基于改進遺傳算法的圖像分割技術(shù)研究

李麗麗，曹永軍，陳再勵（.順德職業(yè)技術(shù)學院，廣東順德，5800；.廣東省智能制造研究所，廣東廣州，50070；.華南智能機器人創(chuàng)新研究院，廣東佛山，585）

基于改進遺傳算法的圖像分割技術(shù)研究

李麗麗1，曹永軍2，陳再勵3
（1.順德職業(yè)技術(shù)學院，廣東順德，528300；2.廣東省智能制造研究所，廣東廣州，510070；3.華南智能機器人創(chuàng)新研究院，廣東佛山，528315）

目前，在圖像分割中有著眾多類型的分割方法，其中應(yīng)用最為常見的是以邊緣檢測為基礎(chǔ)的分割法和基于區(qū)域分割基礎(chǔ)上的分割法兩種，在其實踐應(yīng)用過程中也形成了相應(yīng)的閡值型、區(qū)域跟蹤型以及邊緣檢測型等幾種主要類型方法。在此基礎(chǔ)上，本文針對閡值型分割方法進行了改進，并基于實驗對其有效性進行了論證。

圖像處理；分割技術(shù)；閡值；改進遺傳算法

0　引言

現(xiàn)階段，隨著計算機技術(shù)發(fā)展水平的不斷提高，社會信息化以及數(shù)字化進程也不斷加快；同時，圖像分割技術(shù)作為圖像處理領(lǐng)域中的一項關(guān)鍵性技術(shù)也得到了顯著的發(fā)展。在當代圖像分割處理領(lǐng)域，隨著圖像處理需求的日趨多元化和復雜化發(fā)展，致使傳統(tǒng)的圖像處理方法逐漸暴露出了越來越多的缺陷及不足，而且一系列組合優(yōu)化搜索空間問題也呈現(xiàn)出一種日益加劇的趨勢，最終導致傳統(tǒng)遺傳算法的應(yīng)用已經(jīng)很難高效的求得最優(yōu)解。

1　遺傳算法概述

遺傳算法，是在生物界多年發(fā)展進化過程中衍生出的基本原理的基礎(chǔ)上而形成的一種搜索進化算法。遺傳算法具有著突出的自動學習能力、大量的處理數(shù)據(jù)以及隨意性的對象處理等特點。該算法的最大優(yōu)點就在于計算過程中采用數(shù)據(jù)的大量性，在計算過程中，將所遇到的所有問題，都可以模擬為生物群眾的某一具體物種的單體或群體，并利用從群體中所挑選出的個體，促使單體之間進行互相融合；而后通過這些GA計算過程而得出可用于下一繁衍計算的單體或群體，如此反復計算，最終得到最優(yōu)解。

2　圖像分割技術(shù)與閡值分割概念

2.1圖像分割技術(shù)。圖像分割技術(shù)的原理就是：在基于所需處理圖像特征的基礎(chǔ)上進行分割，并在分割過程中對特定的區(qū)域進行保存，具體涵蓋了圖像的灰度特征、顏色信息以及圖像所表現(xiàn)出的邊界性特征等多項內(nèi)容。在圖片或視頻的處理過程中所進行的圖像分割，就是一種針對特定特征進行跟蹤判斷的處理方法，該方法的應(yīng)用在圖片和視覺的處理過程中占據(jù)了重要的位置。

2.2閡值分割技術(shù)。閡值分割法在應(yīng)用過程中，憑借其簡單性和直觀性，逐漸成為了一種最流行、最經(jīng)典以及最簡單的圖像分割方法；閡值分割法的主要原理為：在圖像處理過程中，為更好的實現(xiàn)圖片與背景的有效區(qū)分，采取若干個閡值將圖像的灰度劃分為不同的幾個等級，并結(jié)合具有相似屬性的像素隸屬于相同區(qū)域的特性，完成最佳閡值的選擇。

3　基于改進遺傳算法的圖像分割技術(shù)研究

通過改進處理后的遺傳算法圖像分割技術(shù)具體實施步驟如下所述；

（1）編碼：一般情況下，圖像都具有著256灰度級，因此需要將各個染色體編碼界定為8位的二進制編碼，相應(yīng)的分割閾值用000000000--111111111之間的8位2進制代碼來表示。

（2）種群的初始化：為更好的保證種群的多樣化，在處理過程中隨機形成的n對個體中所對應(yīng)的適應(yīng)度值也會有高低不同的差異；如果這種種群具有較大的規(guī)模，則需增加對其評估次數(shù)和計算量；而如果種群規(guī)模較小，則很有可能會出現(xiàn)不成熟收斂的現(xiàn)象。所以，在此環(huán)節(jié)中，要特別注重種群規(guī)模的合理設(shè)置。通常情況下，在處理過程中會將種群規(guī)模界定為20，最大繁殖代數(shù)界定為50.

（3）對種群中各個染色體適應(yīng)度進行計算：適應(yīng)度，在遺傳算法中作為了判定個體優(yōu)劣程度的主要指標。所以，如何合理的設(shè)計適應(yīng)度函數(shù)對于遺傳算法的效率和性能也就顯得意義重大。在本次研究中，主要采取了一種OTSU法進行圖像分割的質(zhì)量測試公式，其目標函數(shù)為：

上式中，w0所表示為灰度值小于門限k時的概率和；w1所表示為灰度值大于門限k時的概率和；u0和u1表示的分別為以上兩大區(qū)間的平均灰度值；整個圖像的平均灰度用v來表示。其中計算得到f值越大，則也說明圖像分割的效果及質(zhì)量也就越好。

4　實驗結(jié)果與分析

為更好的驗證基于改進遺傳算法的圖像分割技術(shù)的有效性，本研究特針對傳統(tǒng)遺傳算法和改進后遺傳算法的圖像分割結(jié)果進行實證分析；在實驗過程中，將改進后遺傳算法的種群規(guī)模和最大繁殖代數(shù)界定為20和50，同時其變異概率和交叉概率分別為0.01和0.6，在實驗過程中對256*256的LENA圖像和對實際拍攝的組織物圖像進行了分割.

基于傳統(tǒng)遺傳算法的OTSU法和基于改進后遺傳算法在圖像分割過程中所需的運算時間以及閾值比較見下表1所示；

表1　兩種不同算法的運算時間及閾值對比

通過本次實驗論證得出：基于改進遺傳算法的圖像分割技術(shù)，在應(yīng)用過程中在進化至第15代左右即可得到最佳閾值；結(jié)合20次的實驗比較分析，首先在LENA的圖像分割過程中，兩種分割方法的質(zhì)量基本一致，但在分割速度方面，基于改進遺傳算法的圖像分割技術(shù)相對較快，有著明顯優(yōu)勢；其次，在對實拍組織物進行分割操作時，通過應(yīng)用基于改進遺傳算法的圖像分割技術(shù)來進行相關(guān)閾值的搜索，所得結(jié)果不僅同全局最優(yōu)閾值更為接近，而且其收斂速度也較快，同時在分割處理之后的圖像所存在的噪聲點分布也較少?？傊?，基于改進遺傳算法圖像分割技術(shù)相比于傳統(tǒng)的OTSU算法，在圖像分割質(zhì)量以及精度等方面有著一種更為明顯的優(yōu)勢。

5　結(jié)語

基于改進遺傳算法的圖像分割技術(shù)，相比于傳統(tǒng)的圖像分割技術(shù)，在應(yīng)用過程中，不僅能夠促使算法的優(yōu)化速度得到了進一步加快，克服了早熟收斂的問題，同時還具有著一種更優(yōu)的全局收斂性和更快的搜索效率；而且在運算時間方面也明顯優(yōu)于傳統(tǒng)方法，從進而促使計算時間得到了有效的縮短，并促使傳統(tǒng)閾值方法的圖像分割效果得到了進一步提高。

［1］李茂民.一種基于改進遺傳算法的圖像分割研究及應(yīng)用［D］.江西理工大學，2010.

［2］李輝. 基于改進遺傳算法的圖像分割［D］.東北師范大學，2004.

李麗麗，女（1981.02—），漢族，吉林磐石人，碩士，工程師，研究方向：機器視覺、人工智能、圖像處理。

曹永軍，男（1981.2-），漢族，河南商丘，碩士，高級工程師，研究方向：智能控制與系統(tǒng)，機器視覺。

陳再勵，男（1989-），漢族，湖南邵陽，碩士，工程師，研究方向：智能控制、圖像處理。

Research on image segmentation based on Improved Genetic Algorithm

Li Lili1，Cao Yongjun2，Chen Zaili3
（1.Shunde Polytechnic Shunde Guangdong 528300；2.Guangdong Institute of intelligent manufacturing Guangzhou Guangdong 510070；3.Southern China intelligent robot Innovation Research Institute Foshan Guangdong，528315）

At present，in the image segmentation with many types of segmentation method， which used the most common is to detect edges is based segmentation method based on region segmentation segmentation method based on the two，in the process of its application in practice also formed the corresponding threshold value type and region tracking type and edge detection etc.several main types.Based on this.In this paper，according to the threshold value segmentation method are introduced，and demonstrate the validity of the experiment by.

Image Processing；Segmentation；Threshold；Genetic Algorithm