基于自适应遗传算法的血细胞分子光谱图像波段选择，戴春妮，李庆利，使用自行研制的分子光谱成像系统获取了白血病人血液涂片的分子光谱图像数据，用于血细胞的自动识别和分析。针对分子光谱数据具有
山国科技论文在线 http://www.paper.edu.cn 其中α和β是两个常数,Po和P分别是交叉概率和变异概率的初始值,N是指具有相同搜 索结果的进化代数。若N<N或最优解发生了改变,N就会被重置为0,此时P和Pm分别 取初始值Po和Pno 为了更好地分析上式的自适应机制,将N>M时的P整理为: P=Po+(a-P0)-(a-P0) MM (4) 同理,当N>N时的Pm可整理为 B-(B-Pmno) (5) N 由式(4)和(5)可看出,P和Pn会随着N的增大而增大,即当最优解维持不变的代数达到一 定程度(即N)时,算法会自适应地加大群体在进化搜索中的交叉概率和变异概率,增强 算法的搜索力度,使其尽快跳出局部最优点。实际卜,a和β分别代表了P和Pmn的最人值, 即算法在搜索的过程中白适应地改变交叉概率和变异概率时可达到的最大值。图1以P为 例说明了算法的自适应机制,其中假定Po和a分别取值07和1.0 Nf=lU Nf=30 N 图1P的自适应机制 3.3算法参数和实现 遗传算法的性能主要由算法在搜索空间的深度搜索和广度搜索的平衡决定的,而这种平 衡又受算法参数的影响,包括种群规模、遗传代数、选择算了、遗传算了和算了实行的概夲 等,因此,遗传算法参数的设置对搜索性能具有很大的影响。本文结合血细胞分子光谱数据 的特点,选择的参数设置如表1所示。 选择好参数之后,设定的血细胞分子光谱数据的自适应遗传算法波段选择的具体实现步 骤为 (1)设置算法的控制参数 (2)按二进制编码方案随机产生初始的二进制串。 (3)依据适应度函数分别计算初始样体中每个个体的适应值 (4)判断算法是否满足推出条件,是则眺到第5步,否则重复执行以下步骤: (a)判断当前搜索到的最优解是否发生了改变,是则将N重置为0,P与Pm分别取初 始值Po和Pm,否则对N进行加1操作。 (b)判断N是否大于N,是则根据式(2)和式(3)计算新的P、Pn值。 (c)通过联赛选择、单点交叉和一致变异产生新一代群体。依据适应度函数分别计算新 代群体中每个个体的适应值。 (d)分别找出新群体中和到当前代为止适应值最高的个体并解码输出。 (e)用上:一代最优个体膂换掉新一代群体中的最差个体。 山国科技论文在线 http://www.paper.edu.cn (5)输出程序的结果和运行吋间。 表1.SGA的参数设置 数 取值 种群规模 最人代数 00 选择策略 联赛选择 交叉算子 单点交又 变异算子 一致变异 pc 0.7 pm 0.0l 0 0.3 4.实验结果 将上述自适应遗传算法( AdaptiVe Ga,AGA)用于血细胞分子光谱数据的波段优化选择 中,并将算法的搜索效果与简单遗传算法( Simplc ga,SGiA)进行比较,结果如表2和图2 所示。表2是血细胞分子光谱数据的15波段降维统计比较,由此表的统计结果可看出自适 应算法比简单算法的搜索效果更好。图2是将从白血病血细胞分子光谱数据中选择的3个波 段进行伪彩色合成,其中图(a)是自适应遗传算法的三波段搜索结果,图(b)是简单遗传算法 的搜索结果,图(c)是随机选择的合成结果。由图可看出图(a)的显示效果比图(b)和(c)的都好, 再次说明了这种自适应机制对算法的性能具有一定的提高作用,适合应用」分子光谱薮据的 降维处理。 g e》 8器 (a)AGA: 724.On, 5809nm and 4806nm & e b) SGA: 714.5nm, 5849nm and 4667nm Cn388o 3 (c)Random: 754.6nm, 691. 8nm and 558.5nm 图2白血病血细胞分子光谱数据的3波段伪彩色合成效果 4 山国科技论文在线 http://www.paper.edu.cn 表2血细胞分子光谱数据的15波段降维统计比较 波长 灰度值 (n)平均值标准差梯度OmF时间 771424.64013.26513.825 729832.20 729813.523 7183329391789813.632 67294900841.58913 646.57798163.34614993 6190123.0581.17415121 6150132078806315.3 5849284700183.95019.539 AGA 79.1286.3517770018671 24.3100.83 41.331994175.37018951 518.3336.530182.08018.732 510.4319.680171.32018.414 478.6361.580191.11019.871 548381.030204.40020.886 426.3271.21143.39019120 平均202.200164.30016950 77522591413.18214.234 733630.4271526513.746 71(0.734.13320.02712889 695641.382298813.80 650.370.2925840115056 619.0123.0581.17415.121 61501320788.06315.343 5849284.700183.95019.539 SGA 579128635177700186723.9150.80 564.3278.940158.38017305 5183336.530182.08018.732 510.4319.680171.32018414 478.6361.580191.11019871 4548381.030204.40020886 4263271.21143.39019.120 平均198.500114.50016850 5.结论 作为一项新的生物组织样本检测技术,分」光谱成像系统不仅可以从细胞形态上对血液 细胞进行检查,还可以从细胞的透射率光谱角度进行分析。鉴于血细胞分」光谱数据只有数 百波段的特点,其单波段图像之间具有很高的相关性和冗余度。从信息处理时付效性和目视解 译的角度来看,通过最优波段选择进行光谱降维可以‘定程度上减少数据的计算量。实验结 果表明,本文使用的自适应遗传算法可较好的选出所需要的波段,有助于医学工作者对病情 的目视解译和诊断,并利于后续的图像处理和分析 山国科技论文在线 http://www.paper.edu.cn 参考文献 [1 K.J. Zuzak, M. D. Schaeberle, M. T. Gladwin, R.O. Cannon, I.W. Levin, Noninvasive measurement of hemoglobin saturation by visible reflectance hyperspectral imaging during nitric oxide inhibition and inhalation, Journal of the American College of Cardiology, 37(2): 250A-251A.2001 [2]A. Papadakis, E. Stathopoulos, G Delides, K. Berberides, G Nikiforidis, C. Balas, A novel spectral microscope system: application in quantitative pathology, IEEE Transactions on Biomedical Engineering, 50(2) 207-217.2003 [3]Q. Du, J.E. Fowlcr, Low-complcxity principal componcnt analysis for hyperspectral imagc comprcssion, International Journal of High Performance Computing Applications, 22(4): 438-448, 2008 transform feature extraction, IEEE Transactions on Geoscience and Remote Sensing, 40(10): 2331-2338, 200,elet 14]LM. Bruce, C.IL. Koger.J. Li, Dimensionality reduction of hyperspectral data using discrete way Geoscience and Remote Sensing Letters, 5(4): 564-568, 20 Selection for hyperspectral image analysis, IEEE [ 5D. Qian, Y. He, Similarity-based unsupervised band [6J. M. Sotoca, F. Pla, J.S.Sanchez, Band selection in multispectral images by minimization of dependent information, IEEE Transactions on Systcms Man and Cybcrnctics Part C-Applications and Rcvicws, 37(2) 258-267.2007. 「η姜小光,王长耀,成像光溍薮据的光谱信息特点及最佳波段选择——以北京顺义区为例,干早区地理, 23(3):214-220,2000 8] P.Y. Yang, Z.L. Zhang, a clustering based hybrid system for mass spectrometry data analysis, Pattern Recognition in Bioinformatics. Proceedings Third IAPR International Conference, PRIB 2008 ):98-109, 2008 [9]R. M. Jarvis, R. Goodacre, Gcnctic algorithm optimization for prc-proccssing and variable sclcction of spectroscopic data Bioinformatics 21(7): 860-868, 2005 10L. Xiaodong, J. Branke, M. Kirley, On performance metrics and particle swarm methods for dynamic multiobjective optimization problems, in 2007 IEEE Congress on Evolutionary Computation: 576-83, 2007 [11]M. Hasan, T. AlKhamis, J. Ali, A comparison between simulated annealing, genetic algorithm and tabu search methods for the unconstrained quadratic Pseudo-Boolean function, Computers Industrial Engineering, 38(3) 323-340.2000 12]SF. Hwang, R.S. Hc, Improving rcal-paramctcr gcnctic algorithm with simulated annealing for cnginccring problem, Advances in Engineering Software, 37: 406-418, 2006 13J. Zhang, IL.S.IL. Chung, W.-L.Lo, Clustering-Based Adaptive Crossover and Mutation Probabilities for Genetic Algorithms, IEEE Transactions on Evolutionary Computation 11(3): 326-335, 2006 [14R. Hinterding, Z Michalewicz, A Eiben, Adaptation in evolutionary computation: a survey, in Proceedin of the IEEE International Conference on Evolutionary Computation, Piscataway. NJ: 65-69, 1997 Band selection for molecular hyperspectral data of blood cells using adaptive genetic algorithms Dai Chunni, Li Qingli, Liu jingao School of Information Science, East China Normal University, Shanghai, China(200062 Abstract A molecular hyperspectral imaging device was developed to study the leukemic blood cells of human As the molecular hyperspectral images have hundreds of wavelength bands and large volume of data, it is very important to perform the dimension reduction process before intelligent recognition and analysis. In this paper, an adaptive genetic algorithm is applied for band selection form the molecular hyperspectral images of blood cells. Experiment results show that the new algorithm is prior to the simple genetic algorithm with the convenience to better understanding and diagnosis Keywords: genetic algorithm; band selection; hyperspectral data; biomedical images 6