论文部分内容阅读
[摘要]：图像分割是图像处理中的重要问题，也是计算机视觉研究中的经典难题。文章首先介绍了最大类间方差法，并结合遗传算法的快速寻优的特点，提出了一种利用最大方差法和改进的遗传算法相结合的图像分割的新方法。实验仿真结果表明，该方法可以有效地提高图像分割的计算速度，大大缩短寻找最优阈值的时间，提高图像处理的实时性。
[关键词]：图像分割 最大类间差分法 改进遗传算法
中图分类号：TP753 文献标识码：TP 文章编号：1009-914X（2012）26-0278-01
1、引言
图像分割是图像分析和模式识别的首要问题，也是图像处理的经典难题之一，它是图像分析和模式识别系统的重要组成部分，并决定图像的最终分析质量和模式识别的判别结果。所谓图像分割是按照一定的规则把图像划分成若干个互不相交、具有一定性质的区域，把人们关注的部分从图像中提取出来，进一步加以研究分析和处理。常用的分割方法包括阈值法、边缘检测法和区域跟踪法，其中阈值法是最常用的方法。目前已有众多的阈值选取方法，如最大类间方差法（Otsu） 、最佳直方图熵法、最小误差阈值法和矩量保持法等。其中，最大类间方差法是一种自适应的阈值确定的方法，不需要人为的设定一些参数，是由计算方法自动获取图像区域中的阈值进行图像分割识别，最大方差法选取阈值的过程其实就是寻找最优解的过程，故可结合遗传算法的快速寻优的特点提高图像分割的计算速度，提高图像实时处理。
2、最大类间方差阈值分割原理
3、遗传算法的原理及其改进设计
3.1 遗传算法的基本原理介绍
遗传算法是一类借鉴生物界的适者生存，优胜劣汰遗传机制演化而来的搜索寻优方法。它对生物进化的过程进行数学仿真，是进化计算的一种最重要的形式。它的主要特点就是没有对求导和函数连续性的限定，可以直接对结构对象进行操作；具有良好的隐并行性和很好的寻优能力；它采用概率的方式寻优，可以自动获取并指导优化搜索空间，自适应地调整搜索的方向。遗传算法的这些性质优点，被广泛地应用于组合优化、图像处理、自适应控制和人工生命等领域。
遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遺传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
3.2遗传算法的改进及其基本性质
许多实验表明，简单的遗传算法往往不能寻到全局的最优值，而且收敛速度较慢等问题。因此，本文根据遗传算法的基本原理并针对其算法的缺陷，提出了一种改善算法，动态的改变各基因位作为交叉点的概率，实现了每个基因的交叉概率的进行自适应改变，对于低于群体平均适应度值的个体采用了较高的交叉概率，以便淘汰不适宜的个体；而对于适应度高的群体，则采用较低的交叉概率使它们顺利的进入下一代中。其改进的遗传算法的主要步骤如下：
a）初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P（0）。
b）个体评价：计算群体P（t）中各个个体的适应度。
c）选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
d）交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。此处则采用“双自适应”单点交叉，主要由两步骤来完成：
（1）基于染色体的交叉概率
不同个体采用不同的交义概率：对于适应度值高于群体平均适应度值的个体，赋予较低的交义概率；对于适应度值低于群体平均适应度值的个体，赋予较大的交义概率，使之淘汰。
（2）基于基因位的交叉概率
e）变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P（t）经过选择、交叉、变异运算之后得到下一代群体P（t 1）。
4、实验结果及分析
从实验结果上可以看到，采用基于最大方差法的改进遗传算法的图像分割有较好的分割效果，突出了感兴趣区域，相对于传统的遗传算法全局最优值的搜索时间也减少了。
5、结论
本文针对最大类间方差和传统遗传算法的缺点，尝试改进了一种动态改变交叉概率的算法，实现了每个基因的交叉概率的进行自适应改变，体现了不同基因位对后代的不同影响和地位，经过实验仿真能较为满意的提取出图像中的感兴趣区域，并且大大的缩短了最优值的搜索时间。
参考文献：
[1] Rafagl C.Gonzalez， Richard E.Wodds， Stenen L.Eddins. 数字图像处理（MATLAB版） 北京：电子工业出版社. 2005
[2] 张兆礼，张春晖，梅晓丹.现代图像处理技术及Matlab实现[M].北京：人民邮电出版社.2001
[3] 冯安， 王希常. MATLAB在数字图像增强中的应用[M]. 信息技术， 2007， 23（01）： 14-16.
[4] 肖莎 刘江沙等，基于小波变换的图像增强技术.工程技术[M]，2007 04.45-47
[5]徐璐.改进遗传算法及其在图像处理中的应用[D].2000，23（2）：18-21
基金项目：
中央高校基本科研业务费专项资金资助
[关键词]：图像分割 最大类间差分法 改进遗传算法
中图分类号：TP753 文献标识码：TP 文章编号：1009-914X（2012）26-0278-01
1、引言
图像分割是图像分析和模式识别的首要问题，也是图像处理的经典难题之一，它是图像分析和模式识别系统的重要组成部分，并决定图像的最终分析质量和模式识别的判别结果。所谓图像分割是按照一定的规则把图像划分成若干个互不相交、具有一定性质的区域，把人们关注的部分从图像中提取出来，进一步加以研究分析和处理。常用的分割方法包括阈值法、边缘检测法和区域跟踪法，其中阈值法是最常用的方法。目前已有众多的阈值选取方法，如最大类间方差法（Otsu） 、最佳直方图熵法、最小误差阈值法和矩量保持法等。其中，最大类间方差法是一种自适应的阈值确定的方法，不需要人为的设定一些参数，是由计算方法自动获取图像区域中的阈值进行图像分割识别，最大方差法选取阈值的过程其实就是寻找最优解的过程，故可结合遗传算法的快速寻优的特点提高图像分割的计算速度，提高图像实时处理。
2、最大类间方差阈值分割原理
3、遗传算法的原理及其改进设计
3.1 遗传算法的基本原理介绍
遗传算法是一类借鉴生物界的适者生存，优胜劣汰遗传机制演化而来的搜索寻优方法。它对生物进化的过程进行数学仿真，是进化计算的一种最重要的形式。它的主要特点就是没有对求导和函数连续性的限定，可以直接对结构对象进行操作；具有良好的隐并行性和很好的寻优能力；它采用概率的方式寻优，可以自动获取并指导优化搜索空间，自适应地调整搜索的方向。遗传算法的这些性质优点，被广泛地应用于组合优化、图像处理、自适应控制和人工生命等领域。
遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遺传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
3.2遗传算法的改进及其基本性质
许多实验表明，简单的遗传算法往往不能寻到全局的最优值，而且收敛速度较慢等问题。因此，本文根据遗传算法的基本原理并针对其算法的缺陷，提出了一种改善算法，动态的改变各基因位作为交叉点的概率，实现了每个基因的交叉概率的进行自适应改变，对于低于群体平均适应度值的个体采用了较高的交叉概率，以便淘汰不适宜的个体；而对于适应度高的群体，则采用较低的交叉概率使它们顺利的进入下一代中。其改进的遗传算法的主要步骤如下：
a）初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P（0）。
b）个体评价：计算群体P（t）中各个个体的适应度。
c）选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
d）交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。此处则采用“双自适应”单点交叉，主要由两步骤来完成：
（1）基于染色体的交叉概率
不同个体采用不同的交义概率：对于适应度值高于群体平均适应度值的个体，赋予较低的交义概率；对于适应度值低于群体平均适应度值的个体，赋予较大的交义概率，使之淘汰。
（2）基于基因位的交叉概率
e）变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P（t）经过选择、交叉、变异运算之后得到下一代群体P（t 1）。
4、实验结果及分析
从实验结果上可以看到，采用基于最大方差法的改进遗传算法的图像分割有较好的分割效果，突出了感兴趣区域，相对于传统的遗传算法全局最优值的搜索时间也减少了。
5、结论
本文针对最大类间方差和传统遗传算法的缺点，尝试改进了一种动态改变交叉概率的算法，实现了每个基因的交叉概率的进行自适应改变，体现了不同基因位对后代的不同影响和地位，经过实验仿真能较为满意的提取出图像中的感兴趣区域，并且大大的缩短了最优值的搜索时间。
参考文献：
[1] Rafagl C.Gonzalez， Richard E.Wodds， Stenen L.Eddins. 数字图像处理（MATLAB版） 北京：电子工业出版社. 2005
[2] 张兆礼，张春晖，梅晓丹.现代图像处理技术及Matlab实现[M].北京：人民邮电出版社.2001
[3] 冯安， 王希常. MATLAB在数字图像增强中的应用[M]. 信息技术， 2007， 23（01）： 14-16.
[4] 肖莎 刘江沙等，基于小波变换的图像增强技术.工程技术[M]，2007 04.45-47
[5]徐璐.改进遗传算法及其在图像处理中的应用[D].2000，23（2）：18-21
基金项目：
中央高校基本科研业务费专项资金资助