J]. 程述立,汪烈軍,秦繼偉,杜安鈺.  計算機應用. 2017(12)
[4]基于脈沖耦合神經網絡的圖像分割[J]. 王愛文,宋玉階.  計算機科學. 2017(04)
[5]基于視覺顯著性和脈沖耦合神經網絡的成熟桑葚圖像分割[J]. 賀付亮,郭永彩,高潮,陳靜.  農業(yè)工程學報. 2017(06)
[6]基于最小交叉熵的改進PCNN楊梅圖像分割算法[J]. 徐黎明,呂繼東.  西北師范大學學報(自然科學版). 2016(01)
[7]基于遺傳算法參數優(yōu)化的PCNN紅外圖像分割[J]. 曲仕茹,楊紅紅.  強激光與粒子束. 2015(05)
[8]聯合蟻群算法和PCNN的腦部MRI圖像分割方法[J]. 吳駿,孫明明,肖志濤,張芳,耿磊.  光電子.激光. 2014(03)
[9]自適應脈沖耦合神經網絡在圖像處理中應用[J]. 馬義德,綻琨,齊春亮.  系統(tǒng)仿真學報. 2008(11)
[10]一種基于脈沖耦合神經網絡和圖像熵的自動圖像分割方法[J]. 馬義德,戴若蘭,李廉.  通信學報. 2002(01)



本文編號：3224599