遗传算法在图像阈值分割中的应用.docx

遗传算法在图像阈值分割中的应用.docx

《遗传算法在图像阈值分割中的应用.docx》由会员分享，可在线阅读，更多相关《遗传算法在图像阈值分割中的应用.docx（7页珍藏版）》请在冰豆网上搜索。

遗传算法在图像阈值分割中的应用

遗传算法在图像阈值分割中的应用

摘要：

图像分割是目标检测和识别的基础，对所采集到的图像进行分割处理是图像识别跟踪技术中实现目标检测的一种重要技术手段；遗传算法是一种优化算法，利用其高效、并行的寻优能力，通过选择、交叉和变异等遗传操作快速逼近最佳阈值，大大缩短图像阈值分割中阈值的选取时间,提高分割效率；介绍了遗传算法在图像阈值分割领域的应用研究进展。

　　关键词：

图像分割；阈值；遗传算法

　　0引言

　　遗传算法（GeneticAlgorithm,GA）是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法，特别适合处理传统搜索算法解决不好的复杂非线性问题。

以遗传算法为核心的进化算法已与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点，受到许多学科的共同关注，其鲁棒性、并行性、自适应性和不易陷入局部最优的特点，能够有效地提高计算速度，将其应用于图像阈值分割领域，可以快速寻取最优阈值，提高图像分割效率。

　　1图像分割

　　图像分割（ImageSegmentation）指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。

它根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。

　　图像阈值分割以其直观、易于实现、极大的压缩数据量等优点，成为应用最广泛的一类分割方法。

主要有两个步骤：

①确定需要分割的阈值；②将分割阈值与像素点的灰度值比较，以分割图像的像素。

阈值法的分割效果很大程度依赖阈值的选取，因此该方法的关键是如何选择合适的阈值。

1981年PunT提出了基于灰度直方图熵的分割算法，这种算法能分割灰度图像，对于灰度级少、分散集中的灰度图像分割效果好，但对于灰度级较多、较分散的非理想双峰直方图图像，在确定阈值时，比较不明确，分割效果欠佳。

后来KapurJ等人又改进了他的方法，不需要先验知识，而且对于非理想双峰直方图的图像也可以进行分割，但在确定阈值时，尤其是多阈值时，计算量很大。

因此我们将具有鲁棒性、并行性、自适应性等特点的遗传算法引入图像阈值分割，利用其高效、并行的寻优能力可以大大缩短阈值的选取时间，提高分割效率，提高图像处理的实时性。

　　2遗传算法

　　2.1遗传算法基本原理

　　遗传算法是密执安大学教授J.Holland及其学生在1975年提出的，是一种全新的随机搜索优化算法，基本原理：

通过模拟生物个体间的基因变换、变异和种群的世代更替，保存对环境适应度高的染色体，淘汰适应度低的染色体，以实现优化的目的。

它以自然选择和遗传理论为基础，能够实现全局并行搜索，是一种具有鲁棒性、并行性和自适应性的优化算法，也是一种对目标空间进行随机全局搜索算法，具有简单、快速、稳定性强等特点，需要解决的问题越复杂、目标越不明确，优越性就越大。

在搜索之前，先将变量以某种形式（二进制编码、浮点数编码或实数编码）进行编码（编码后的变量称为染色体），不同的染色体构成一个群体，对于群体中的染色体，将以某种方法评估出其适应值。

遗传算法用于图像分割算法流程如图1所示。

　　主要步骤描述如下：

①问题的搜索空间的确定与参数的编码：

将待分割图像的阈值看作在阈值取值空间内搜索最佳阈值参数。

因此，应将阈值从解空间转换到算法编码空间，我们采用二进制编码方式；②初始化种群：

确定种群规模大小，在参数空间内，随机生成待搜索阈值的初始种群，遗传代数初始化为1；③设计适应度函数：

遗传算法是根据适应度函数这个“择优标准”，通过衡量种群中各个染色体生命力的强弱来选取生命力强的个体遗传到下一代；④设计遗传算子；⑤算法终止条件。

本文将判断进化代数是否达到最大迭代作为算法的终止条件。

　　图1遗传算法用于图像分割算法流程

　　2.2GA中的关键技术

（1）遗传算子选择。

GA的遗传算子包括选择算子、交叉算子和变异算子，它们的任务是对群体中个体按照它们对环境适应的程度施加一定操作，从而实现优胜劣汰的进化过程。

①选择算子。

常用的有轮盘赌选择、随机遍历抽样、局部选择及锦标赛选择等；②交叉算子。

常用的有单点交叉、多点交叉、均匀交叉及洗牌交叉等；③变异算子。

包括实值变异和二进制变异，在图像处理领域，一般采用二进制变异。

（2）早熟收敛问题。

具体表现为：

①群体中所有的个体都陷于同一局部极值而停止进化；②接近最优解的个体总是被淘汰，进化过程不收敛。

对此可以采用的解决方法有：

①调节变异概率。

既可防止优良基因因为变异而遭破坏，又可在陷于局部最优解时为种群引入新的基因；②调节选择算子。

放弃轮盘赌选择方法，以避免早期的高适应度个体迅速占据种群和后期的种群中因个体的适应度相差不大而导致种群停止进化；该选择方式会使每一个个体都获得复制一份的机会，体现不出好的竞争力，无法实现遗传算法的优胜劣汰原则。

TingKuo等人提出的具有破坏性选择的遗传算法，以此来选择优秀和低劣个体，这样可以在模式中具有大变动或存在GA-欺骗问题时，起到很大作用。

　　（3）结束条件设定。

根据问题不同，可选用不同的结束条件。

如果已知目标函数的极值，则可以将是否达到极值要求作为结束条件。

如果对时间有要求，则可以将运行时间或代数作为结束条件，也可将群体中个体多样性是否得以保持作为结束条件。

　　（4）后期搜索迟钝问题。

遗传最开始时，一般后一代的最优值要大于前一代，到了一定代数时，会出现后一代差于前一代的情况，这种情况会影响收敛的速度，引起后期搜索迟钝问题。

因此，我们得到新的一代后，将后一代的最优值和前一代作比较，如果增大，说明遗传朝良性发展，我们提高交叉概率，降低变异概率，可以加快收敛；当出现后一代最优解差于前一代时，说明出现后期搜索迟钝问题，我们一方面用前一代的最优值替换掉新一代的最优值来产生好的初始种群遏制恶性发展，另一方面增加变异概率，降低交叉概率来摆脱局部收敛的状态。

　　3遗传算法在图像分割中的应用现状

　　3.1遗传算法在图像阈值分割中的应用

　　GA可应用于大规模搜索空间的寻优问题，在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值的求取过程中，优化设计是最重要的，将GA应用到算法中能解决很多困难。

　　吴玲艳等人提出基于直方图熵和遗传算法的图像分割法，以灰度图像的直方图作为评价标准，把图像分割问题定义为一个优化问题，利用遗传算法的寻优高效性，搜索到能使分割质量达到最优的分割参数，该方法将遗传算法用于传统的分割方法中，结果良好。

种劲松等人提出基于遗传算法的图像阈值分割，将遗传算法用于Otsu法和KSW熵法两种图像阈值分割方法中，进行了针对图像分割的遗传程序所需的参数设计，并采用遗传算法实现单阈值和多阈值图像分割，大大缩短了寻找阈值的时间，节省了运算时间。

周铭等人提出基于遗传算法的自适应聚类图像阈值分割方法，针对复杂背景条件下的红外图像分割问题，将遗传算法引入最大类间方差法中，同时结合人类视觉感知原理，探讨了一种新的多阈值图像分割方法，这种方法引入了一个自动判别且时空可变的目标背景条件和调整最佳分割区域的步骤，提高了分割算法的质量及鲁棒性。

常发亮等人提出基于遗传算法的彩色图像二维熵多阈值自适应分割，将可变码长的遗传算法应用于多阈值分割处理过程，采用基于多阈值的整数编码方式，将图像分割的类别数即染色体的码长融合到适应度函数中，实现了在对阈值寻优的同时优化分割类别数，最终实现分割处理，该方法具有阈值寻优速度快，最优解对应图像分割效果好的特点。

盛国芳等人将遗传算法应用于最佳熵阈值的确定中，设定合适的遗传算子，遗传算法不仅可以实现正确的图像分割，并且使得分割速度大大提高。

吴薇等人提出基于最大模糊熵原理的多阈值图像分割新算法，通过定义一种简单的线性模糊隶属度函数，将图像模糊划分为若干个不同的区域；同时采用自适应遗传算法搜索最大模糊熵准则下图像的一组最佳分割阈值，并对遗传算法中的编码方式及交叉算子、变异算子进行了一些有益的改进，极大地减少了计算量和存储空间，加快了算法的搜索速度。

通过仿真实验证明该算法对复杂图像良好的分割效果和较强的实时处理能力。

郑毅等人提出了根据像素灰度值来确定每个像素与模糊集之间的隶属关系，利用遗传算法来寻求模糊参数的最优组合来确定最优阈值，得到的图像目标清晰，分割效果较优，有一定的应用前景。

3.2改进的遗传算法

　　乔双等人提出一种应用于图像分割的改进遗传算法，充分考虑了图像数据本身的特殊性，从而提高全局搜索能力和收敛速度出发，算法中引入了优生算子、改进的变异算子和新个体，避免局部早熟，提高了收敛速度和全局收敛能力。

改进遗传分割算法的分割效果明显优于传统分割算法。

　　陈玮等人利用遗传算法的高效搜索性能和模糊集合理论能较好地描述问题的模糊性和随机性，提出了基于遗传算法的最大模糊熵快速分割算法，将遗传算法和模糊集合理论结合起来应用于灰度图像单阈值和多阈值分割。

有效地实现了快速分割，并具有较好的鲁棒性。

　　张超等人提出的基于混沌遗传算法的图像阈值分割，将混沌遗传算法与阈值分割方法融合，利用混沌运动的随机性，遍历性和初值敏感性进行种群初始化和变尺度变异。

与遗传算法相比，混沌遗传算法用于阈值寻优减少了运算时间，提高了收敛率。

　　3.3对实际问题的解决

　　金联等人提出的基于遗传算法的超声图像水平集分割，是在水平集分割方法的基础上，以能量函数作为评价函数，把图像分割问题变成一个优化问题，利用遗传算法的寻优高效性，搜索到能使分割质量到达最优的轮廓曲线。

此方法对肝脏超声图像进行肿瘤的边缘提取有很好的效果，可以完成图像的自动分割。

　　朱玲利等人针对CT医学图像的特点，将遗传算法与聚类分析两种工具相结合，应用到医学CT图像分割中。

对K均值聚类做了简要分析和评论，在此基础上将遗传算法引入聚类分析中，利用遗传算法搜索的随机性和并行性，从而克服了K均值聚类的局部性和对初始聚类中心的敏感性；并且可以根据分割的要求，合理地调整聚类时的特征向量和权重。

　　侯振杰等人设计了一种基于熵的遗传聚类分割算法。

以像素的灰度值为特征向量进行编码，利用直方图熵法准则函数作为适应度函数，采用基于排名的选择操作，以一定的概率进行算术交叉和变异，并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割。

对于分割后获得的细胞核轮廓利用活动轮廓模型进行了优化，从而获得连续的细胞轮廓曲线。

　　4结束语

　　从近年来图像分割方法的研究来看，进一步完善基于遗传算法的图像分割研究趋势如下：

（1）对原始的遗传算法的不断改进，以便进一步提高遗传算法自身的鲁棒性和有效性，更高效地确定最佳阈值，在运行遗传算法时，种群大小、染色体长度、交叉率、变

　　异率、最大进化代数等参数对遗传算法的性能都有很重要的影响，如何选择这些合适的参数是在以后工作中需要进一步解决的问题。

（2）基于遗传算法的交互式分割研究的深入。

由于很多场合需要对目标图像进行边缘分割分析，例如对医学图像的分析，需要进行交互式分割研究。

　　（3）未来有待于将遗传算法与小波、分形、神经网络、模糊数学等方法结合起来对现有图像分割方法进行进一步改进。

　　（4）对特殊图像分割的研究越来越得到重视。

目前有很多针对立体图像、彩色图像、多光谱图像以及多视场图像分割的研究，也有对运动图像及视频图像中目标分割的研究，还有对深度图像、纹理图像、计算机断层扫描（CT）等特殊图像的分割技术的研究。

相信随着更深入的研究，存在问题会迎刃而解。

　　参考文献：

　　［1］章毓晋.图像分割［M］.北京:

科学出版社,2001.

　　［2］PUNT.Entropicthresholding:

Anewapproach［J］.CGIP,1981（16）.

　　［3］KAPURJN,SAHOOPK,WONGAKC.Anewmethodofgray-levelpicturethresholdingusingtheentropyofthehistogram［J］.ComputerVision,Graphics,andImageProcessing,1985

（2）.

　　［4］蔡自兴,徐光佑.人工智能及其应用［M］.北京:

清华大学出版社,2005.

　　［5］DUXIU-LI,ZENGDI.Structuralphysicalparameteridentificationbasedonevolutionary-simplex-algorithmandstructuraldynamicrespose［J］.EarthquakeEngineeringandEngineeringVibration,2003

（2）.

　　［6］TINGKUO,SHU-YUANHUANG.Ageneticalgorithmwithdisruptiveselection［J］.IEEETransactionsonsystems,Man,andCybernetics-PartB,1996

（2）.

　　［7］吴玲艳,沈庭芝,方子文,等.基于直方图熵和遗传算法的图像分割法［J］.兵工学报,1999（3）.

　　［8］种劲松,周孝宽,王宏琦,等.基于遗传算法的图像阈值分割［J］.电子科学学刊,2000（5）.

　　［9］OTSUN.Athresholdselectionmethodfromgray-levelhistograms［J］.IEEE-SMC,1979

（1）.

　　［10］KAPURJN,SAHOOPK,WONGAKC.Anewmethodofgray-levelpicturethresholdingusingtheentropyofthehistogram［J］.ComputerVision,Graphics,andImageProcessing,1985

（2）.

　　［11］周铭,周惠.基于遗传算法的自适应聚类图像阈值分割方法［J］.计算机工程与应用,2005（6）.

　　［12］常发亮,刘静,乔谊正.基于遗传算法的彩色图像二维熵多阈值自适应分割［J］.控制与决策,2005（6）.

　　［13］盛国芳,焦李成.基于遗传算法的最佳熵阈值的图像分割［J］.计算机工程与应用,2003（8）.

　　［14］吴薇.基于最大模糊熵原理的多阈值图像分割新算法［J］.系统工程与电子技术,2005

（2）.

　　［15］郑毅,刘上乾.基于最大模糊熵和遗传算法的图像分割［J］.光学技术,2006（4）.