引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法

摘要

本发明涉及图像处理技术领域，尤其涉及一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法。它主要是增加了一个非线性遗传阵列优化模型，将已经分割好的图像经过非线性遗传阵列优化模型优化，采用这种方法得到的分割图像准确度较高，进而使得肺部肿瘤的识别准确度更高。

主权项

一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，其特征在于，它包括以下步骤：(1)、建立已知肺部MRI图像的标准信噪比数据合集；(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；(3)、计算步骤(2)得到的灰度图像的灰度直方图；(4)、对步骤(2)中得到的灰度图像的灰度值进行编码，随机产生M个初始种群；(5)、计算步骤(4)得到的种群中每一个个体的适应度；(6)、对步骤(4)得到的种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作以及变异操作；(7)、判断新种群是否满足终止条件，若满足，则结束，得到分割阈值，并且跳转到下一步；若不满足，则跳转到步骤(5)；(8)、根据步骤(7)得到的分割阈值处理步骤(2)得到的待分割的肺部灰度图像，然后得到分割图像；(9)、将步骤(8)得到的分割图像以3*3邻域的模式，分块依次输入到非线性遗传阵列优化模型，得到输出信噪比数据合集，其中所述的非线性遗传阵列优化模型如下：$\frac{ds}{dt}=A\times f(t,\gamma )+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\alpha }\xi \left(t\right);$式中，A为信号幅度；s为布朗粒子运动坐标；t为布朗粒子运动时间；γ为偏振初始值；A×f(t,γ)为非周期性输入信号函数；img(t)为3*3邻域输入图像；m、n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声；(10)、将步骤(9)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。