基于改進遺傳算法的圖像分割方法

胡亨伍

摘要：由于圖形圖像本身受噪聲、偏移場效應(yīng)和局部體效應(yīng)等的影響，使得傳統(tǒng)的分割算法遠未達到理想的效果。為解決上述問題，提出基于改進遺傳算法的圖像分割方法。首先在遵循圖形圖像數(shù)據(jù)完整性、一致性與大小適度的情況下確定分割區(qū)域，并依據(jù)相關(guān)原理選擇合適的分割屬性，根據(jù)改進遺傳算法構(gòu)建分割算法模型，獲取最佳的分割策略。實驗結(jié)果表明，改進的分割算法，不但保證了分割區(qū)域的完整性，界域也較為清晰。

關(guān)鍵詞：圖形圖像；分割；區(qū)域選擇；遺傳算法

中圖分類號：TP391 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）15-0193-03

Abstract：Because of the influence of image noise、migration and the local， the traditional segmentation algorithm is far from the ideal result. Based on the improved genetic algorithm to the image segmentation. First of all to meet image data completeness， consistency， and segmentation region data under the case of moderate size， and according to the relevant principles to choose the appropriate segmentation properties， based on the improved genetic algorithm to build the model of segmentation algorithm， get the best segmentation strategy. The experimental results show that the improved segmentation method is not only to ensure the integrity of the segmented region， bounded domain is also more clear.

Keywords：Image； Segmentation； Component selection； Genetic algorithm

1概述

對圖形圖像進行分割是當(dāng)前圖像處理和分析的熱點。圖形圖像分割主要是指將圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)。近年來許多學(xué)者把圖形圖像處理和其他學(xué)科知識相結(jié)合，提出了許多新的圖像分割方法，并將其應(yīng)用于醫(yī)學(xué)圖像的研究?，F(xiàn)階段主要有基于聚類的圖像分割方法[1]、基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法[2]、利用遺傳算法進行圖像分割[3，4]、基于活動輪廓模型和水平集等的圖像分割方法[5]等。有效的圖形圖像分割方法，可以提高圖形圖像處理能力及工作效率，因此受到專家學(xué)者的重點關(guān)注，擁有廣闊的發(fā)展?jié)摿6]。傳統(tǒng)的分割方法受到個體差異的影響，同時，圖形圖像處理應(yīng)用對圖形圖像分割的準確度和分類算法的速度要求較高，又由于圖像本身受噪聲、偏移場效應(yīng)和局部體效應(yīng)等的影響，使得傳統(tǒng)的分割算法遠未達到理想的效果。

為了避免上述方法的缺陷，提出基于改進遺傳算法的圖像分割方法。首先在遵循圖形圖像數(shù)據(jù)完整性、一致性與大小適度的情況下確定分割片區(qū)，并依據(jù)相關(guān)原理選擇合適的分割屬性，根據(jù)改進遺傳算法構(gòu)建分割算法模型，獲取最佳的分割策略。實驗結(jié)果表明，改進的分割算法，不但保證了分割區(qū)域的完整性，界域也較為清晰。

2 圖形圖像分割模型

傳統(tǒng)的圖形圖像分割方法未能充分考慮到圖像本身受噪聲、偏移場效應(yīng)和局部體效應(yīng)等的影響。在進行圖形圖像分割區(qū)域劃分時，容易造成較為嚴重的數(shù)據(jù)富集，嚴重影響了圖形圖像分割的性能，為此，提出基于改進遺傳算法的圖像分割方法。

2.1確定分割區(qū)域數(shù)

在進行分割區(qū)域劃分時，往往需確認分割區(qū)域數(shù)量。分割區(qū)域中的圖像數(shù)據(jù)信息既需滿足完全性又需滿足一致性。此外在進行分割區(qū)域時還應(yīng)充分考慮區(qū)域的大小，若區(qū)域過大，則圖形圖像的分割結(jié)果就體現(xiàn)不出形狀特征等所需的價值信息，相反，若分片過小，則算法系統(tǒng)時間比例過大。

利用互信息量[7]建立分割區(qū)域數(shù)量選擇模型。假定原圖像和分割后圖像，它們的熵和聯(lián)合熵公式表達為：

其中、為和的概率分布，為它們的聯(lián)合概率分布。互信息量公式表達為：

互信息熵差（difference of mutual information，）公式表達如下：

和均為原圖像的分割后的圖像，且其分割區(qū)域數(shù)分別為和）。為了便于不同分割后的圖像進行比較，對作歸一化處理，得到：

在研究中發(fā)現(xiàn)，原圖像及分割后的圖像之間的值，隨著分割后的圖像中分割區(qū)域數(shù)的增加而增加，且收斂于其最大值；隨著分割后的圖像分割區(qū)域數(shù)的增加， 隨之遞減而振蕩下降，且收斂于0。

2.2選擇分割區(qū)域?qū)傩?/p>

在進行圖形圖像數(shù)據(jù)信息分配時，需基于一種或者多種屬性進行。屬性的選擇關(guān)系著圖形圖像分割的成本及效率，因此，在進行圖形圖像數(shù)據(jù)信息分配時，選擇合適的屬性特征十分重要。通常按照下述原則進行屬性特征的選取：

1） 提取圖形圖像數(shù)據(jù)的相關(guān)屬性特征；

2） 圖形圖像數(shù)據(jù)的顏色屬性、紋理屬性或者空間屬性；

3） 圖形圖像數(shù)據(jù)關(guān)系的主鍵。

具體的屬性特征選擇方法如下

輸入：關(guān)系集合，連接圖。

輸出：屬性特征集合

1）對連接圖中的連接屬性效益進行計算；

2）得到效益值最大的連接屬性及其關(guān)系集合，連接屬性即為選擇的屬性特征；

3）將的關(guān)系集合進行刪除

4）更新；

通過上述方法可以選擇合適的屬性特征。

2.3 改進遺傳算法實現(xiàn)圖形圖像數(shù)據(jù)分割

采用改進遺傳算法對每個待分割區(qū)域按照代價最小原則進行計算，進而得到整個圖形圖像數(shù)據(jù)的分割策略，具體實現(xiàn)步驟如下：

Step1：編碼。將一個圖形圖像數(shù)據(jù)分割方案看作是遺傳種群中的一個個體。

Step2：獲取圖形圖像數(shù)據(jù)的更新隸屬度比。設(shè)定出發(fā)圖形圖像點為，則由此數(shù)據(jù)點發(fā)出的待分配數(shù)據(jù)點的隸屬度及更新隸屬度分別由下面公式計算

由上可得，待分配數(shù)據(jù)點的更新隸屬度及隸屬度的比值即為該數(shù)據(jù)點的更新隸屬度比。

Step3：初始化種群。過大或者過小的分割區(qū)域選擇都不利于最優(yōu)解的獲取，因此依據(jù)數(shù)據(jù)的更新隸屬度比對分割區(qū)域進行初始化操作。

Step4：數(shù)據(jù)點評估。依據(jù)相關(guān)公式計算分割區(qū)域中數(shù)據(jù)點的隸屬度值，在圖形圖像數(shù)據(jù)分割中，數(shù)據(jù)點的隸屬度值代表了分割策略的優(yōu)良程度。

Step5：選擇。選擇過程遵循“優(yōu)勝劣汰，適者生存”的規(guī)律，以使數(shù)據(jù)點的良好基因遺傳給下一代。

計算得到數(shù)據(jù)點的隸屬度與所在分割區(qū)域隸屬度之比，獲取該數(shù)據(jù)點在遺傳計算被選中的概率值，則數(shù)據(jù)點被選擇的期望值可描述如下

將當(dāng)前分割區(qū)域數(shù)據(jù)點與下代數(shù)據(jù)點的最佳隸屬度值進行比較，若當(dāng)前的優(yōu)于下代，則用當(dāng)前最佳隸屬度將下代隸屬度差的數(shù)據(jù)點進行替換。

Step6：變異。變異可以保持分割區(qū)域數(shù)據(jù)點遺傳進化的多樣性。數(shù)據(jù)點遺傳過程按照自適應(yīng)變異算子進行變異。變異概率可描述如下：

Step7經(jīng)過Step4、Step5、Step6的遺傳計算過程，即可產(chǎn)生下一代新的分割區(qū)域，在圖形圖像數(shù)據(jù)分割過程，若設(shè)最大進化代數(shù)為30，當(dāng)進化代數(shù)小于30時，需返回至Step4，相反，若進化代數(shù)等于30則結(jié)束分割，輸出結(jié)果，重復(fù)上述過程，直至所有的待分割數(shù)據(jù)點均獲得各自最佳的分割策略。

3 實驗結(jié)果及分析

為了驗證改進算法的有效性，需要進行一次實驗。

實驗過程在集群數(shù)據(jù)庫系統(tǒng)上進行，節(jié)點PC機的CPU為酷睿I5處理器，主頻為2.3GHZ，內(nèi)存為4.0GB，測試環(huán)境為Microsoft Windows 7.0 操作系統(tǒng)。

從圖2至圖4可以看出，采用改進遺傳算法進行圖形圖像分割，優(yōu)于傳統(tǒng)算法，且CPU使用率、分割效果及計算量小于傳統(tǒng)算法，說明改進算法的優(yōu)越性。

由圖5以看出，分割結(jié)果改進遺傳算法也優(yōu)于傳統(tǒng)算法，圖5a處理結(jié)果中丟失原圖像的目標(biāo)信息比較嚴重，過分割現(xiàn)象也較突出；圖5b并使得圖像的目標(biāo)區(qū)域保持形狀且定位性能好。

5 結(jié)語

提出的基于改進遺傳算法的圖像分割方法。首先在遵循圖形圖像數(shù)據(jù)完整性、一致性與大小適度的情況下確定分割區(qū)域，并依據(jù)相關(guān)原理選擇合適的分割屬性，根據(jù)改進遺傳算法構(gòu)建分割算法模型，獲取最佳的分割策略。實驗結(jié)果表明，改進的分割算法，不但保證了分割區(qū)域的完整性，界域也較為清晰。

參考文獻：

[1] 杜俊楠. 基于模糊聚類算法的圖像分割技術(shù)研究[D]. 魯東大學(xué)，2015.

[2] 朱宗花. Spiking神經(jīng)網(wǎng)絡(luò)的研究及其在圖像分割中的應(yīng)用[D]. 電子科技大學(xué)，2013.

[3] 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（3） ：67-71.

[4] 喬陽. 基于改進遺傳算法的圖像分割方法[D].電子科技大學(xué)，2013.

[5] 楊建功. 水平集活動輪廓模型在圖像分割中的應(yīng)用研究[D].陜西師范大學(xué)，2011.

[6] MyungEun Lee， SoonYoung Park， WanHyun Cho and SooHyung Kim. Medical Image Segmentation Using a Geometric Active Contour Model Based on Level Set Method[A]. Communications， Computers and Signal Processing， 2007. PacRim 2007. IEEE Pacific Rim Conference on， 2007：577-580.

[7] Plum J， Maintz J， Viergever M. Mutual information based registration of medical images a survey[J]. IEEE Trans on Medical imaging，2003，22（8）： 986-1004.