面向图像网状结构体的蚁群分割算法

The objective of this project is to study segmenting network-structure object in image, in areas of medical imaging, remote sensing and microscopic imaging. Conventional image segmentation approaches usually produce over-segmentation or under-segmentation results. This project exploits the ant colony optimization algorithm, with the proposed linear transition evolution model and individual intelligent learning, to exploit the topology features of network-structure object to perform image segmentation. This project studies the following fundamental issues. To exploit the narrow line feature of the network-structure object, a new linear transition model is proposed to guide the movement of ant colony. Furthermore, it is incorporated with the conventional Markov chain algorithm with inertia constraint to study the evolution mechanism of ant movement in the image.

本项目以医学图像、遥感图像、显微图像等领域中存在的网状结构体为新型研究对象。针对现有图像分割算法通用性不强、容易造成过分割或欠分割的局限性，以蚁群算法为核心，发展线型运动演化模型和个体智能学习两个特长，提出能充分利用网状体连接拓扑特性进行图像分割的蚁群分割算法。具体研究目标是针对网状结构体的基本结构是狭长线条这一特点，提出研究蚂蚁沿网状体移动的线型运动模型，结合运动惯性约束研究蚂蚁运动在采样图上的演化机制。

网状结构体在医学图像、遥感影像、显微图像等领域中存在，其准确提取能极大的方便相关领域的理论研究与应用。本项目的研究目标在于设计普遍适用、人工干预少、精度高、断裂少等优点的网状结构体图像分割方法。针对需求，本项目取得以下原创性成果。(1)基于经典蚁群算法，提出了以引力随机游走为创新点的图像分割理论。随机游走算法作为一种启发式群智能算法，是蚁群算法的理论基础。以有偏随机游走理论为基础，将万有引力概念引入游走者的转移概率计算中，形成引力随机游走模型。同时考虑到网状结构体的线型分支特性，通过设定不同的连通域的网状结构目标，以不同的标签来规范游走者在图上的运动模式。该模型能显著减少图上随机游走的时间复杂度，同时优化提高网状体分割的准确度。(2)提出以少样本学习为核心的目标检测方法。通过对训练样本中网状结构目标的密度分析及特征分布，提出基于二值标签图标注算法。通过该算法得到大量训练样本，其次由候选区域自适应方法选取合理候选框数量，最后训练网状结构体检测模型，实现面向少样本网状结构体的候选区域自适应检测方法。(3)提出联合概率正则随机游走的密集空洞卷积网络用于网状结构体目标分割。首先以密集空洞卷积神经网络模型分割网状结构体，其次利用概率正则化随机游走算法进行断裂目标重连，最终达到更好的网状结构体检测性能。项目一年执行期间，围绕网状结构体分割评价课题，累计发表论文10篇，其中SCI期刊论文2篇。