基于改進遺傳算法的圖像分割方法的分析

王中杰

(山西大學(xué)電子信息工程系，山西 太原 030013)

圖像分割理論是計算機圖像處理領(lǐng)域研究中的重要研究課題，此領(lǐng)域課題研究中模塊包括目標檢測、特征提取以及目標跟蹤等，可是如果我們想要達到這些處理的非常好的結(jié)果的話，一般是需要依照圖像的分割效果。依照現(xiàn)在的計算機研究領(lǐng)域的發(fā)展趨勢，圖像分割已經(jīng)成為當前視覺處理，其中，虛擬與現(xiàn)實圖像結(jié)合發(fā)展的大的方向，關(guān)于這方面的研究成果比圖像領(lǐng)域別的分塊高出很大比例。盡管這些年該領(lǐng)域發(fā)展迅速，花費的精力也相比占了更大的模塊，可是由于圖像領(lǐng)域研究的獨特性，理論難度高，導(dǎo)致研究進度緩慢，所以圖像分割長久以來被當做是視覺研究中的一個相對大的瓶頸來研究［1］。

圖像處理方面的核心科學(xué)中圖像分割是相當重要的方面，是圖像處理領(lǐng)域的關(guān)鍵技術(shù)，并且影像判斷分析與模式識別也是在良好的圖像分割的基礎(chǔ)上完成的。閾值法是一種經(jīng)過實驗證明對圖像分割很有效的方法，閾值法的實現(xiàn)原理是抽出待處理圖像中目的部分與雜質(zhì)部分的gray 特點上的對比，理解圖像為一些不一的gray 特征的分開的部分，確定分割值即閾值，把目的圖像分塊和雜質(zhì)圖像分塊分離開來。閾值分割法轉(zhuǎn)換圖像的通道數(shù)，轉(zhuǎn)換灰度圖像為二值圖像，減少了存儲量，降低了閾值求取和計算的運算量。

1 遺傳算法分析

GA 優(yōu)化方法是人類參考生物繁衍發(fā)展的理論衍變而生的圖像處理領(lǐng)域的理論。在生物進化過程中，生物個體適應(yīng)外界環(huán)境的方法是通過遺傳，變異，逐漸淘汰劣質(zhì)的個體，保留優(yōu)良的個體。

下圖是GA 優(yōu)化方法的大體流程圖，該優(yōu)化方法有以下幾種最基礎(chǔ)的實現(xiàn)操作方法，這些方法是基因即單體數(shù)據(jù)的確定(confirm)、基因之間信息的替換(crossover)和基因中數(shù)據(jù)信息的改變(mutation)。

圖1 GA 優(yōu)化算法的基本流程圖

GA 優(yōu)化方法的最重要的步驟為:

1)完成對程序的撰寫。

2)程序開始前事先設(shè)定好初始的單體群體中的每個單體的數(shù)據(jù)。

3)迭代運行下述過程，直到運行到程序設(shè)定的終止法則:

首先計算所有單體中的基因的匹配度值的大小;利用上述產(chǎn)生的數(shù)據(jù)根據(jù)基因選擇，基因互換，基因突變系數(shù)進而產(chǎn)生更新的單體種群。

4)產(chǎn)生具有最優(yōu)解的單體。此個體就是我們要求的問題的解。

GA 計算［2］所有的數(shù)據(jù)點來尋找匹配度值大的單體，計算的過程是遺傳算法的基本操作過程。實際證明，此算法適用于解決復(fù)雜的，大數(shù)據(jù)量的處理問題。

2 改進遺傳算法的實現(xiàn)

利用遺傳算法對OTSU 圖像分割算法進行閾值分割改進的步驟:

1)首先編寫GA 的基本程序

像素的灰度域在(0.255)，采取計算機數(shù)字組成邏輯方式，對像素的灰度域進行預(yù)先設(shè)定，其中設(shè)定寬度為8。我們用隨機函數(shù)初始化所有可能的灰度閾值，閾值對應(yīng)的適應(yīng)值不同。對于一維OSTU，遺傳算法理論中染色體串長以10位度量，這10 位中前8 位二維數(shù)字組成邏輯方式，最后兩位值代表閾值以及適應(yīng)度值。

2)對遺傳單體種群的模型參數(shù)進行預(yù)設(shè)定

GA 中初始群體的大小直接影響到遺傳算法分割效果優(yōu)劣與否。如果群體太小，搜索的空間就會過小，無法很好的求出最優(yōu)解。如果群體過大，就會使整個算法的計算復(fù)雜度增高，很難滿足實時性的要求。所以我們要首先設(shè)置合適的群體數(shù)，一維OSTU 法設(shè)置20 個，二維OSTU 法設(shè)置40 個。

3)遺傳算法適合度函數(shù)的設(shè)定

群體中每一個子代個體都會有不同的染色體出現(xiàn)，單體的適合修正度大小決定了遺傳給下一代的染色體。而單體的適合修正度的大小需要通過單體的適合修正度函數(shù)來得到的。單體的適合修正度公式通常根據(jù)待得到的數(shù)據(jù)來進行設(shè)定。基本的OSTU 計算判斷值實際上就是計算單體的適合修正度函數(shù)中最優(yōu)解。

4)計算出進化規(guī)則數(shù)學(xué)模型中的進化數(shù)學(xué)因子

基本遺傳算法模型數(shù)學(xué)因子一般包括以下幾個:對基因的確定，對單體對中基因的呼喚，單體中基因的突變。經(jīng)過測試，本文選擇平衡性好的輪盤賭選擇數(shù)學(xué)因子［3］。每一個單體被認為得到下一輪進化的概率跟它的匹配度值公式計算結(jié)果是正相關(guān)性的，因此經(jīng)過處理后匹配度值高的個體及基因數(shù)據(jù)得到保留，一步一步淘汰適合修正度值相對小的單體，進而保留優(yōu)良單體，拋棄不適合進化的單體。

遺傳算法的實現(xiàn)流程如圖2 所示。

圖2 遺傳算法的實現(xiàn)流程圖

3 總結(jié)

本論文首先介紹圖像分割的基本理論和實現(xiàn)領(lǐng)域，同時詳細描述了其實踐具體步驟，然后針對傳統(tǒng)簡單遺傳算法的不足，研究出自己的改進方案，經(jīng)過試驗驗證對簡單GA 進行改進成功，并且同時與改進OSTU 優(yōu)化方法進行結(jié)合應(yīng)用，發(fā)揮各自算法的優(yōu)點，實現(xiàn)了一種改進的算法IGA。

［1］(日)玄光男，程潤偉.遺傳算法與工程設(shè)計［M］.汪定偉等譯.北京:科學(xué)出版社，2000.

［2］何文浩.基于改進遺傳算法的圖像分割技術(shù)研究［D］.武漢:武漢理工大學(xué)，2008.

［3］李輝.基于改進遺傳算法的圖像分割［D］.長春:東北師范大學(xué)，2004.