基于遺傳算法的web圖像分割研究與實(shí)現(xiàn)【畢業(yè)設(shè)計+開題報告+文獻(xiàn)綜述】

1、<p>　　本科畢業(yè)設(shè)計(論文)</p><p><b>　　（二零 屆）</b></p><p>　　基于遺傳算法的WEB圖像分割研究與實(shí)現(xiàn)</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級 計算機(jī)科學(xué)與技術(shù) <

2、/p><p>　　學(xué)生姓名 學(xué)號 </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p>　　摘 要: 隨著信息時代的到來，數(shù)字圖像大量涌入互聯(lián)網(wǎng)，并已成為人們生活中的一個重要組

3、成部分。WEB圖像分割是圖像處理中的一個關(guān)鍵步驟,其目的是將WEB圖像中的目標(biāo)與背景分離，能夠為圖像處理中的后續(xù)環(huán)節(jié)提供基礎(chǔ)。開發(fā)一種有效而快速的圖像分割方法已成為當(dāng)前圖像處理、計算機(jī)視覺和目標(biāo)識別等領(lǐng)域的一個研究熱點(diǎn)。本文提出了一種基于直方圖熵和改進(jìn)遺傳算法的圖像分割方法，能夠利用遺傳算法帶有的優(yōu)化操作的高效性，自適應(yīng)加以調(diào)整，從而大幅度地縮短了尋找最優(yōu)閾值的時間。此外，對于遺傳算法中存在的不足之處，提出了一些修正。通過實(shí)驗對比可見，

4、提出的算法不僅得到了更好的分割效果，而且比傳統(tǒng)閾值分割方法的計算速度要快。</p><p>　　關(guān)鍵詞：遺傳算法；圖像分割；最大類間方差法；最佳直方圖熵法</p><p>　　The Research and Implementation of WEB Image Segmentation Based on Genetic Algorithm </p><p>　　

5、Abstract：With the coming of information age, a large number of digital images are emerged on the Internet, and they are acted as an important part in our daily lives. WEB image segmentation is a key step in image proces

6、sing. And its aim is to distinguish the objects and background within an image. The segmentation process will provide a basis for the following steps in image processing. Thus, it has been a research focus to develop an

7、effective and fast segmentation method in image processing, </p><p>　　Key words: genetic algorithm (GA), image segmentation, Otsu method, KSW (Automatic thresholding of the best entropy) method</p>&l

8、t;p><b>　　目 錄</b></p><p><b>　　1 緒論1</b></p><p>　　1.1 研究的背景、目的和意義1</p><p>　　1.2 本文的主要內(nèi)容2</p><p>　　1.3 本文的組織結(jié)構(gòu)3</p><p>　　2

9、WEB圖像分割相關(guān)研究4</p><p>　　2.1 圖像分割簡介4</p><p>　　2.2 圖像分割閾值選取技術(shù)4</p><p>　　2.3 閾值分割簡介5</p><p>　　3 基于遺傳算法的WEB圖像分割法6</p><p>　　3.1 最大類間方差法6</p><

10、;p>　　3.1.1 一維Otsu算法6</p><p>　　3.1.2 二維Otsu算法7</p><p>　　3.1.3 Otsu閾值分割的遺傳算法設(shè)計8</p><p>　　3.2 基于遺傳算法的KSW熵方法10</p><p>　　3.2.1 單閾值分割的遺傳算法設(shè)計11</p><p&g

11、t;　　3.2.2 雙閾值分割的遺傳算法設(shè)計12</p><p>　　4 實(shí)驗部分14</p><p>　　4.1 實(shí)驗設(shè)計14</p><p>　　4.2實(shí)驗結(jié)果及分析14</p><p><b>　　5 結(jié) 論22</b></p><p>　　致 謝錯誤!未定義書簽。<

12、;/p><p><b>　　參考文獻(xiàn)23</b></p><p><b>　　1 緒論</b></p><p>　　1.1 研究的背景、目的和意義</p><p>　　隨著信息時代的到來,大量的數(shù)字圖像紛紛涌入到互聯(lián)網(wǎng),逐漸成為我們生活中的一部分。對WEB圖像進(jìn)行分割是對圖像信息的提取和處理的關(guān)鍵步

13、驟。圖像分割的目的是將目標(biāo)和背景分離,為計算機(jī)視覺的后續(xù)處理提供依據(jù)。尋找一種快速而有效的圖像分割方法現(xiàn)已成為當(dāng)前計算機(jī)視覺、自動目標(biāo)識別和圖像處理等領(lǐng)域研究的一個熱點(diǎn)[1]。</p><p>　　圖像分割是圖像處理中的一項關(guān)鍵技術(shù),圖像分割就是把圖像劃分成若干互補(bǔ)交疊區(qū)域的像素的集合,這些區(qū)域要么對當(dāng)前的分割有意義,是目標(biāo)物體與背景的邊緣,要么有助于說明它們之間的對應(yīng)關(guān)系。自適應(yīng)圖像分割為了響應(yīng)參數(shù)的變化需要修

14、改控制能力,保證圖像在不同環(huán)境條件下的質(zhì)量[2]。隨著20世紀(jì)數(shù)字圖像處理技術(shù)的興起而受到人們廣泛的深入的研究,提出了很多優(yōu)秀的算法。但這些算法往往只在某一個方面表現(xiàn)出優(yōu)秀的解決問題的能力,在另外的一些領(lǐng)域則需要其他的圖像分割算法。因此,現(xiàn)有的圖像分割算法并沒有一般意義上的通用性。另外,圖像分割效果的評估也沒有相應(yīng)的評判標(biāo)準(zhǔn),通常的處理方式只能是具體問題具體分析。在這其中遺傳算法是解決圖像分割問題的最優(yōu)算法之一[3]。它不涉及具體的研究

15、領(lǐng)域和內(nèi)容,只關(guān)心相應(yīng)的目標(biāo)函數(shù)和輔助函數(shù),即所謂魯棒性。因此廣泛應(yīng)用于工業(yè)工程、計算科學(xué)、工控系統(tǒng)、交通、計算機(jī)、通信、電子科學(xué)與技術(shù)等領(lǐng)域。</p><p>　　遺傳算法（Genetic Algorithm）是一類借鑒生物界的進(jìn)化規(guī)律（適者生存,優(yōu)勝劣汰遺傳機(jī)制）演化而來的隨機(jī)化搜索方法[1]。它是由美國的J.Holland教授1975年首先提出,其主要特點(diǎn)是直接對結(jié)構(gòu)對象進(jìn)行操作,不存在求導(dǎo)和函數(shù)連續(xù)性的限

16、定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法,能自動獲取和指導(dǎo)優(yōu)化的搜索空間,自適應(yīng)地調(diào)整搜索方向,不需要確定的規(guī)則[2]。</p><p>　　圖像分割伴隨著數(shù)字圖像處理技術(shù)在實(shí)際中已經(jīng)得到廣泛的應(yīng)用,例如在工業(yè)工程,產(chǎn)品檢驗,工業(yè)控制,圖像處理,衛(wèi)星圖片,生物醫(yī)學(xué)圖像分析、保安監(jiān)控以及軍事、衛(wèi)生、農(nóng)業(yè)工程等諸多領(lǐng)域[3]。概括來說,在各種圖像應(yīng)用中,只需對圖像物體目標(biāo)進(jìn)行提取、測量等進(jìn)一步

17、操作都離不開圖像分割,圖像分割往往是這些處理步驟的準(zhǔn)備階段,圖像分割的效果直接影響后續(xù)任務(wù)的有效性,因此圖像分割具有重要的研究意義[3]。而遺傳算法是一種通用的算法[4]。進(jìn)入90年代,遺傳算法迎來了興盛發(fā)展時期,無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍,不但它的應(yīng)用領(lǐng)域擴(kuò)大,而且利用遺傳算法進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高,同時產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中[4]。此外一些新的理論和方法在

18、應(yīng)用研究中亦得到了迅速的發(fā)展,這些無疑均給遺傳算法增添了新的活力[5]。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面[6]。其中圖像分割是一大研究方向。譚志存,魯瑞華提出建立在最大類間方差基礎(chǔ)上的改進(jìn)遺傳算法[7]。基于基因位的交叉概率充分體現(xiàn)了不同基因位不同程度的重要性,避免</p><p>　　最早將遺傳算法用于圖像分割的Kapur 等人提出的最佳熵閾值確定法(簡稱KSW熵法)

19、中,進(jìn)行了針對圖像分割遺傳程序所需的參數(shù)設(shè)計。KSW 熵方法具有很多優(yōu)點(diǎn),但同時也存在弱點(diǎn):需要大量的運(yùn)算時間,特別是在計算多閾值時. 因此需要引入優(yōu)化算法。 J . Holland 的遺傳算法是具有魯棒性和自適應(yīng)性的搜索方法。采用遺傳算法實(shí)現(xiàn)單閾值和多閾值圖像分割,實(shí)驗結(jié)果表明分割速度快于傳統(tǒng)的KSW熵法,縮短了運(yùn)算時間[3]。而最大類別方差法是Otsu在1979年提出的,在圖像分割中有大量應(yīng)用。Otsu法利用了灰度直方圖的0階和1階

20、矩,它不僅是圖像分割的重要方法, 而且也是模式識別中非監(jiān)督分類問題的判斷依據(jù)。</p><p>　　當(dāng)前,圖像分割與機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、統(tǒng)計學(xué)、人工智能等學(xué)科的先進(jìn)思想和理論緊密結(jié)合已經(jīng)成為一個重要的趨勢。本文針對基于遺傳算法的WEB圖像分割方法中存在的最佳閾值的確定和參數(shù)設(shè)置的優(yōu)化問題,將遺傳算法和KSW熵法相結(jié)合,將信息論中Shannon 熵概念用于圖像分割時,測量圖像灰度直方圖的熵,由此找出最佳閾值,其出發(fā)

21、點(diǎn)是使圖像中目標(biāo)與背景分布的信息量最大.提出一種有效的混合圖像分割算法,同時,在分割過程中盡可能地提高運(yùn)行效率。</p><p>　　本文針對圖像分割中現(xiàn)存的一個重要而關(guān)鍵的問題進(jìn)行研究,通過提出有效的方法,改進(jìn)分割的精度和效率,這對醫(yī)學(xué)、數(shù)字服務(wù)、網(wǎng)絡(luò)安全相關(guān)領(lǐng)域的發(fā)展必將具有廣泛的應(yīng)用前景和重要的實(shí)用價值。</p><p>　　1.2 本文的主要內(nèi)容</p><p

22、>　　標(biāo)準(zhǔn)的遺傳算法本身存在一些不足,對它進(jìn)行如下兩點(diǎn)修正：(1)在上述的選擇方案中,由于選擇方案是隨機(jī)的,有可能適應(yīng)度大的個體沒有選中,適應(yīng)度小的反而有可能被選中以產(chǎn)生下一代個體。根據(jù)類比生物論的思想,適應(yīng)度小的個體產(chǎn)生下一代的質(zhì)量一般不會很高。為了克服GA的這個弊端,在用賭輪法進(jìn)行選擇以前。先用精英策略選擇一次,即按照一定的概率。使那些適應(yīng)度比較高的個體直接進(jìn)入下一代；(2)在上述步驟中,每次選出來兩個個體,它們之間先進(jìn)行交叉

23、操作,再分別對兩個新個體進(jìn)行變異操作,最后用新得到的新個體代替舊個體。但是新個體可能比舊個體的適應(yīng)度小,即可能出現(xiàn)退化現(xiàn)象,為了減少退化的發(fā)生,使新個體以一定的概率代替舊個體[8]。本文提出基于遺傳算法的KSW熵閾值分割方法對WEB圖像分割。</p><p>　　本文主要的研究內(nèi)容如下：</p><p>　　基于遺傳算法的KSW熵閾值分割方法：將信息論中熵概念應(yīng)用于圖像分割時,其依據(jù)是使圖

24、像中目標(biāo)與背景分布的信息量最大,即通過分析圖像灰度直方圖的熵,找出最佳閾值。傳統(tǒng)的KSW熵法對于每個初始閩值要計算一次質(zhì)量評估函數(shù),然后取最大值來確定最佳門限,分割速度主要由質(zhì)量評估函數(shù)的計算速度。對于256級灰度的運(yùn)算速度為256T,實(shí)驗結(jié)果表明當(dāng)用改進(jìn)的GA的KSW熵法采用每代20個體,一般繁殖到第6代就達(dá)到最優(yōu)閾值,運(yùn)算速度為120T,比簡單的KSW熵法的運(yùn)算速度小。</p><p>　　1.3 本文的組

25、織結(jié)構(gòu)</p><p>　　本文主要章節(jié)安排如下：</p><p><b>　　1 緒論</b></p><p>　　主要討論了本文研究的背景、目的和意義,并且簡要地概括了本文的主要內(nèi)容和創(chuàng)新點(diǎn)。</p><p>　　2 圖像分割相關(guān)研究</p><p>　　本章首先討論了圖像分割的發(fā)展過程與

26、研究現(xiàn)狀,圖象分割的三種不同的途徑,其一是將各象素劃歸到相應(yīng)物體或區(qū)域的象素聚類方法即區(qū)域法,其二是通過直接確定區(qū)域間的邊界來實(shí)現(xiàn)分割的邊界方法,其三是首先檢測邊緣象素再將邊緣象素連接起來構(gòu)成邊界形成分割。并且介紹了研究中使用的圖像分割的閾值選取技術(shù)概念及相關(guān)方法,最后介紹了閾值分割的技術(shù)。</p><p>　　3 基于遺傳算法的WEB圖像分割方法</p><p>　　本章首先介紹了最大

27、類間方差法，提出了基于遺傳算法的最大類間方差法的設(shè)計,然后提出了基于遺傳算法的KSW法，通過單閾值和雙閾值的分割對KSW法進(jìn)行了詮釋。最后對上述算法進(jìn)行了實(shí)驗，并對實(shí)驗結(jié)果進(jìn)行了分析。</p><p><b>　　4 結(jié)論</b></p><p>　　本章主要的內(nèi)容是總結(jié)了本文的研究內(nèi)容,并且對未來的研究進(jìn)行了展望。</p><p>　　2

28、 WEB圖像分割相關(guān)研究</p><p>　　2.1 圖像分割簡介</p><p>　　所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區(qū)域,使得這些特征在同一區(qū)域內(nèi),表現(xiàn)出一致性或相似性,而在不同區(qū)域間表現(xiàn)出明顯的不同。簡單的講,就是在一幅圖像中,把目標(biāo)從背景中分離出來,以便于進(jìn)一步處理。圖像分割是圖像處理與計算機(jī)視覺領(lǐng)域低層次視覺中最為基礎(chǔ)和重要的

29、領(lǐng)域之一,它是對圖像進(jìn)行視覺分析和模式識別的基本前提[8]。同時它也是一個經(jīng)典難題,到目前為止既不存在一種通用的圖像分割方法,也不存在一種判斷是否分割成功的客觀標(biāo)準(zhǔn)[9]。</p><p>　　圖象分割有三種不同的途徑,其一是將各象素劃歸到相應(yīng)物體或區(qū)域的象素聚類方法即區(qū)域法,其二是通過直接確定區(qū)域間的邊界來實(shí)現(xiàn)分割的邊界方法,其三是首先檢測邊緣象素再將邊緣象素連接起來構(gòu)成邊界形成分割[9]。早期的圖像分割方法可

30、以分為兩大類。一類是邊界方法,這種方法假設(shè)圖像分割結(jié)果的某個子區(qū)域在原來圖像中一定會有邊緣存在；一類是區(qū)域方法,這種方法假設(shè)圖像分割結(jié)果的某個子區(qū)域一定會有相同的性質(zhì),而不同區(qū)域的像素則沒有共同的性質(zhì)。這兩種方法都有優(yōu)點(diǎn)和缺點(diǎn),有的學(xué)者考慮把兩者結(jié)合起來進(jìn)行研究?，F(xiàn)在,隨著計算機(jī)處理能力的提高,很多方法不斷涌現(xiàn),如基于彩色分量分割、紋理圖像分割[9]。</p><p>　　2.2 圖像分割閾值選取技術(shù)</

31、p><p>　　閾值分割法是一種基于區(qū)域的圖像分割技術(shù),其基本原理是：通過設(shè)定不同的特征閾值,把圖像象素點(diǎn)分為若干類。常用的特征包括：直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征[10]。 </p><p>　　閾值法是一種傳統(tǒng)的圖像分割方法,因其實(shí)現(xiàn)簡單、計算量小、性能較穩(wěn)定而成為圖像分割中最基本和應(yīng)用最廣泛的分割技術(shù)。已被應(yīng)用于很多的領(lǐng)域,例如,在紅外技術(shù)應(yīng)用中,紅外

32、無損檢測中紅外熱圖像的分割,紅外成像跟蹤系統(tǒng)中目標(biāo)的分割；在遙感應(yīng)用中,合成孔徑雷達(dá)圖像中目標(biāo)的分割等；在醫(yī)學(xué)應(yīng)用中,血液細(xì)胞圖像的分割,磁共振圖像的分割；在農(nóng)業(yè)工程應(yīng)用中,水果品質(zhì)無損檢測過程中水果圖像與背景的分割。在工業(yè)生產(chǎn)中,機(jī)器視覺運(yùn)用于產(chǎn)品質(zhì)量檢測等等[11]。在這些應(yīng)用中,分割是對圖像進(jìn)一步分析、識別的前提,分割的準(zhǔn)確性將直接影響后續(xù)任務(wù)的有效性,其中閾值的選取是圖像閾值分割方法中的關(guān)鍵技術(shù)[12]。</p>

33、<p>　　2.3 閾值分割簡介</p><p>　　圖像閾值化分割是一種最常用,同時也是最簡單的圖像分割方法,它特別適用于目標(biāo)和背景占據(jù)不同灰度級范圍的圖像。它不僅可以極大的壓縮數(shù)據(jù)量,而且也大大簡化了分析和處理步驟,因此在很多情況下,是進(jìn)行圖像分析、特征提取與模式識別之前的必要的圖像預(yù)處理過程。圖像閾值化的目的是要按照灰度級,對像素集合進(jìn)行一個劃分,得到的每個子集形成一個與現(xiàn)實(shí)景物相對應(yīng)的區(qū)域,各

34、個區(qū)域內(nèi)部具有一致的屬性,而相鄰區(qū)域布局有這種一致屬性。這樣的劃分可以通過從灰度級出發(fā)選取一個或多個閾值來實(shí)現(xiàn)[8]。</p><p>　　設(shè)原始圖像為f(x,y),按照一定的準(zhǔn)則在f(x,y)中找到特征值T,將圖像分割為兩個部分,分割后的圖像為</p><p><b>　　（2.1）</b></p><p>　　若取 ：b0=0（黑）,b1=

35、1（白）,即為我們通常所說的圖像二值化。</p><p><b>　　圖2.1</b></p><p>　　一般意義下,閾值運(yùn)算可以看作是對圖像中某點(diǎn)的灰度、該點(diǎn)的某種局部特性以及該點(diǎn)在圖像中的位置的一種函數(shù),這種閾值函數(shù)可記作</p><p>　　T(x, y, N(x, y),f(x, y))</p><p>　　式

36、中,f(x, y)是點(diǎn)(x, y)的灰度值；N(x, y)是點(diǎn)(x, y)的局部鄰域特性．根據(jù)對T的不同約束,可以得到3種不同類型的閾值[37],即點(diǎn)相關(guān)的全局閾值T＝T(f(x, y)) (只與點(diǎn)的灰度值有關(guān))區(qū)域相關(guān)的全局閾值T＝T(N(x, y),f(x, y)) (與點(diǎn)的灰度值和該點(diǎn)的局部鄰域特征有關(guān))局部閾值或動態(tài)閾值T＝T(x, y, N(x, y),f(x, y))(與點(diǎn)的位置、該點(diǎn)的灰度值和該點(diǎn)鄰域特征有關(guān))[13]。&

37、lt;/p><p>　　圖像閾值化這個看似簡單的問題,在過去的四十年里受到國內(nèi)外學(xué)者的廣泛關(guān)注,產(chǎn)生了數(shù)以百計的閾值選取方法[14],但是遺憾的是,如同其他圖像分割算法一樣,沒有一個現(xiàn)有方法對各種各樣的圖像都能得到令人滿意的結(jié)果,甚至也沒有一個理論指導(dǎo)我們選擇特定方法處理特定圖像[8]。</p><p>　　3 基于遺傳算法的WEB圖像分割法</p><p>　　3.

38、1 最大類間方差法</p><p>　　由Otsu于1978年提出的最大類間方差法以其計算簡單、穩(wěn)定有效,一直廣為使用。從模式識別的角度看,最佳閾值應(yīng)當(dāng)產(chǎn)生最佳的目標(biāo)類與背景類的分離性能,此性能我們用類別方差來表征,為此引入類內(nèi)方差、類間方差和總體方差,并定義三個等效的準(zhǔn)則測量[14]：</p><p>　　, , . (3.1)</p>&l

39、t;p>　　鑒于計算量的考慮,人們一般通過優(yōu)化第三個準(zhǔn)則獲取閾值。此方法也有其缺陷,當(dāng)圖像中目標(biāo)與背景的大小之比很小時,方法失效。在實(shí)際運(yùn)用中,往往使用以下簡化計算公式：</p><p><b>　　(3.2)</b></p><p>　　其中,為兩類間最大方差,WA 為A類概率,為A類平均灰度,WB為B類概率,為B類平均灰度,μ為圖像總體平均灰度[15]。&l

40、t;/p><p>　　即閾值T將圖像分成A,B兩部分,使得兩類總方差（T）取最大值的T,即為最佳分割閾值[16]。</p><p>　　3.1.1 一維Otsu算法 </p><p>　　設(shè)圖像f中,灰度值為i的象素的數(shù)目為Ni,總象素為：,各灰度K為門限將圖像分為兩個區(qū)域（目標(biāo)和背景）,灰度為l-k的象素和灰度為K+1-L的象素分別屬于區(qū)域A(目標(biāo))和B(背景),

41、則區(qū)域A和B的概率分別為</p><p><b>　　(3.3)</b></p><p><b>　　和</b></p><p>　　, (3.4)</p><p><b>　　若定義</b></p><p><b>　　(3.5)

42、</b></p><p>　　則圖像的總平均灰度級為：</p><p>　　,(3.6)</p><p>　　區(qū)域A的平均灰度級為：</p><p>　　,(3.7)</p><p>　　區(qū)域B的平均灰度級為:</p><p><b>　　(3.8)<

43、;/b></p><p>　　令：。則以k為閾值分類時兩個區(qū)域的內(nèi)間方差為：</p><p>　　。 (3.9)</p><p>　　按照最大類間方差的準(zhǔn)則,從1至L改變k,并計算類間方差,使上式最大的k即是閾值分割的門限。</p><p>　　3.1.2 二維Otsu算法</p><p>　

44、　二維Otsu閾值分割算法充分利用了圖像象素與其鄰域的空間相關(guān)信息。設(shè)圖像的灰度級為L,圖像大小為M*N 若f(x,y)表示圖像上坐標(biāo)為(x,y)的象素的灰度值(記為I),g(x,y)表示圖像上坐標(biāo)為（x,y）的象素的k*k鄰域平均灰度值(記為j),則有 </p><p><b>　　(3.10)</b></p><p>　　由于0<g(x,y)<L,

45、即領(lǐng)域平均灰度g(x,y)的灰度級也為L。</p><p>　　若以二維矢量(s,t)作為閾值將圖像分為兩類C0和C1,分別代表目標(biāo)和背景。兩類出現(xiàn)的概率分別為</p><p><b>　　(3.5)</b></p><p>　　兩類對應(yīng)的均值矢量為：</p><p><b>　?。?.11）</b>

46、;</p><p><b>　?。?.12）</b></p><p>　　在大多數(shù)情況下,遠(yuǎn)離直方圖對角線的概率可忽略不計,則可以合理地假設(shè)在區(qū)域一i=s+1,… L；j=1,…,t和i=1,…,s；j=t+1,…,L, ,所以。總體均值可表示為</p><p><b>　?。?.13）</b></p>&l

47、t;p>　　定義類間的離散測度矩陣：,（3.14）</p><p>　　使用矩陣的跡作為背景和目標(biāo)間類地距離測量函數(shù),即：</p><p>　　類似于一維最大類間方差法,最佳閾值滿足：</p><p><b>　?。?.15）</b></p><p>　　3.1.3 Otsu閾值分割的遺傳算法設(shè)計</

48、p><p>　　遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而成的一種自適應(yīng)全局優(yōu)化概率搜索算法[14]。隱含并行性和對全局信息的有效利用能力是遺傳算法的兩大顯著優(yōu)點(diǎn),前者能提高算法速度,便于實(shí)時處理；后者使遺傳算法具有較強(qiáng)的魯棒性,可避免陷入局部最優(yōu)。由于最大類間方差法選取閾值的過程實(shí)質(zhì)是一種尋求最優(yōu)解的過程,故可用遺傳算法所具有的快速尋優(yōu)的特點(diǎn)對其進(jìn)行優(yōu)化,以達(dá)到提高效率的目的。將遺傳算法應(yīng)用于圖像分割時,基本

49、步驟如下：</p><p>　　1.對群體進(jìn)行初始化,在取值范圍內(nèi)對種群的個體隨機(jī)</p><p><b>　　賦初值；</b></p><p>　　2.求出所有初始個體的適應(yīng)度；</p><p>　　3.對群體進(jìn)行選擇、交叉、變異等遺傳操作,產(chǎn)生新一代群體；</p><p>　　4.判斷是否滿足

50、終止條件,若不滿足終止條件,則返回步驟2繼續(xù)執(zhí)行,否則跳出遺傳算法,得到圖像分割的最優(yōu)閾值；</p><p>　　下面便針對遺傳算法對最大類間方差法的優(yōu)化的具體實(shí)現(xiàn)過程做研究：</p><p><b>　?。?）染色體的編碼</b></p><p>　　通過編碼將決策變量表示成串結(jié)構(gòu)數(shù)據(jù),本文采用最常用的二進(jìn)制編碼方案。由于圖像灰度值在0-25

51、5之間,故可用00000000-11111111 之間的一個8位二進(jìn)制代碼表示一個分割閾值。對于一維Otsu分割,染色體串長為10,其中前8位為閾值的二進(jìn)制編碼,后兩位為閾值真值和適應(yīng)度；而對于二維Otsu法來說,分割的門限是二維的,因此可以考慮采用染色體總長為19的編碼方法, 前16位為s 和t的二進(jìn)制編碼,后3位分別為s和t的真值以及適應(yīng)度。</p><p><b>　?。?）初始群體</b&

52、gt;</p><p>　　本文采用逐個產(chǎn)生初始群體的方法,若產(chǎn)生一個不滿足約束條件,則被淘汰,重新產(chǎn)生。直到產(chǎn)生種群數(shù)個滿足約束條件的初始群體為止.一維Otsu法分割設(shè)置初始群體的個數(shù)為20,二維Otsu法分割的初始群體選為30。</p><p><b>　　（3）解碼</b></p><p>　　對二進(jìn)制染色體數(shù)組采用的公式：</p&

53、gt;<p>　　,(3.16)</p><p>　　,某一個體K的二進(jìn)制編碼為。(3.17)</p><p><b>　?。?）適應(yīng)度函數(shù)</b></p><p>　　遺傳算法的執(zhí)行過程中,每一代有許多不同的染色體同時存在,確定這些染色體中哪些遺傳到下一代,是根據(jù)群體中各個個體的適應(yīng)度大小決定的。適應(yīng)度的大小是

54、通過計算適應(yīng)度函數(shù)的值,這個值稱為適應(yīng)度。適應(yīng)度函數(shù)通常是根據(jù)</p><p>　　目標(biāo)函數(shù)確定的,在本文中,一維Otsu法的類間方差函數(shù)就是所求的目標(biāo)函數(shù)的距離測度函數(shù)。由于所求問題為最大值且為非負(fù),因此適應(yīng)度函數(shù)可以直接等于目標(biāo)函數(shù)[17]。</p><p>　?。?）遺傳算子和參數(shù)設(shè)定</p><p>　　主要的遺傳算子有選擇、交叉、變異3種。</p&g

55、t;<p>　　1. 選擇算子：先采用最優(yōu)保存策略,然后采用賭輪法（比例選擇）。</p><p>　　2. 交叉算子：它是遺傳算法區(qū)別于其它進(jìn)化算法的重要特征,是產(chǎn)生新個體的主要方法。交叉算子的設(shè)計和實(shí)現(xiàn)與所研究的問題密切相關(guān),它決定了遺傳算法的全局搜索能力。一般要求它既不要太多地破壞個體編碼串中優(yōu)良模式,又要能夠有效地產(chǎn)生出一些較好的新個體模式。 本文對一維Otsu閾值分割法的染色體采用單點(diǎn)交

56、叉的方式,二維Otsu法采用雙點(diǎn)交叉的方式,且分別在變量s,t的編碼段內(nèi)設(shè)定一個交叉點(diǎn)。</p><p>　　3. 變異算子：只是產(chǎn)生新個體的輔助方法,但它決定了遺傳算法的局部搜索能力。在反復(fù)的試驗時,發(fā)現(xiàn)基本位變異對結(jié)果的影響微乎其微,而一旦增大變異概率,算法又近似于隨機(jī)搜索算法。所以本文采用下面的變異策略,把進(jìn)化過程分為初期、中期和后期三個階段,分別采用不同的變異方法。 進(jìn)化初期以小的概率在稍大的范圍內(nèi)變異

57、, 維持多樣性而又不破壞好的模式；進(jìn)化中期以稍大的概率在中等的范圍內(nèi)變異,算法開始收斂；進(jìn)化后期以大的概率在小的范圍內(nèi)變異,增加局部搜索能力。</p><p><b>　　（6）終止準(zhǔn)則</b></p><p>　　設(shè)定停機(jī)準(zhǔn)則為在達(dá)到最大進(jìn)化代數(shù)50代之前,若當(dāng)前群體的平均適應(yīng)度值與上一代群體的平均適應(yīng)度的比值范圍為[1.000,1.005]則跳出循環(huán)。</p

58、><p><b>　　（7）結(jié)果處理</b></p><p>　　由于在實(shí)際圖像處理中,GA尋優(yōu)的解可能是最優(yōu)解也可能是準(zhǔn)最優(yōu)解（即與最優(yōu)解相差10%左右）。 對于一個有256級灰度的圖像,其準(zhǔn)最優(yōu)閾值與最優(yōu)閾值的差值一般在25.5左右。為了適應(yīng)不同圖像的閾值選取,設(shè)定一個波動閾值A(chǔ)=25,在求出的閾值k的基礎(chǔ)上,在范圍</p><p>　　[k

59、- A, k + A]內(nèi)進(jìn)行局部搜索,以求得最佳閾值[18]。</p><p>　　3.2 基于遺傳算法的KSW熵方法</p><p>　　八十年代以來,許多學(xué)者將Shannon信息熵的概念應(yīng)用于圖像閾值化,其基本思想都是利用圖像的灰度分布密度函數(shù)定義圖像的信息熵,根據(jù)假設(shè)的不同或視角的不同提出不同的熵準(zhǔn)則,最后通過優(yōu)化該準(zhǔn)則得到閾值。Pun通過使后驗熵的上限最大來確定閾值。Kapur等

60、人[19]的方法假定目標(biāo)和背景服從兩個不同的概率分布和定義</p><p><b>　　(3.18)</b></p><p><b>　　使得熵</b></p><p><b>　　(3.19)</b></p><p>　　達(dá)到最大求得最佳閾值。此方法又稱為KSW熵方法。<

61、;/p><p>　　KSW最佳熵自動門限法適合于多閾值（設(shè)為k個閾值）分割。此時,</p><p><b>　?。?.20）</b></p><p>　　式中是分割閾值,且有。最佳閾值</p><p><b>　　使總熵取最大值,即</b></p><p><b>　　

62、(3.21)</b></p><p>　　特別地,對于雙閾值情況,即為,則有</p><p><b>　?。?.22）</b></p><p>　　最佳閾值使總熵取最大值。即</p><p>　　。 (3.23)</p><p>　　3.2.1 單閾值分割的

63、遺傳算法設(shè)計</p><p>　　1. 編碼；由于圖像灰度值在0—255之間,故將各個染色體編碼為8位二進(jìn)制碼,它代表某個分割閾值,初始代人口的值為隨機(jī)產(chǎn)生的,其相應(yīng)的適應(yīng)度值也各有高低。</p><p>　　2. 人口模型；人口過多,則每一代適應(yīng)度值的計算量大,因此人口數(shù)設(shè)置應(yīng)該合理。在此,設(shè)置人口為l0, 最大繁殖代數(shù)為100。</p><p>　　3.

64、解碼；對二進(jìn)制染色體數(shù)組解碼為0—255之間的值。以求其適應(yīng)度值。KSW 熵法分別采用(3.18)式和(3.19)式為適應(yīng)度函數(shù)。同時采取對適應(yīng)度函數(shù)的線性定標(biāo)。</p><p>　　4. 選擇；遺傳算法的收斂定理指出保留最優(yōu)個體(精英策略)的遺傳算法全局收斂。因此本文在進(jìn)行選擇操作時,先進(jìn)行賭輪法(蒙特卡羅法)。再采用精英策略。</p><p>　　5. 交叉；交叉互換的重要特征是它

65、能產(chǎn)生不同于父體的子體。交叉概率越大,交叉操作的可能性也越大；如果交叉概率太低,收斂速度可能降低,單閾值分割由于只有一個參數(shù)。所以采用一點(diǎn)交叉,在此設(shè)置交叉概率分別為0.6和0.8。</p><p>　　6. 變異；變異概率為0.02,0.03和0.02。終止準(zhǔn)則規(guī)定當(dāng)算法執(zhí)行到最大代數(shù)(終止條件J或經(jīng)過100代進(jìn)化,群體中的最高適應(yīng)度值仍未發(fā)生變化(穩(wěn)定條件)時,算法停止運(yùn)行,具有最高適應(yīng)度值的個體即為分割閾

66、值。以上種群模型、交叉概率、變異概率和穩(wěn)定代數(shù)等參數(shù)均根據(jù)多次實(shí)驗結(jié)果總結(jié)設(shè)計。</p><p>　　3.2.2 雙閾值分割的遺傳算法設(shè)計</p><p>　　1. 編碼 ；將單閾值分割中的8位二進(jìn)制碼串改為l6位,前8位表示一個門限值,后8位表示另一個門限值。</p><p>　　2. 人口模型；雙閾值分割屬于多參數(shù)遺傳程序設(shè)計．在此設(shè)置人口數(shù)為20,繁殖代

67、數(shù)為100。</p><p>　　3. 解碼；對二進(jìn)制染色體數(shù)組解碼為兩個0—255之間的數(shù)作為雙閾值。</p><p>　　4. 適應(yīng)度函數(shù)；對于KSW熵法采用（3.14）式為適應(yīng)度函數(shù)．同時采取對適應(yīng)度函數(shù)的線性定標(biāo)。</p><p>　　5. 交叉；采用雙點(diǎn)交叉,兩個交叉點(diǎn)分別位于前8位和后8位。</p><p>　　6. 終止

68、準(zhǔn)則；在雙閾值分割中,規(guī)定經(jīng)過100代進(jìn)化群體中的最高適應(yīng)度值仍未發(fā)生變化為穩(wěn)定條件。</p><p>　　7. 選擇和變異；同單閾值分割[16]。</p><p>　　下圖 圖3.1為閾值分割的遺傳算法框圖</p><p><b>　　4 實(shí)驗部分</b></p><p><b>　　4.1 實(shí)驗設(shè)計&

69、lt;/b></p><p>　　為了驗證上述算法對WEB圖像分割的有效性。我們對基于遺傳算法的KSW熵方法和Otsu法進(jìn)行了驗證。</p><p>　　實(shí)驗數(shù)據(jù)來自因特網(wǎng),實(shí)驗數(shù)據(jù)集收集自因特網(wǎng),實(shí)驗環(huán)境為：CPU（Intel core 2 duo CPU,2.00GHz）,內(nèi)存2G,Matlab 2010b,圖片選取了rice和lenna兩個系類的圖像[16]。</p>

70、;<p>　　為了保證對未知數(shù)據(jù)的有效預(yù)測,實(shí)驗中對數(shù)據(jù)集采用交叉驗證法(Cross Validation)。數(shù)據(jù)集被隨機(jī)分成k個子集,在數(shù)據(jù)集上運(yùn)行k 次,每次取一個子集作為測試集,其余k - 1 個子集合并為訓(xùn)練集,然后取k 次實(shí)驗結(jié)果的均值作為該數(shù)據(jù)集的分類精度的評價標(biāo)準(zhǔn)。</p><p>　　4.2實(shí)驗結(jié)果及分析</p><p>　　下面分別為rice的實(shí)驗結(jié)果。&l

71、t;/p><p><b>　　圖4.1</b></p><p><b>　　圖4.2</b></p><p><b>　　圖4.3</b></p><p>　　在用改進(jìn)的GA尋閾值時,編碼變?yōu)?×8=32位的二進(jìn)制碼,其它與單閾值的求法一樣。從人的視覺效果看,基于遺傳算法

72、的最佳熵閾值分割方法對圖像的分割結(jié)果優(yōu)于傳統(tǒng)的幾種分割方法,幾種測量參數(shù)的計算結(jié)果與人的視覺基本一致[19]。從上述結(jié)果可以看到,基于遺傳算法的最佳熵閾值分割方法無論是在視覺上還是定量的基礎(chǔ)下都有比較好的結(jié)果。 隨著閾值的增多,搜索空間越來越大,遺傳算法的高效尋優(yōu)性體現(xiàn)得越明顯[20]。</p><p>　　遺傳算法閾值在分割質(zhì)量上與傳統(tǒng)方法相同，在分割的速度上優(yōu)于傳統(tǒng)方法。表1和表2，圖4.4，圖4.5，圖4.

73、6和圖4.7分別列出采用Otsu法，KSW熵法的遺傳算法和窮盡算法的時間對比。</p><p><b>　　表1</b></p><p><b>　　圖4.4</b></p><p><b>　　圖4.5</b></p><p><b>　　表2</b>&

74、lt;/p><p><b>　　圖4.6</b></p><p><b>　　圖4.7</b></p><p>　　從實(shí)驗的結(jié)果可以看出,采用遺傳算法進(jìn)行單閾值分割的效果與傳統(tǒng)的Otsu法單閾值分割算法的分割結(jié)果完全相同。從運(yùn)算時間來看,可見,將遺傳算法結(jié)合Otsu算法對圖像進(jìn)行多閾值分割時，比傳統(tǒng)的Otsu法節(jié)省了大量的時間

75、，取得了良好的效果。</p><p>　　下圖為Leana的實(shí)驗結(jié)果</p><p><b>　　圖4.8</b></p><p><b>　　圖4.9</b></p><p><b>　　圖4.10</b></p><p>　　灰度圖像閾值分割的效果如

76、圖所示：源圖為：圖4.8,二維最佳直方圖熵法及改進(jìn)遺傳算法閾值分割后的圖像為：圖4.9,二維最佳直方圖熵法及改進(jìn)遺傳算法閾值(s ,t):(107,125),二維最佳直方圖熵法及改進(jìn)遺傳算法閾值搜索所用時間（s）：0.35。最佳直方圖熵法閾值分割后的圖像為：圖4.10,閾值為(s , t)：（151,83）,搜所時間（s）0.83。運(yùn)行效率上二維最佳直方圖熵法及改進(jìn)遺傳算法閾值搜索所用時間要好于最佳直方圖熵法閾值搜索所用時間。分割的效果

77、上二維最佳直方圖熵法及改進(jìn)遺傳算法也略占優(yōu)勢。</p><p>　　圖4.8是是512×512的Lena標(biāo)準(zhǔn)原始圖像。圖4.9是基于遺傳算法的KSW熵法閾值分割結(jié)果。下面,對基于遺傳算法的KSW熵閾值分割方法與傳統(tǒng)KSW熵法的進(jìn)行比較。</p><p>　　單閾值分割時,時間的減少不明顯,這是因為單閾值分割的搜索空間相對較小,遺傳算法的高效性不能完全體現(xiàn)。</p>

78、<p>　　圖4.11單閾值分割進(jìn)化過程中適應(yīng)度收斂圖</p><p>　　從下面的分析可以看出,遺傳算法在多閾值分割中體現(xiàn)出其高效性。雙閾值分割時,采用每代20個人口,進(jìn)行100代繁殖,實(shí)驗表明,平均繁殖到第40代已得出最佳門限(參見圖4.7) ,按照算法的終止準(zhǔn)則,到第40 +30 代時算法停止,時間明顯少于傳統(tǒng)算法的時間。</p><p>　　圖4.12雙閾值分割進(jìn)化過程中

79、適應(yīng)度收斂圖</p><p>　　遺傳算法用于閾值分割時速度與傳統(tǒng)的方法的對比見表1。 </p><p>　　表3遺傳算法與傳統(tǒng)算法的時間對比</p><p><b>　　圖4.13</b></p><p>　　表3和圖4.13給出了具體收斂時間數(shù)據(jù)，對于單閾值來說，使用遺傳算法所消耗的時間和傳統(tǒng)方法差不多，但對于雙閾值

80、來說，使用傳統(tǒng)的方法則將耗費(fèi)遺傳算法實(shí)現(xiàn)法的23.41倍左右時間?？梢娎没谶z傳算法實(shí)現(xiàn)圖像閾值選取不僅提高了分割質(zhì)量，而且縮短了尋優(yōu)時間。</p><p>　　首先，從分割質(zhì)量來看，對圖像進(jìn)行閾值分割時，當(dāng)門限值取谷底位置時，能對圖像進(jìn)行最好的分割。然而，在互聯(lián)網(wǎng)中WEB圖像十分復(fù)雜，直方圖也不一定呈雙峰，此時用傳統(tǒng)方法效果很不理想，而用遺傳算法解決此問題，最后得到質(zhì)量很好的圖像分割門限對圖像進(jìn)行分割。<

81、;/p><p>　　其次，從速度方面來看，對于單門限分割，用傳統(tǒng)方法求分割門限時，對每一個候選的門限電平都要按適應(yīng)度函數(shù)公式計算一次質(zhì)量測試，然后通過相互比較，最后確定最合適的分割門限,傳統(tǒng)方法隨門限個數(shù)增多，不僅適應(yīng)度函數(shù)變復(fù)雜，而且計算次數(shù)呈指數(shù)增長，而遺傳分割算法的計算次數(shù)不隨門限數(shù)的增多而增加，運(yùn)算時間僅與適應(yīng)度函數(shù)有關(guān)，一般只需進(jìn)行二十次左右的適應(yīng)度函數(shù)計算。</p><p>　　最

82、后，本文提出的基于遺傳算法的閾值分割法,在設(shè)置合理參數(shù),使得分割效果明顯提升,隨著閾值的增多,搜索空間越來越大,遺傳算法的高效尋優(yōu)性也體現(xiàn)得越明顯,取得了良好的果。</p><p><b>　　5 結(jié) 論</b></p><p>　　圖像分割是一個具有十分重要的學(xué)術(shù)研究價值和廣闊發(fā)展空間的領(lǐng)域。圖像分割伴隨著數(shù)字圖像處理技術(shù)在實(shí)際中已經(jīng)得到廣泛的應(yīng)用，例如在工業(yè)工程

83、，產(chǎn)品檢驗，工業(yè)控制，圖像處理，衛(wèi)星圖片，生物醫(yī)學(xué)圖像分析、保安監(jiān)控以及軍事、衛(wèi)生、農(nóng)業(yè)工程等諸多領(lǐng)域。本文通過對基于遺傳算法圖像分類相關(guān)問題進(jìn)行研究,將KSW熵算法和Otsu算法應(yīng)用于圖像分割,取得了良好的效果。</p><p>　　本文首先介紹了研究背景和意義,然后對圖像分割的相關(guān)技術(shù)和基于遺傳算法的閾值分割法的發(fā)展進(jìn)行了綜述。</p><p>　　本文的主要貢獻(xiàn)是將遺傳算法和閾值分割

84、算法相結(jié)合,在實(shí)際應(yīng)用中隨著閾值的變大,遺傳算法的效率也逐漸顯現(xiàn)出來。實(shí)驗結(jié)果表明基于遺傳算法的閾值分割效果不管從分割效果上還是從運(yùn)行效率上都要好于傳統(tǒng)的閾值分割法。</p><p>　　本文還有許多不足之處，本文在控制參數(shù)選擇、適應(yīng)度函數(shù)的選取上、約束條件的處理上還可以做進(jìn)一步的研究。</p><p><b>　　參考文獻(xiàn)</b></p><p&

85、gt;　　[1] Keri Woods. Genetic Algorithms: Colour Image Segmentation Literature Review [J].2007,6.</p><p>　　[2] Bir Bhanu, Sungkee Lee, John

86、0;Ming. Adaptive Image Segmentation Using a Genetic Algorithm[J]. IEEE Trans. on Systems, Man, and Cybernetics, 1995,25(12),1543-1557. </

87、p><p>　　[3] 陳杰,阜艷.基于遺傳算法的圖像分割的研究[J].現(xiàn)代電子技術(shù),2010,14.</p><p>　　[4] L I Yong2cang , YIN Hai2ming , SHI Mei2hong , et al. Amethod of color image segmentation based on DPCNN[ C ]/ / Proceedings of th

88、e2008International Conference on Cyberworlds. Wa shington DC: IEEE Computer Society ,2008 : 7252729.</p><p>　　[5] Srinivas M, L M. Adaptive Probabilities of Crossover and Mutation Genetic Algorithms [J] .

89、IEEE Transact ion on Systems, Man and Cybernetics, 1994, 24( 4) : 656- 667.</p><p>　　[6] 譚志存,魯瑞華.基于最大類間方差的圖像分割改進(jìn)遺傳算法[J].西南大學(xué)學(xué)報(自然科學(xué)),2009,1.</p><p>　　[7] 黃建新,劉懷,黃偉.基于遺傳算法的圖像分割閾值選取[J]. 南京師范大

90、學(xué)學(xué)報(工程技術(shù)版),2007,7(1): 14-17,36</p><p>　　[8] 曾妍婷.基于改進(jìn)的遺傳算法的圖像分割識別方法.2004, 14</p><p>　　[9] 黃力明.基于量子遺傳算法的圖像分割[J].計算機(jī)應(yīng)用與軟件,2009,26(9):247-249.</p><p>　　[10] 譚志存,魯瑞華.基于最大類間方差的圖像分割改進(jìn)

91、遺傳算法[J].西南大學(xué)學(xué)報（自然科學(xué)版）,2009,31(1):87-90.</p><p>　　[11] 魏偉波,潘振寬.圖像分割方法綜述[J].世界科技研究與發(fā)展,2009,31(6):1074-107.  </p><p>　　[12] 張治國,劉懷亮等.圖像分割方法及其應(yīng)用研究綜述[J].計算機(jī)工程與應(yīng)用,2007,43(18):169-170. &

92、lt;/p><p>　　[13] 李敏強(qiáng), 寇紀(jì)淞等.遺傳算法的基本理論與應(yīng)用[M] . 北京: 科學(xué)技術(shù)出版社,2002: 39.</p><p>　　[14] 汪筱紅,須文波.基于遺傳算法的閾值圖像分割研究[J ] . 太原師范學(xué)院學(xué)報:自然科學(xué)版,2007 ,6(3):1112113 ,144.</p><p>　

93、　[15] 屠昂燕,陳建成.遺傳算法的收斂性研究[J] . 湖北第二師范學(xué)院學(xué)報,2008 ,25 (2) :49251.</p><p>　　[16] 馬文.基于遺傳算法的Otsu法在圖像分割中的應(yīng)用[j].河海大學(xué)土木學(xué)院,江蘇,南京,210098</p><p>　　[17] 李紅梅.遺傳算法概述[J] . 軟件導(dǎo)刊,2009 (1):67268 </p><p&

94、gt;　　[18] Mantas Paulinas, Andriud Usinsksa. A Survey of Genetic Algorithms Applications for Image Enhancement and Segmentation [J]. Informa

95、tion Technology and Control,2007,36(3), 278-285.</p><p>　　[19] 許明.驗證碼的識別與反識別.2007, 15</p><p>　　[20] 陳宇.畸變不變復(fù)雜背景目標(biāo)相關(guān)探測技術(shù)研究.2009, 13</p><p><b>　　文獻(xiàn)綜述</b&g

96、t;</p><p>　　基于遺傳算法的WEB圖像分割研究與實(shí)現(xiàn) </p><p><b>　　前言部分</b></p><p><b>　　寫作目的</b></p><p>　　圖像分割是數(shù)字處理技術(shù)與計算機(jī)視覺的基本問題之一。在圖像分割過程中，最關(guān)鍵的就是找到最優(yōu)的閾值，遺傳算法可以說是

97、解決這個問題的優(yōu)秀算法之一，通過在遺傳算法中引入優(yōu)生算子、變異算子和新個體，以及相應(yīng)的基本參數(shù)的設(shè)定，不但能夠改善圖像分割的效果，而且可以縮短計算時間。</p><p>　　圖像分割是一個重要的過程，它是許多圖像處理的應(yīng)用[1]。然而，沒有一種的方法，成功地分割所有圖像[1]。彩色圖像有多個灰度圖像信息，這些信息可以被用來創(chuàng)造更高品質(zhì)的分割[1]。但它確實(shí)增加了問題的復(fù)雜性[1]。其中一種處理這種復(fù)雜性的方法是使

98、用一個定向搜索方法，例如遺傳算法[1]。遺傳算法，模擬進(jìn)化的過程中，有許多優(yōu)點(diǎn)這使它們非常適合的圖像分割問題，它可以從局部最優(yōu)達(dá)到全局最優(yōu)解和也有能力從一個大的搜索空間有效地找到一個最佳的解決方案[1]。</p><p>　　遺傳算法是為搜索，基于自然選擇原則相對較新的范例[3]。在20世紀(jì)60年代由約翰把他們首次引入了荷蘭[3]。遺傳算法被證明是在一個大的空間的最強(qiáng)大的解決方案和優(yōu)化技術(shù)[3]。這說明了在圖像處

99、理的遺傳算法應(yīng)用的日益普及已經(jīng)延伸到其他領(lǐng)域[3]。它們可用于搜索的解決方案，給出詳盡的計算時間[3]。遺傳算法應(yīng)用圖像處理擴(kuò)大了過濾，它從不斷變化的檢測邊沿使復(fù)雜的決策或分類檢測功能得到加強(qiáng)[3]。</p><p><b>　　有關(guān)概念、綜述范圍</b></p><p>　　圖像分割就是把圖像劃分成若干互補(bǔ)交疊區(qū)域的像素的集合，這些區(qū)域要么對當(dāng)前的分割有意義，是目標(biāo)

100、物體與背景的邊緣，要么有助于說明它們之間的對應(yīng)關(guān)系。自適應(yīng)圖像分割為了響應(yīng)參數(shù)的變化需要修改控制能力，保證圖像在不同環(huán)境條件下的質(zhì)量[2]。</p><p>　　遺傳算法（Genetic Algorithm）是一類借鑒生物界的進(jìn)化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機(jī)制）演化而來的隨機(jī)化搜索方法[15]。它是由美國的J.Holland教授1975年首先提出，其主要特點(diǎn)是直接對結(jié)構(gòu)對象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定

101、；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。遺傳算法的這些性質(zhì)，已被人們廣泛地應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信號處理、自適應(yīng)控制和人工生命等領(lǐng)域。</p><p>　　圖像的閥值，在一幅圖像通常包括目標(biāo)物體，背景高斯高斯噪聲、運(yùn)動模糊等，由于目標(biāo)物體和背景的灰度有較大差異，和噪聲產(chǎn)生的麻點(diǎn)的灰度值相差更多，要從多值的灰度圖像中

102、提取目標(biāo)物體，常用的方法就是設(shè)定某一閥值，將圖像像素分成2大部分：大于閥值的像素即灰度圖像的二值化。二值化處理主要功能就是把目標(biāo)物體和背景灰度差異較大的圖像分成2個部分。二值化是數(shù)字圖像處理中一項最簡單的變換方法，通過采用固定閾值、雙固定閾值等不同算法，把一幅灰度圖變成二值圖像，將所需的目標(biāo)物體地從復(fù)雜的圖像背景中脫離出來[13 ] 。具體的操作過程是先由通過算法找到一個合適閾值，要求是閾值處于目標(biāo)物體閾值和背景閾值之間[8]。若圖像中

103、的像素灰度值小于該閾值，則將該像素的灰度值設(shè)置為0 或255 ，若圖像中的像素灰度值大于該閾值，則將該像素的灰度值設(shè)置為255 或0 。也就是說通過一個以閾值灰度值為跳變點(diǎn)的階躍函數(shù)來實(shí)現(xiàn)圖像處理。其中閾值灰度值需要同多合適的算法來確定經(jīng)過處理后的圖像是一幅二值圖[15]。</p><p><b>　　有關(guān)爭論焦點(diǎn)</b></p><p>　　在傳統(tǒng)遺傳算法中， 初始

104、種群在一個“確定范圍”內(nèi)隨機(jī)產(chǎn)生，但最優(yōu)解往往是在這個“確定范圍”的子集里，這樣會造成搜索空間過大。本文利用圖像的直方圖估算出閾值的大致范圍，從而確定“子集”，有效地減小搜索空間。同時，經(jīng)反復(fù)實(shí)驗，發(fā)現(xiàn)將初始種群的范圍大約限定在20 ~ 200 時，能夠兼顧初始種群的多樣性和種群的進(jìn)化能力，在平均收斂代數(shù)和收斂次數(shù)上能同時得到較好效果[8]。因此以這個范圍作為初始種群選取的“子集”，與0 ~ 255 相比，尋優(yōu)空間減小。本文將每一代種群

105、中的局部最優(yōu)個體都保存起來，同時讓它無條件進(jìn)入下一代，那么迭代N次就有N個局部最優(yōu)解。當(dāng)?shù)筋A(yù)設(shè)的最大次數(shù)仍未收斂被強(qiáng)制退出循環(huán)時，從所有局部最優(yōu)解中選出最優(yōu)解作為全局最優(yōu)解。該法既不同于精英選擇策略又異于聯(lián)賽選擇機(jī)制。</p><p><b>　　二、主題部分</b></p><p><b>　　歷史背景 </b></p>&l

106、t;p>　　圖像分割是圖像處理中的一項關(guān)鍵技術(shù)，隨著20世紀(jì)數(shù)字圖像處理技術(shù)的興起而受到人們廣泛的深入的研究，提出了很多優(yōu)秀的算法。但這些算法往往只在某一個方面表現(xiàn)出優(yōu)秀的解決問題的能力，在另外的一些領(lǐng)域則需要其他的圖像分割算法。因此，現(xiàn)有的圖像分割算法并沒有一般意義上的通用性。另外，圖像分割效果的評估也沒有相應(yīng)的評判標(biāo)準(zhǔn)，通常的處理方式只能是具體問題具體分析。在這其中遺傳算法是解決圖像分割問題的最優(yōu)算法之一。它不涉及具體的研究領(lǐng)

107、域和內(nèi)容，只關(guān)心相應(yīng)的目標(biāo)函數(shù)和輔助函數(shù)，即所謂魯棒性。因此廣泛應(yīng)用于工業(yè)工程、計算科學(xué)、工控系統(tǒng)、交通、計算機(jī)、通信、電子科學(xué)與技術(shù)等領(lǐng)域。</p><p><b>　　現(xiàn)狀和發(fā)展方向</b></p><p>　　圖像分割伴隨著數(shù)字圖像處理技術(shù)在實(shí)際中已經(jīng)得到廣泛的應(yīng)用，例如在工業(yè)工程，產(chǎn)品檢驗，工業(yè)控制，圖像處理，衛(wèi)星圖片，生物醫(yī)學(xué)圖像分析、保安監(jiān)控以及軍事、衛(wèi)生

108、、農(nóng)業(yè)工程等諸多領(lǐng)域[12]。概括來說，在各種圖像應(yīng)用中，只需對圖像物體目標(biāo)進(jìn)行提取、測量等進(jìn)一步操作都離不開圖像分割，圖像分割往往是這些處理步驟的準(zhǔn)備階段，圖像分割的效果直接影響后續(xù)任務(wù)的有效性，因此圖像分割具有重要的研究意義。而遺傳算法是一種通用的算法[4]。進(jìn)入90年代，遺傳算法迎來了興盛發(fā)展時期，無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但它的應(yīng)用領(lǐng)域擴(kuò)大，而且利用遺傳算法進(jìn)行優(yōu)化和

109、規(guī)則學(xué)習(xí)的能力也顯著提高，同時產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。此外一些新的理論和方法在應(yīng)用研究中亦得到了迅速的發(fā)展，這些無疑均給遺傳算法增添了新的活力。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面[6]。其中圖像分割是一大研究方向。譚志存，魯瑞華提出建立在最大類間方差基礎(chǔ)上的改進(jìn)遺傳算法[9]?；诨蛭坏慕徊娓怕食浞煮w現(xiàn)了不同基因位不同程度的重要性，避免了傳統(tǒng)等概率基因</p><p

110、><b>　　問題的評述</b></p><p>　　圖像分割的目的是把感興趣的目標(biāo)和背景分離出來， 將圖像劃分為若干個互不交疊的有意義區(qū)域，其應(yīng)用相當(dāng)廣泛，如機(jī)器視覺， 文字識別，生物醫(yī)學(xué)圖像分析，以及軍事目標(biāo)鎖定等。圖像分割是一種基本的計算機(jī)視覺技術(shù)，同時也是計算機(jī)視覺研究中的一個瓶頸[11]。 雖然研究人員提出了很多分割方法， 但是到目前為止， 還沒有一種通用的方法成功實(shí)現(xiàn)圖像分

111、割， 即不同類型的圖像有不同的最佳分割方法[10]。圖像分割方法可以大致分為4 類[4]：(1)利用圖像灰度值統(tǒng)計的方法，常用方法有一維直方圖閾值化方法和二維直方圖閾值化方法。(2)利用圖像空間域信息和光譜信息的圖像分割方法，常用的有區(qū)域分裂、合并生長法、紋理分割法和多光譜圖像分割法等。(3)利用圖像中灰度變化最強(qiáng)烈的區(qū)域信息方法，即邊緣檢測方法，它在圖像分割研究領(lǐng)域中占的比例最大，利用不同的算子進(jìn)行邊緣檢測，比較常用的如can2ny

112、算子。(4)利用圖像分類技術(shù)進(jìn)行圖像分割的像素分類方法。常用的有統(tǒng)計分類方法、模糊分類方法與神經(jīng)網(wǎng)絡(luò)分類方法等。</p><p>　　遺傳算法的整體搜索策略和優(yōu)化搜索方法能夠快速準(zhǔn)確地得到基于成個灰度圖像的閥值最優(yōu)解[6 ]。它運(yùn)算的基本流程：(1) 針對圖像分割編寫代碼：遺傳算法一般不直接處理空間的參數(shù)而是集進(jìn)行編碼，即用0和1構(gòu)成的字符串形成矩陣。(2) 隨機(jī)初始化像素群X(0) : = ( x1 ， x2

113、， ?，xn ) :遺傳算法從這些群體出發(fā)，模擬生物進(jìn)化過程進(jìn)行選擇，最后得出需要的個體集合，滿足優(yōu)化搜索的要求。(3) 對當(dāng)前像素群體X (t)中每個個體xi 計算其適F( xi )，適應(yīng)度表示了該像素的灰度值:遺傳算法不涉及問題的具體領(lǐng)域，只需依據(jù)適應(yīng)度函數(shù)控制像素變化。根據(jù)適應(yīng)度函數(shù)對每個像素計算其適應(yīng)度，為選擇提供依據(jù)。設(shè)計適應(yīng)度函數(shù)的方法是把問題的目標(biāo)函數(shù)轉(zhuǎn)換成合適的適應(yīng)度函數(shù)和輔助函數(shù)[7 ] 。(4) 應(yīng)用選擇算子產(chǎn)生Xr