(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211237845.3 (22)申请日 2022.10.11 (71)申请人 刘佳倪 地址 410000 湖南省长 沙市芙蓉区中南大 学湘雅二医院 (72)发明人 刘佳倪　潘奕旻　唐晨俊　李凯龙　 李冲　 (74)专利代理 机构 湖南岑信知识产权代理事务 所(普通合伙) 43275 专利代理师 刘洋 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 5/00(2006.01)G06N 3/00(2006.01) (54)发明名称 一种基于改进的鸟群算法的自适应皮肤病 灶图像分割方法 (57)摘要 本发明提出一种基于改进的鸟群算法的自 适应皮肤病灶图像分割方法， 包括如下步骤： 输 入皮肤病灶图像， 采用加权平均值灰度化图像， 将彩色图像转化为灰度图像； 基于灰度图像， 采 用高斯滤波进行去噪处理， 随后统计最大灰度 值， 最小灰度值， 以及构建灰度直方图； 基于 灰度 信息， 采用混合鸟群算法得到该图像的最佳多阈 值集合； 基于最佳多阈值对皮肤病灶图像进行自 适应分割， 最终输出分割后的图像。 该发明有效 地对皮肤病灶图像进行分割， 显著提升了图像处 理的效果， 具备极强的自适应能力， 解决了目前 现有皮肤病灶图像处 理效果差的问题。 权利要求书3页 说明书8页 附图2页 CN 115546152 A 2022.12.30 CN 115546152 A 1.一种基于改进的鸟群算法的自适应皮肤病灶图像分割方法， 其特征在于， 该方法包 括如下步骤： S1： 对输入的皮肤病灶彩色图像采用加权平均值灰度化图像将彩色图像转化为灰度图 像； S2： 基于灰度图像， 采用高斯滤波进行去噪处理， 随后统计灰度图像信息， 所述灰度图 像信息包括灰度最大值 Imax和灰度最小值 Imin， 构建灰度直方图； S3： 基于灰度图像信息， 采用改进的鸟群优化算法获取皮肤病灶图像的最佳阈值， 具体 包括如下步骤： S31： 初始化鸟群的各参数， 包括最大迭代次数Tmax， 根据灰度 图像信息的灰度最大值 Imax和灰度最小值Imin作为灰度值的上下边界， 采用Chebyshev混沌映射函数获取初始化鸟 群位置X＝{X1,X2,...,XN}， 其中X是鸟群集合， Xi(i＝1,2,...,N)表示第i个鸟群个体， 表示第i个鸟群个体的位置信息， 表示第i个鸟群 个体的第j维的位置信息， D表示问题的维度数； S32： 对每个鸟群个体位置计算其相应的自适应函数， 并筛选出迄今为止最优的适应度 值Fbest， 将最优的适应度值Fbest所映射的位置记作Xbest， Xbest为迄今为止全局最优解； S33： 基于迄今为止最优的适应度值Fbest和迄今为止全局 最优解Xbest， 采用改进的鸟群 算法更新鸟群位置， 判断更新后的鸟群位置是否超出 灰度值的上 下边界； S34： 若更新后的鸟群个体的适应度值不小于更新前的适应度值， 则将更新后的鸟群个 体的位置替换掉更新前 的位置； 若更新后的鸟群个体的适应度值小于更新前 的适应度值， 则保留更新前 的鸟群个体的位置； 多次迭代直至达到最大迭代 次数， 输出适应度值最大 的 鸟群个体的位置信息Xbest； S4： 对所获得的最佳阈值皮肤病灶图像进行分割， 从而得到分割后的图像。 2.根据权利要求1所述的一种基于改进的鸟群算法的自适应皮肤病灶图像分割方法， 其特征在于， 步骤S1包括： S11： 对皮肤病灶彩色图像的R,G,B三个通道， 采用加权平均值法对彩色图像进行灰度 化处理， 其表达式如下： R＝G＝B＝ w1R+w2G+w3B 其中， w1,w2,w3分别表示各权 重值。 3.根据权利要求1所述的一种基于改进的鸟群算法的自适应皮肤病灶图像分割方法， 其特征在于， 步骤S31包括： 对鸟群采用C hebyshev混沌映射模型进行初始化， C hebyshev混沌模型表示 为： Xn+1＝cos[K·arccos(Xn)] 其中， 采用4阶的Ch ebyshev混沌模型， 即K＝4， 设定X1为上述初 始化种群集合X中随机构 建的第一个种群 个体， 其他种群个体通过Chebyshev混沌映射模型进行初始化。 4.根据权利要求1所述的一种基于改进的鸟群算法的自适应皮肤病灶图像分割方法， 其特征在于， 步骤S32中， 自适应函数采用最大信息熵函数， 如下表示： 权　利　要　求　书 1/3 页 2 CN 115546152 A 2其中， 上述初始化中预设D个维度， 因此便有ND＝D+1个图像分割区域， 记作ck(k＝1, 2,...,D+1)， pk是在k区域中灰度级出现的概率， pi是第i个区域中灰度级出现的概率， Hk是 在k区域中的信息熵， 5.根据权利要求1所述的一种基于改进的鸟群算法的自适应皮肤病灶图像分割方法， 其特征在于， 步骤S3 3中， 改进的鸟群算法。 6.根据权利要求5所述的一种基于改进的鸟群算法的自适应皮肤病灶图像分割方法， 其特征在于， 步骤S3 3具体包括： 鸟群算法中引入Levy飞行策略以及惯性权重， 从而优化鸟群算法的搜索能力， 提高鸟 群算法的收敛速度及精度； 基于鸟群算法的位置更新如下： 鸟群中的个 体都遵守以下的5条规则： 规则1： 每 个个体都可以选择觅食和警觉这两种状态， 选择的方式是随机的； 由于个体对于这两种状态的选择是随机的， 所以可设置一个常数p， 在[0,1]之间产生 一个随机数r2,当r2＞p时选择觅食状态， 否者则选择警戒状态； 规则2： 在觅食状态下， 每个个体都会将经过的最优觅食位置以及种群最优觅食位置记 录下来并更新， 该信息也会被传递到整个种群中进行信息共享； 每个个体在觅食状态下的位置变化如下： 其中 和 表示分别表示t 时刻和t+1时刻第i只鸟的所在位置， pbesti表示第i只鸟 个体在t时刻之前经历的最优位置， gbesti表示在t时刻之前鸟群经历的最优位置； C为认知 加速系数， S为社会加数系数， 两者皆为 正整数； r3和r4都是[0,1]之间的随机数； 规则3： 在警觉状态下个 体的位置变化如下： A1是鸟向种群中心移动时由周围环境产生的间接影响； A2是鸟向种群中心移动时由某 个特定干扰引起的直接影响； a1、 a2是[0,2]之间的常量； pFiti是第i只鸟的到目前为止的最 佳适应度值； sumFit是鸟群最佳适应度值之和； ε是最小常数， 用于避免零分误差； mean是鸟 群的平均位置， k(k≠i)是[1,N]之间随机选择的正整数； r5是[0,1]之间的随机数， r6是[‑1, 1]之间的随机数； 规则4： 假设鸟群每过一个固定的周期就会进行地点的转移， 当鸟群飞往另一个地点 时， 鸟群中个体会在生产者和乞食者这两种状态之间进行选择， 食物储备最多的个体必定权　利　要　求　书 2/3 页 3 CN 115546152 A 3