一種基于粗糙集和改進(jìn)fcm算法的瞼板腺功能測(cè)定方法
【專利摘要】本發(fā)明涉及智能信息處理、模式識(shí)別與醫(yī)學(xué)診斷領(lǐng)域，具體為一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法。本發(fā)明包括三個(gè)階段：其中第一階段進(jìn)行圖像預(yù)處理，包括圖像增強(qiáng)與圖像分割；第二階段進(jìn)行Tamura紋理特征提??；第三階段進(jìn)行分類規(guī)則提取，得到典型的診斷規(guī)則表作為瞼板腺功能測(cè)定依據(jù)。本發(fā)明利用粗糙集知識(shí)約簡(jiǎn)的優(yōu)勢(shì)，針對(duì)瞼板腺形態(tài)的特征屬性進(jìn)行屬性約簡(jiǎn)，得到典型的瞼板腺功能診斷規(guī)則表。同時(shí)，為了避免屬性約簡(jiǎn)之前特征屬性進(jìn)行離散化過程中可能造成的信息損失，通過改進(jìn)的FCM算法對(duì)特征屬性進(jìn)行聚類，最大程度地保留特征屬性的信息完整性。本發(fā)明具有可執(zhí)行性強(qiáng)、分類效果好、識(shí)別準(zhǔn)確率高等特點(diǎn)，對(duì)瞼板腺功能測(cè)定具有實(shí)際的指導(dǎo)意義。
【專利說明】
一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及智能信息處理、模式識(shí)別與醫(yī)學(xué)診斷領(lǐng)域，具體為一種基于粗糙集和 改進(jìn)FCM算法的瞼板腺功能測(cè)定方法。
【背景技術(shù)】
[0002] 瞼板腺功能障礙(Meibomain Gland Dysfunction，MGD)是多種瞼板腺功能異常的 總稱，是一種常見的眼科疾病。引起瞼板腺功能障礙的主要原因是腺體開口阻塞，阻塞可直 接或間接地引起瞼板腺形態(tài)的改變。根據(jù)瞼板腺缺失程度，可將其形態(tài)分為正常型、縮短 型、缺失型和嚴(yán)重缺失型4個(gè)等級(jí)，見附圖la至圖Id。目前，瞼板腺功能障礙往往通過醫(yī)生人 為觀察進(jìn)行診斷。
[0003] 紋理特征對(duì)圖像模式識(shí)別具有重要意義，基于人類對(duì)紋理視覺感知的心理學(xué)研 究，Tamura等人提出表達(dá)紋理特征的6個(gè)屬性，分別是粗糙度、對(duì)比度、方向度、線性度、規(guī)整 度和粗略度，本發(fā)明利用這些特征屬性對(duì)瞼板腺圖像進(jìn)行研究。
[0004] 粗糙集是波蘭數(shù)學(xué)家Pawlak提出的，屬性約簡(jiǎn)是其核心內(nèi)容之一，其主要思想是 在保持分類和決策能力不變的前提下約簡(jiǎn)數(shù)據(jù)庫中的冗余屬性，簡(jiǎn)化知識(shí)表述，提高系統(tǒng) 決策與處理的效率。近年來，粗糙集越來越受到重視，并在機(jī)器學(xué)習(xí)、知識(shí)獲取、決策分析等 許多領(lǐng)域得到了廣泛的應(yīng)用。粗糙集的屬性約簡(jiǎn)可以快速、準(zhǔn)確地提取瞼板腺圖像的有效 紋理特征屬性，獲得典型的瞼板腺功能診斷規(guī)則表。
[0005] 模糊C均值聚類(Fuzzy C-Means,FCM)算法是一種基于劃分的聚類算法，它是一種 無監(jiān)督的模糊識(shí)別方法，算法只需提供聚類數(shù)目，不斷反復(fù)修改樣本的類別、聚類中心以及 樣本隸屬于各類別的隸屬度，最終獲得最佳分類的目標(biāo)函數(shù)。本發(fā)明提出的改進(jìn)FCM算法， 可以有效避免粗糙集屬性約簡(jiǎn)之前連續(xù)型屬性數(shù)據(jù)離散化過程中可能造成的信息損失。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明為了克服主觀診斷瞼板腺功能障礙的局限性，提出了一種基于粗糙集和改 進(jìn)FCM算法的瞼板腺功能測(cè)定方法。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：
[0008] 本發(fā)明提供了一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其特殊之 處在于，具體步驟如下：
[0009] S1】圖像預(yù)處理:通過圖像處理方法改善瞼板腺圖像質(zhì)量，使瞼板腺圖像符合肉眼 的觀察判斷或計(jì)算機(jī)的分析處理，所述圖像處理方法包括圖像增強(qiáng)、圖像分割；
[0010] S2】Tamura紋理特征提取:選取Tamura紋理特征的表達(dá)量作為瞼板腺圖像的特征 屬性，根據(jù)特征屬性對(duì)步驟S1中處理后的瞼板腺圖像進(jìn)行研究，所述特征屬性為粗糙度、對(duì) 比度、方向度、線性度、規(guī)整度和粗略度；
[0011] S3】分類規(guī)則提取：以步驟S2中的特征屬性作為瞼板腺功能測(cè)定依據(jù)，通過屬性約 簡(jiǎn)形成精簡(jiǎn)的分類決策表，具體步驟為：
[0012] S31】對(duì)步驟S2中6種連續(xù)的特征屬性采用改進(jìn)FCM算法進(jìn)行聚類:對(duì)6種連續(xù)的特 征屬性選取連續(xù)型樣本屬性數(shù)據(jù)，輸入聚類數(shù)目及連續(xù)型樣本屬性數(shù)據(jù)，采用改進(jìn)FCM算法 返回與連續(xù)型樣本屬性數(shù)據(jù)相應(yīng)的聚類中心和隸屬度函數(shù);根據(jù)最大隸屬度原則，通過改 進(jìn)FCM算法把原始的連續(xù)型樣本屬性數(shù)據(jù)形成的連續(xù)特征空間映射到離散型樣本屬性數(shù)據(jù) 形成的離散特征空間；
[0013] S32】對(duì)于步驟S31中獲得的離散特征空間中的離散型樣本屬性數(shù)據(jù)，采用粗糙集 屬性約簡(jiǎn)理論，得到特征屬性的核為{粗糙度、對(duì)比度、線性度、規(guī)則度};
[0014] S33】通過整理約簡(jiǎn)后的決策表，根據(jù)精度>0.75和覆蓋度>0.05的規(guī)則，對(duì)特征屬 性的核進(jìn)行選取，最后得到典型的瞼板腺功能診斷規(guī)則表；
[0015] S4】輸入待診斷的瞼板腺圖像，執(zhí)行步驟S1至步驟S31，之后將得到的結(jié)果與步驟 S33中生成的功能診斷規(guī)則表進(jìn)行對(duì)比，得出瞼板腺功能測(cè)定結(jié)果。
[0016] 進(jìn)一步地，在步驟S31中，每種特征屬性均有各自的聚類數(shù)目，根據(jù)最小目標(biāo)函數(shù) 值原則來確定6種特征屬性各自的聚類數(shù)目和聚類中心。
[0017] 進(jìn)一步地，在步驟S31中，改進(jìn)FCM算法對(duì)樣本屬性數(shù)據(jù)進(jìn)行聚類，每種特征屬性聚 類的具體執(zhí)行過程為：
[0018] S311】對(duì)改進(jìn)FCM算法用到的基本參數(shù)、聚類中心、隸屬度矩陣進(jìn)行初始化，輸入樣 本屬性數(shù)據(jù)集{xi}，i = 1，2，......n，其中n為樣本數(shù)，迭代次數(shù)初始值T= 1;
[0019] S312】進(jìn)行迭代次數(shù)T〈L00P的判斷，若是，則執(zhí)行步驟S313,若否，則輸出聚類中 心，執(zhí)行步驟S315;
[0020] S313】更新隸屬度矩陣U，根據(jù)最大隸屬度原則，更新聚類中心，將樣本屬性數(shù)據(jù)集 { Xl}劃分到各個(gè)新的聚類中心Vl所屬的類中，并統(tǒng)計(jì)各類中的樣本數(shù)，記為m，判斷新的聚 類中心是否為孤立點(diǎn)，若是，則將孤立點(diǎn)放入單獨(dú)的集合中，再次執(zhí)行步驟S313,若否，則執(zhí) 行步驟S314;
[0021] S314】計(jì)算目標(biāo)函數(shù)值，并判斷目標(biāo)函數(shù)是否最小，若是，則輸出聚類中心，執(zhí)行步 驟S315,若否，則迭代次數(shù)T+1，返回步驟S312中進(jìn)行迭代次數(shù)判斷。
[0022] S315】離散化樣本屬性數(shù)據(jù)，形成離散型樣本屬性數(shù)據(jù)。
[0023] 進(jìn)一步地，步驟S313中判斷新的聚類中心是否為孤立點(diǎn)：若新的聚類中心所屬的 類內(nèi)樣本數(shù)m的值為1、2,或m遠(yuǎn)遠(yuǎn)小于樣本屬性數(shù)據(jù)總數(shù)，則說明該類聚類中心為孤立點(diǎn)。
[0024] 進(jìn)一步地，在步驟S32中，對(duì)于步驟S31中獲得的離散型樣本屬性數(shù)據(jù)，采用粗糙集 屬性約簡(jiǎn)理論進(jìn)行約簡(jiǎn)，得到特征屬性的核為{粗糙度、對(duì)比度、線性度、規(guī)則度}，具體步驟 為：
[0025] S321】輸入步驟S31獲得的離散型樣本屬性數(shù)據(jù)，形成信息系統(tǒng)(U，A)，屬性種類i =1;
[0026] S322】將離散型樣本屬性數(shù)據(jù)中的Xi去除，得到新的信息系統(tǒng)(U，#)，判斷是否存 在U/AiU/f，若否，則Xi為核屬性，執(zhí)行步驟S323，若是，則Xi為冗余屬性，約簡(jiǎn)屬性Xi，更新 信息系統(tǒng)(U，A)，執(zhí)行步驟S323;
[0027] S323】屬性種類i+1，判斷是否i>6,若否，則執(zhí)行步驟S322,若是，則獲得核屬性集。
[0028] 進(jìn)一步地，步驟S1中采用高頻強(qiáng)調(diào)濾波進(jìn)行圖像增強(qiáng)，所述高頻強(qiáng)調(diào)濾波是普通 高通濾波器基礎(chǔ)上加上乘數(shù)和偏移量，其傳遞函數(shù)H f(u，v)為：
[0029] Hf (u, v) = a+bH(u, v)
[0030] 其中，H(u，v)是高通濾波器傳遞函數(shù)，a是偏移量，b是乘數(shù)，當(dāng)偏移量a小于1，高頻 乘數(shù)b大于1，低頻成分被抑制，高頻成分被增強(qiáng)。
[0031] 進(jìn)一步地，步驟S1中采用局部熵濾波和形態(tài)學(xué)方法進(jìn)行圖像分割，具體步驟為：
[0032] S11】利用瞼板腺圖像局部熵進(jìn)行濾波，得到瞼板腺圖像的紋理圖像，局部熵是對(duì) 以選取像素點(diǎn)為中心的n X n的局部區(qū)域進(jìn)行熵運(yùn)算，局部熵H表達(dá)式為：
[0035] 其中，f(i，j)就是nXn這個(gè)局部區(qū)域的像素，Plj是當(dāng)前像素灰度占局部總灰度的 概率，局部熵值越大，窗口內(nèi)紋理差異越小，根據(jù)瞼板腺圖像局部熵值進(jìn)行閾值分割，提取 目標(biāo)區(qū)域；
[0036] S12】通過形態(tài)學(xué)方法對(duì)步驟S11中閾值分割產(chǎn)生的過度分割或分割邊界不光滑或 空洞現(xiàn)象進(jìn)行處理，使步驟S11中處理后的瞼板腺圖像邊緣光滑、空洞填充，得到瞼板腺的 分割圖像。
[0037] 本發(fā)明與現(xiàn)有技術(shù)相比，有益之處在于：
[0038] 本發(fā)明將粗糙集和改進(jìn)FCM算法應(yīng)用于瞼板腺圖像識(shí)別，利用粗糙集的屬性約簡(jiǎn) 找出對(duì)瞼板腺功能測(cè)定決策影響大的紋理特征屬性，約簡(jiǎn)掉冗余屬性，提取最有效的分類 決策規(guī)則，從而實(shí)現(xiàn)了瞼板腺功能測(cè)定的智能化和高效化。同時(shí)，本發(fā)明借助改進(jìn)FCM算法 對(duì)樣本屬性數(shù)據(jù)進(jìn)行聚類，得到樣本屬性的最佳劃分，有效保持了樣本屬性的完整性，從而 保證粗糙集屬性約簡(jiǎn)與分類決策的性能。
[0039] 利用粗糙集知識(shí)約簡(jiǎn)的優(yōu)勢(shì)，針對(duì)瞼板腺形態(tài)的6種紋理特征屬性進(jìn)行屬性約簡(jiǎn)， 提取出對(duì)瞼板腺缺失程度判別最有效的特征屬性，約簡(jiǎn)了對(duì)模式識(shí)別決策影響最小的2種 屬性，得到典型的瞼板腺功能診斷規(guī)則表。同時(shí)，為了避免屬性約簡(jiǎn)之前連續(xù)型樣本屬性數(shù) 據(jù)進(jìn)行離散化過程中可能造成的信息損失，引入改進(jìn)FCM算法對(duì)樣本屬性數(shù)據(jù)進(jìn)行聚類，最 大程度保留樣本屬性信息完整性。
[0040] 本發(fā)明的整個(gè)過程中，參數(shù)提取、診斷規(guī)則生成、診斷結(jié)果輸出都是自動(dòng)的，并不 需要人為指定，提高了瞼板腺功能測(cè)定的可靠性和客觀性。實(shí)驗(yàn)證明，該方法具有可執(zhí)行性 強(qiáng)、分類效果好、識(shí)別準(zhǔn)確率高等特點(diǎn)，對(duì)瞼板腺功能測(cè)定具有實(shí)際的指導(dǎo)意義。
【附圖說明】
[0041] 圖la是本發(fā)明瞼板腺功能測(cè)定所依據(jù)的瞼板腺功能正常形態(tài)圖。
[0042] 圖lb是本發(fā)明瞼板腺功能測(cè)定所依據(jù)的瞼板腺體縮短形態(tài)圖。
[0043] 圖lc是本發(fā)明瞼板腺功能測(cè)定所依據(jù)的瞼板腺管缺失形態(tài)圖。
[0044] 圖Id是本發(fā)明瞼板腺功能測(cè)定所依據(jù)的瞼板腺管嚴(yán)重缺失形態(tài)圖。
[0045] 圖2是本發(fā)明生成瞼板腺功能診斷規(guī)則表的工作框圖。
[0046] 圖3是本發(fā)明改進(jìn)FCM算法進(jìn)行特征屬性聚類的流程圖。
[0047] 圖4是本發(fā)明粗糙集屬性約簡(jiǎn)算法的流程圖。
[0048] 圖5是本發(fā)明生成的典型診斷規(guī)則表。
【具體實(shí)施方式】
[0049] 為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖la至圖5對(duì)本發(fā) 明作進(jìn)一步的詳細(xì)描述。
[0050] 實(shí)施例1:
[0051] 本發(fā)明將粗糙集和改進(jìn)FCM算法應(yīng)用于瞼板腺圖像識(shí)別，利用粗糙集的屬性約簡(jiǎn) 找出對(duì)瞼板腺功能測(cè)定決策影響大的紋理特征屬性，約簡(jiǎn)掉冗余屬性，提取最有效的分類 決策規(guī)則，從而實(shí)現(xiàn)了瞼板腺功能測(cè)定的智能化和高效化。
[0052]附圖la至圖Id給出瞼板腺功能測(cè)定所依據(jù)的瞼板腺形態(tài)等級(jí)圖，依次為瞼板腺功 能正常、瞼板腺體縮短、瞼板腺管缺失、瞼板腺管嚴(yán)重缺失。
[0053]附圖2給出了本發(fā)明生成瞼板腺功能診斷規(guī)則表的工作框圖，包括三個(gè)階段:其中 第一階段進(jìn)行圖像預(yù)處理，包括圖像增強(qiáng)與圖像分割;第二階段進(jìn)行Tamura紋理特征提??； 第三階段進(jìn)行分類規(guī)則提取，得到典型的診斷規(guī)則表作為瞼板腺功能測(cè)定依據(jù)。
[0054]【具體實(shí)施方式】包括以下步驟：
[0055] S1、圖像預(yù)處理：
[0056] 包括圖像增強(qiáng)和圖像分割，該步驟目的是通過相應(yīng)的圖像處理方法改善圖像質(zhì) 量，使之更適合于人眼的觀察判斷或計(jì)算機(jī)的分析處理。
[0057] 圖像增強(qiáng)，本發(fā)明采用高頻強(qiáng)調(diào)濾波技術(shù)對(duì)圖像進(jìn)行增強(qiáng)。所謂高頻強(qiáng)調(diào)濾波是 指在普通高通濾波器基礎(chǔ)上加上乘數(shù)和偏移量，其傳遞函數(shù)H f(u，v)為：
[0058] Hf (u，v) =a+bH(u，v)
[0059] 其中，H(u，v)是高通濾波器傳遞函數(shù)，本發(fā)明使用高斯濾波器;a是偏移量，b是乘 數(shù)，當(dāng)偏移量a小于1，高頻乘數(shù)b大于1，低頻成分被抑制，高頻成分被增強(qiáng)。
[0060] 圖像分割，本發(fā)明將局部熵濾波和形態(tài)學(xué)方法相結(jié)合，設(shè)計(jì)了一種紋理濾波的分 割方法。首先利用圖像局部熵進(jìn)行濾波，得到紋理圖像，局部熵是對(duì)以選取像素點(diǎn)為中心的 n X n的局部區(qū)域進(jìn)行熵運(yùn)算，局部熵H表達(dá)式為：
[0063]其中，f(i，j)就是nXn這個(gè)局部區(qū)域的像素，Plj是當(dāng)前像素灰度占局部總灰度的 概率，局部熵值越大，窗口內(nèi)紋理差異越小，因此根據(jù)圖像局部熵值進(jìn)行閾值分割，提取目 標(biāo)區(qū)域。由于人為規(guī)定閾值局限可能出現(xiàn)過度分割或分割邊界不光滑，含有空洞等現(xiàn)象，可 以通過形態(tài)學(xué)方法.使其邊緣光滑，空洞填充，得到高質(zhì)量的分割圖像。
[0064] S2、紋理特征提?。?br>[0065] 本發(fā)明利用Tamura等人提出的6種紋理特征屬性對(duì)瞼板腺圖像進(jìn)行研究，分別是 粗糙度、對(duì)比度、方向度、線性度、規(guī)整度和粗略度，以下給出6種紋理特征屬性表達(dá)量的算 法表達(dá)。
[0066] 1、粗糙度：
[0067] 粗糙度可分為以下幾個(gè)步驟進(jìn)行計(jì)算：
[0068] 首先，計(jì)算圖像中大小為2kX2k的活動(dòng)窗口中像素的平均強(qiáng)度，SP x+-2k-l-l
[0069] S X f=x-2k-1 j=y-lL-X
[0070] 式中1^ = 0，1，1(，5 4(1，」)為(1，」)處灰度值。
[0071] 然后，分別計(jì)算每個(gè)像素在水平和垂直方向上互不重疊的窗口之間的平均強(qiáng)度 差。
[0072] Eh(x,y)= | Ak(x+2k_1,y)-Ak(x-2k_1,y)
[0073] Ev(x,y)= | Ak(x,y+2k_1)-Ak(x,y-2k_1)
[0074] 對(duì)于每個(gè)像素能使E值達(dá)到最大的k用來設(shè)置最佳尺寸Sbe5st(x，y) = 2k。
[0075] 最后，粗糙度Fcrs可以通過計(jì)算整幅圖像(mXn)中Sbest的平均值來得到，表達(dá)為：
[0077] 2、對(duì)比度：
[0078]對(duì)比度由圖像灰度動(dòng)態(tài)范圍和直方圖上黑白兩部分兩極分化的程度決定。這兩個(gè) 因素可以通過a4=ii4/〇4來定義，其中是四次矩，〇2是方差。對(duì)比度Fcon可定義為：
[0080] 3、方向度：
[0081]圖像總體方向性可通過計(jì)算直方圖中峰值的尖銳程度獲得，表示為：
[0082] 匕,.=XZ((丨)_(丨
[0083] 式中P表示直方圖中的峰值，n表示峰值個(gè)數(shù)，對(duì)于某個(gè)峰值P，W表示該峰值所包含 的所有的離散區(qū)域，而〇是每個(gè)角度區(qū)間的最大值，Op是波峰的中心位置。H D(〇)描述了圖 像中角度的分布。
[0084] 4、線性度：
[0085] 線性度Flin被定義為各像素點(diǎn)（i，j)方向共生矩陣的重合程度，計(jì)算共生矩陣時(shí)的 像素間距為d。
L0087J 式中PDd是nXn局部方向共生矩陣的距離點(diǎn)。
[0088] 5、規(guī)整度：
[0089] 由于整個(gè)圖像的紋理特性不是規(guī)律的，所以采用分區(qū)子圖像，并計(jì)算每個(gè)子圖像 的方差。綜合子圖像的4個(gè)特性來衡量紋理的規(guī)整度。
[0090] Freg- l_r( 〇crs+〇c〇n+〇dir+〇lin)
[0091] 式中r是歸一化因子，〇^、〇_、〇&、〇1^分別代表粗糙度、對(duì)比度、方向度、線性度 的標(biāo)準(zhǔn)差。
[0092] 6、粗略度：
[0093] 粗略度Frgh是粗糙度和對(duì)比度的疊加，表示為：
[0094] Frgh = Fcrs+Fcon
[0095] S3、分類規(guī)則提取：
[0096]在步驟S3中主要進(jìn)行屬性聚類、屬性約簡(jiǎn)和診斷規(guī)則表生成的工作，屬性聚類采 用改進(jìn)FCM算法，屬性約簡(jiǎn)和診斷規(guī)則表生成采用粗糙集理論，分類規(guī)則提取的具體執(zhí)行如 下：
[0097] 步驟1、屬性聚類
[0098]本發(fā)明以Tamura特征作為瞼板腺功能測(cè)定依據(jù)并建立知識(shí)表達(dá)系統(tǒng)。6種紋理特 征表達(dá)量即為本實(shí)施例中的6種特征屬性，依次為粗糙度、對(duì)比度、方向度、線性度、規(guī)則度 及粗略度，而決策屬性包括瞼板腺正常、縮短、缺失和嚴(yán)重缺失。瞼板腺圖像紋理特征及其 形態(tài)之間的依賴關(guān)系并不容易被理解，也難以直接用于識(shí)別，所以在應(yīng)用之前需對(duì)6種樣本 屬性數(shù)據(jù)進(jìn)行離散化處理。
[0099] 對(duì)6種連續(xù)的特征屬性變量采用本發(fā)明改進(jìn)的FCM算法進(jìn)行聚類，輸入聚類數(shù)目， 利用改進(jìn)FCM算法會(huì)返回更新的聚類中心和隸屬度函數(shù)。根據(jù)最大隸屬度原則，通過改進(jìn) FCM算法把原始的連續(xù)型樣本屬性數(shù)據(jù)形成的連續(xù)特征空間映射到離散型樣本屬性數(shù)據(jù)形 成的離散特征空間。
[0100] 在本實(shí)施例中，每種特征屬性各自對(duì)應(yīng)不同的聚類數(shù)目，本實(shí)施例中聚類數(shù)目取 值范圍為3~5。聚類數(shù)目的取值范圍是根據(jù)瞼板腺形態(tài)等級(jí)數(shù)目是4級(jí)來確定的，最終根據(jù) 目標(biāo)函數(shù)值最小來確定6種特征屬性的聚類數(shù)目和聚類中心。
[0101] 對(duì)于數(shù)據(jù)集{^丨^二^丄^八^^二^丄^彡是每個(gè)聚類的中心^為樣本數(shù)目， c為聚類數(shù)目，mk是第k個(gè)樣本屬于第i類的隸屬度，Dunn將目標(biāo)函數(shù)定義為：
[0102] j(x；uj)=YtAMikr\\^-^
[0103] 其中，U是隸屬度矩陣，V是聚類中心矩陣；I |xk-Vi| I2是樣本Xk到聚類中心Vi的歐式 距離;m是一個(gè)加權(quán)指數(shù)，影響著隸屬度矩陣模糊化程度，F(xiàn)CM算法正是通過_和^的迭代來 得到聚類中心。
[0104] 在本實(shí)施例中，通過對(duì)樣本屬性數(shù)據(jù)進(jìn)行模糊化處理的結(jié)果是:6種特征屬性的聚 類數(shù)目分別為4、5、4、4、4、5，根據(jù)聚類中心，每個(gè)樣本屬性數(shù)值均對(duì)應(yīng)一個(gè)離散特征屬性 值。
[0105] 本發(fā)明借助改進(jìn)FCM算法對(duì)樣本屬性數(shù)據(jù)進(jìn)行聚類，得到樣本屬性的最佳劃分，有 效保持了樣本屬性的完整性，從而保證粗糙集屬性約簡(jiǎn)與分類決策的性能。
[0106] 模糊C均值聚類(Fuzzy C-Means,FCM)算法是一種基于劃分的聚類算法，算法通過 反復(fù)修改樣本的類別、聚類中心以及樣本隸屬于各類別的隸屬度，最終獲得最佳分類的目 標(biāo)函數(shù)。FCM算法對(duì)孤立點(diǎn)比較敏感，如果數(shù)據(jù)中含有孤立點(diǎn)，將嚴(yán)重影響算法的聚類效果， 使算法達(dá)到局部最優(yōu)。
[0107] 基于以上算法理論，得出改進(jìn)FCM算法進(jìn)行特征屬性聚類流程，見附圖3。
[0108] 在本實(shí)施例中的改進(jìn)FCM算法中，
[0109] a、對(duì)改進(jìn)FCM算法用到的基本參數(shù)、聚類中心、隸屬度矩陣進(jìn)行初始化，輸入樣本 屬性數(shù)據(jù)集{Xl}，（ i = 1，2，……n)(其中n為樣本數(shù)），迭代次數(shù)T = 1;
[0110] b、進(jìn)行迭代次數(shù)T〈L00P的判斷，若是，則執(zhí)行步驟c，若否，則輸出聚類中心，離散 化樣本屬性數(shù)據(jù)；
[0111] c、更新隸屬度矩陣U，根據(jù)最大隸屬度原則，更新聚類中心，將樣本數(shù)據(jù){Xl}劃分 到各個(gè)新的聚類中心 Vl所屬的類中，并統(tǒng)計(jì)各類中的樣本數(shù)，記為m，判斷新的聚類中心是 否為孤立點(diǎn)，在此處類為相應(yīng)的特征屬性。
[0112] 將樣本屬性數(shù)據(jù)劃分至各類后，每類的樣本數(shù)m各不相同，根據(jù)m值，類可分為大 樣本集、小樣本集，如果大樣本集的m遠(yuǎn)遠(yuǎn)小于樣本總數(shù)，或者小樣本集的m值為1、2，則說 明該類聚類中心為孤立點(diǎn)。
[0113]若是，則將孤立點(diǎn)放入單獨(dú)的集合中，對(duì)孤立點(diǎn)之外的樣本屬性數(shù)據(jù)進(jìn)行聚類，若 否，則執(zhí)行步驟d。
[0114] d、計(jì)算目標(biāo)函數(shù)值，并判斷目標(biāo)函數(shù)是否最小，若是，則輸出聚類中心，離散化樣 本屬性數(shù)據(jù)，若否，則迭代次數(shù)T+1，返回步驟b中進(jìn)行迭代次數(shù)判斷。
[0115] 實(shí)驗(yàn)表明，傳統(tǒng)FCM算法將孤立點(diǎn)和正常數(shù)據(jù)值放在一起進(jìn)行統(tǒng)計(jì)，影響了聚類中 心的選取，使得最終目標(biāo)函數(shù)達(dá)到局部最優(yōu);使用本發(fā)明的改進(jìn)FCM算法后，聚類時(shí)將孤立 點(diǎn)放入單獨(dú)的集合中，對(duì)對(duì)孤立點(diǎn)之外的其他數(shù)據(jù)進(jìn)行聚類，從而使得選取的聚類中心更 加有效，得到各類樣本數(shù)分布均勻合理，迭代次數(shù)明顯減少，同時(shí)使目標(biāo)函數(shù)更優(yōu)。
[0116] 步驟2,屬性約簡(jiǎn)
[0117]對(duì)于獲得的離散型屬性數(shù)據(jù)，采用粗糙集的屬性約簡(jiǎn)理論進(jìn)行約簡(jiǎn)，本發(fā)明使用 Johnson算法得到特征屬性的核為：{粗糙度、對(duì)比度、線性度、規(guī)則度}，表明對(duì)于決策屬性 而言，這4種特征屬性足夠保持系統(tǒng)的分類決策能力。
[0118] 下面對(duì)粗糙集屬性約簡(jiǎn)算法進(jìn)行研究。
[0119] 1、粗糙集基本理論：
[0120] 定理1設(shè)U是我們感興趣的對(duì)象組成的非空論域。任何子集稱為U中的一個(gè) 概念和范疇。U上的一族劃分成為關(guān)于U的一個(gè)知識(shí)庫。
[0121]定理2設(shè)R是U上的一個(gè)等價(jià)關(guān)系，U/R表示R的所有等價(jià)類構(gòu)成的集合，[x]R表示包 含元素x￡U的R等價(jià)類。一個(gè)知識(shí)庫就是一個(gè)關(guān)系系統(tǒng)K=(U，R)，其中設(shè)U是非空有限集合， 稱為論域，R是U上的一個(gè)等價(jià)關(guān)系。
[0122] 定理3若PqI，且則np(p中所有等價(jià)關(guān)系的交集)也是一個(gè)等價(jià)關(guān)系，稱 為P上的不可區(qū)分關(guān)系，記為ind(p)，且有:[I] indiP) Q
[0123] 2、屬性約簡(jiǎn)：
[0124] 屬性約簡(jiǎn)是粗糙集理論的核心內(nèi)容之一。樣本屬性庫中的屬性并不是同等重要 的，甚至其中某些知識(shí)是冗余的。屬性約簡(jiǎn)就是在保持知識(shí)庫分類能力不變的條件下，刪除 其中不相關(guān)或不重要的知識(shí)。屬性約簡(jiǎn)中有兩個(gè)基本概念:約簡(jiǎn)和核。
[0125] 定理1令R為一族等價(jià)關(guān)系，RER，如果ind(R) = ind(R-{R})，則稱R為R中不必要 的；否則稱R為R中必要的；如果每一個(gè)RER都為R中必要的，則稱為R為獨(dú)立的；否則稱R為依 賴的。
[0126] 定理2設(shè)心如果Q是獨(dú)立的，且ind(Q) = ind(P)，則稱Q為P的一個(gè)約簡(jiǎn)。P中所 有必要關(guān)系組成的集合稱為P的核，記做core(P)。
[0127] 3、決策表：
[0128] 知識(shí)表達(dá)系統(tǒng)稱為信息系統(tǒng)，通常用S=(U，A)來表達(dá)，其中U為對(duì)象的非空有限集 合，稱為論域;A為屬性的非空有限集合。
[0129] 決策表是一種特殊的知識(shí)表達(dá)系統(tǒng)。決策確定規(guī)則定義如下：
[0130] rij:des(Xi)^des(Yj) ,Yj <^Xi： ^0
[0131 ]規(guī)則的確定性因子y(Xi，Yj) = I Yj n Xi I /Xi，0〈y(Xi，Yj)〈 1。
[0132] 當(dāng)y(Xi，Yj) = 1時(shí)，rij是確定的；當(dāng)0〈y(Xi，Yj)〈l時(shí)，rij是不確定的。
[0133] 粗糙集(Rough Set，RS)理論是建立在分類機(jī)制的基礎(chǔ)之上，用來刻畫不完整性、 不確定性的全新數(shù)學(xué)工具，它可以從大量數(shù)據(jù)中挖掘隱含知識(shí)和規(guī)律，由于粗糙集理論不 需要任何先驗(yàn)知識(shí)，因此在實(shí)際中得到快速的發(fā)展應(yīng)用。近年來粗糙集已經(jīng)成為人工智能 領(lǐng)域中的一個(gè)較新的學(xué)術(shù)熱點(diǎn)，其有效性已在許多科學(xué)與工程領(lǐng)域的成功應(yīng)用中得到證 實(shí)。目前，粗糙集在醫(yī)學(xué)圖像識(shí)別中應(yīng)用還不多，可供參考的文獻(xiàn)也較為缺乏，但與其他圖 像識(shí)別技術(shù)相比，粗糙集更適合處理模糊性和不確定性較強(qiáng)的醫(yī)學(xué)圖像。
[0134] 給定信息系統(tǒng)S=(U，A)，其中U為非空論域，A = CUD，CIZ)武0，C表示條件屬性集，D 表示決策屬性集。本發(fā)明的條件屬性集C即對(duì)應(yīng)瞼板腺圖像的特征屬性集。若^ ^ 二D， 則pos(d)=U{g(X) |XeU/ind(d)}為決策屬性d相對(duì)于B的相對(duì)正域。
[0135] 設(shè)P和Q都是等價(jià)關(guān)系簇，如果posind(p)(ind(Q)) =posind(p-{R})(ind(Q))則稱Rep 是P可約去的。所有P中不可約去的Q的等價(jià)關(guān)系的集合稱為P的Q核，記為coredP)。屬性的 核就是條件屬性集中對(duì)于分類決策最為重要的那些屬性，少了它們，分類的質(zhì)量就會(huì)下降。
[0136] 基于以上算法理論，得出粗糙集屬性約簡(jiǎn)算法流程，見附圖4。
[0137] 1、輸入屬性聚類獲得的離散型樣本屬性數(shù)據(jù)，形成信息系統(tǒng)(U，A)，屬性種類i = 1;
[0138] 2、去除樣本屬性數(shù)據(jù)Xi，得到新的信息系統(tǒng)(UA7 )，判斷是否存在U/A = U/A'，若 否，則XiS核屬性，執(zhí)行步驟3,若是，則Xi為冗余屬性，約簡(jiǎn)屬性Xi，更新信息系統(tǒng)(U，A)，執(zhí) 行步驟3;
[0139] 3、屬性種類i+1，判斷是否i>6,若否，則執(zhí)行步驟2,若是，則獲得核屬性集。
[0140] 通過整理約簡(jiǎn)后的決策表，選取精度>0.75和覆蓋度>0.05的規(guī)則，最后得到典型 的瞼板腺功能診斷規(guī)則表，見附圖5。
[0141] S4、瞼板腺功能診斷:輸入待診斷的瞼板腺圖像，執(zhí)行步驟S1至步驟S31，之后將得 到的結(jié)果與步驟S33中生成的診斷規(guī)則表進(jìn)行對(duì)比，得出瞼板腺功能測(cè)定結(jié)果。
[0142] 執(zhí)行步驟31時(shí)，采用屬性約簡(jiǎn)后的4種特征屬性:粗糙度、對(duì)比度、線性度、規(guī)則度。
[0143] 對(duì)于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實(shí)施例的細(xì)節(jié)，而且在 不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無論 從哪一點(diǎn)來看，均應(yīng)將實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán) 利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有 變化囊括在本發(fā)明內(nèi)。
[0144] 此外，應(yīng)當(dāng)理解，雖然本說明書按照實(shí)施方式加以描述，但并非每個(gè)實(shí)施方式包含 一個(gè)獨(dú)立的技術(shù)方案，說明書的這種敘述方式僅僅是為清楚起見，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)將 說明書作為一個(gè)整體，各實(shí)施例中的技術(shù)方案也可以經(jīng)適當(dāng)組合，形成本領(lǐng)域技術(shù)人員可 以理解的其他實(shí)施方式。
【主權(quán)項(xiàng)】
1. 一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其特征在于：具體步驟如 下： S1】圖像預(yù)處理:通過圖像處理方法改善瞼板腺圖像質(zhì)量，使瞼板腺圖像符合肉眼的觀 察判斷或計(jì)算機(jī)的分析處理，所述圖像處理方法包括圖像增強(qiáng)、圖像分割； S2】Tamura紋理特征提取:選取Tamura紋理特征的表達(dá)量作為瞼板腺圖像的特征屬性， 根據(jù)特征屬性對(duì)步驟Sl中處理后的瞼板腺圖像進(jìn)行研究，所述特征屬性為粗糙度、對(duì)比度、 方向度、線性度、規(guī)整度和粗略度； S3】分類規(guī)則提?。阂圆襟ES2中的特征屬性作為瞼板腺功能測(cè)定依據(jù)，通過屬性約簡(jiǎn)形 成精簡(jiǎn)的分類決策表，具體步驟為： S31】對(duì)步驟S2中6種連續(xù)的特征屬性采用改進(jìn)FCM算法進(jìn)行聚類:對(duì)6種連續(xù)的特征屬 性選取連續(xù)型樣本屬性數(shù)據(jù)，輸入聚類數(shù)目及連續(xù)型樣本屬性數(shù)據(jù)，采用改進(jìn)FCM算法返回 與連續(xù)型樣本屬性數(shù)據(jù)相應(yīng)的聚類中心和隸屬度函數(shù);根據(jù)最大隸屬度原則，通過改進(jìn)FCM 算法把原始的連續(xù)型樣本屬性數(shù)據(jù)形成的連續(xù)特征空間映射到離散型樣本屬性數(shù)據(jù)形成 的離散特征空間； S32】對(duì)于步驟S31中獲得的離散特征空間中的離散型樣本屬性數(shù)據(jù)，采用粗糙集屬性 約簡(jiǎn)理論，得到特征屬性的核為{粗糙度、對(duì)比度、線性度、規(guī)則度}; S33】通過整理約簡(jiǎn)后的決策表，根據(jù)精度>0.75和覆蓋度>0.05的規(guī)則，對(duì)特征屬性的 核進(jìn)行選取，最后得到典型的瞼板腺功能診斷規(guī)則表； S4】輸入待診斷的瞼板腺圖像，執(zhí)行步驟Sl至步驟S31，之后將得到的結(jié)果與步驟S33中 生成的功能診斷規(guī)則表進(jìn)行對(duì)比，得出瞼板腺功能測(cè)定結(jié)果。2. 如權(quán)利要求1所述的一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其特征 在于： 在步驟S31中，每種特征屬性均有各自的聚類數(shù)目，根據(jù)最小目標(biāo)函數(shù)值原則來確定6 種特征屬性各自的聚類數(shù)目和聚類中心。3. 如權(quán)利要求1或2所述的一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其 特征在于： 在步驟S31中，改進(jìn)FCM算法對(duì)樣本屬性數(shù)據(jù)進(jìn)行聚類，每種特征屬性聚類的具體執(zhí)行 過程為： S311】對(duì)改進(jìn)FCM算法用到的基本參數(shù)、聚類中心、隸屬度矩陣進(jìn)行初始化，輸入樣本屬 性數(shù)據(jù)集{Xi}，i = 1，2，……η，其中η為樣本數(shù)，迭代次數(shù)初始值T = 1; S312】進(jìn)行迭代次數(shù)KLOOP的判斷，若是，則執(zhí)行步驟S313,若否，則輸出聚類中心，執(zhí) 行步驟S315; S313】更新隸屬度矩陣U，根據(jù)最大隸屬度原則，更新聚類中心，將樣本屬性數(shù)據(jù)集{Xl} 劃分到各個(gè)新的聚類中心Vl所屬的類中，并統(tǒng)計(jì)各類中的樣本數(shù)，記為m，判斷新的聚類中 心是否為孤立點(diǎn)，若是，則將孤立點(diǎn)放入單獨(dú)的集合中，再次執(zhí)行步驟S313,若否，則執(zhí)行步 驟S314; S314】計(jì)算目標(biāo)函數(shù)值，并判斷目標(biāo)函數(shù)是否最小，若是，則輸出聚類中心，執(zhí)行步驟 S315,若否，則迭代次數(shù)T+1，返回步驟S312中進(jìn)行迭代次數(shù)判斷。 S315】離散化樣本屬性數(shù)據(jù)，形成離散型樣本屬性數(shù)據(jù)。4. 如權(quán)利要求3所述的一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其特征 在于： 步驟S313中判斷新的聚類中心是否為孤立點(diǎn)：若新的聚類中心所屬的類內(nèi)樣本數(shù)m的 值為1、2,或m遠(yuǎn)遠(yuǎn)小于樣本屬性數(shù)據(jù)總數(shù)，則說明該類聚類中心為孤立點(diǎn)。5. 如權(quán)利要求1所述的一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其特征 在于： 在步驟S32中，對(duì)于步驟S31中獲得的離散型樣本屬性數(shù)據(jù)，采用粗糙集屬性約簡(jiǎn)理論 進(jìn)行約簡(jiǎn)，得到特征屬性的核為{粗糙度、對(duì)比度、線性度、規(guī)則度}，具體步驟為： S321】輸入步驟S31獲得的離散型樣本屬性數(shù)據(jù)，形成信息系統(tǒng)(U，A)，屬性種類i = l; S322】將離散型樣本屬性數(shù)據(jù)中的X1去除，得到新的信息系統(tǒng)(U，#)，判斷是否存在U/A = U/^，若否，則Xi為核屬性，執(zhí)行步驟S323，若是，則Xi為冗余屬性，約簡(jiǎn)屬性X i，更新信息 系統(tǒng)(U，A)，執(zhí)行步驟S323; S323】屬性種類i+Ι，判斷是否i>6，若否，則執(zhí)行步驟S322，若是，則獲得核屬性集。6. 如權(quán)利要求1所述的一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其特征 在于： 步驟Sl中采用高頻強(qiáng)調(diào)濾波進(jìn)行圖像增強(qiáng)，所述高頻強(qiáng)調(diào)濾波是普通高通濾波器基礎(chǔ) 上加上乘數(shù)和偏移量，其傳遞函數(shù)Hf (u，v)為： Hf (u, v) =a+bH(u, v) 其中，H(u，v)是高通濾波器傳遞函數(shù)，a是偏移量，b是乘數(shù)，當(dāng)偏移量a小于1，高頻乘數(shù) b大于1，低頻成分被抑制，高頻成分被增強(qiáng)。7. 如權(quán)利要求1所述的一種基于粗糙集和改進(jìn)FCM算法的瞼板腺功能測(cè)定方法，其特征 在于： 步驟Sl中采用局部熵濾波和形態(tài)學(xué)方法進(jìn)行圖像分割，具體步驟為： S11】利用瞼板腺圖像局部熵進(jìn)行濾波，得到瞼板腺圖像的紋理圖像，局部熵是對(duì)以選 取像素點(diǎn)為中心的η X η的局部區(qū)域進(jìn)行熵運(yùn)算，局部熵H表達(dá)式為：其中，f(i，j)就是ηΧη這個(gè)局部區(qū)域的像素，是當(dāng)前像素灰度占局部總灰度的概率， 局部熵值越大，窗口內(nèi)紋理差異越小，根據(jù)瞼板腺圖像局部熵值進(jìn)行閾值分割，提取目標(biāo)區(qū) 域； S12】通過形態(tài)學(xué)方法對(duì)步驟Sll中閾值分割產(chǎn)生的過度分割或分割邊界不光滑或空洞 現(xiàn)象進(jìn)行處理，使步驟Sll中處理后的瞼板腺圖像邊緣光滑、空洞填充，得到瞼板腺的分割 圖像。
【文檔編號(hào)】G06K9/62GK105894010SQ201610111942
【公開日】2016年8月24日
【申請(qǐng)日】2016年2月29日
【發(fā)明人】梁鳳梅, 寧曉玲, 許亞軍, 劉雪鷗, 李瑋欣
【申請(qǐng)人】太原理工大學(xué)