基于GA—Otsu的圖像分割方法在車道線檢測中的應(yīng)用

張利++倪洪飛++樊景帥++張勇++劉柳

摘要：為了克服傳統(tǒng)的Otsu算法在圖像分割問題中運(yùn)算量大與運(yùn)算效率不高的局限性，本文提出一種基于GA-Otsu的道路圖像分割算法。該算法在傳統(tǒng)的Otsu算法理論的基礎(chǔ)上，采用GA算法優(yōu)化Otsu算法，利用GA算法的非線性隨機(jī)搜索能力，求出類間方差最大時(shí)的圖像分割閾值。最后通過具體的實(shí)例驗(yàn)證，結(jié)果表明該算法能有效地對(duì)道路圖像進(jìn)行分割，且相比于傳統(tǒng)的Otsu算法，運(yùn)行時(shí)間大大減少，具有更加廣泛的工程適用面。

關(guān)鍵詞：視覺導(dǎo)航 道路圖像分割 Otsu算法 GA算法 最優(yōu)閾值

中圖分類號(hào)：U491.6+2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）12-0056-02

基于視覺的道路檢測技術(shù)是無人駕駛系統(tǒng)和機(jī)器人視覺導(dǎo)航中的關(guān)鍵技術(shù)，也是當(dāng)今車輛輔助駕駛系統(tǒng)的重要組成部分。近些年來，國內(nèi)外學(xué)者已從多個(gè)角度對(duì)基于視覺的道路檢測技術(shù)進(jìn)行廣泛的研究。研究表明，由于實(shí)際道路環(huán)境的具有不可預(yù)測的復(fù)雜性以及圖像表示的模糊性，道路檢測必須先借助圖像分割技術(shù)將道路目標(biāo)從圖像背景中分離出來，而后用基于特征或模型的圖像處理算法予以識(shí)別。目前，基于圖像分割的道路檢測技術(shù)已成為了研究熱點(diǎn)，比較常用的方法主要有基于閾值的Otsu算法，區(qū)域生長法，以及K-means算法等[1][2][3]。而其中又以基于閾值Otsu算法魯棒性較高，應(yīng)用面最廣，但是Otsu算法存在著計(jì)算量較大，運(yùn)算效率不高的缺點(diǎn)。本文針對(duì)于目前常用的Otsu算法的缺點(diǎn)，提出一種基于GA-Otsu的道路圖像分割算法，該方法引入GA算法對(duì)Otsu算法進(jìn)行優(yōu)化，大大減少了Otsu算法的計(jì)算量，提高了算法的運(yùn)算效率。

1 算法的基本介紹

1.1 Otsu算法的基本介紹

Otsu算法（大津法）是由日本學(xué)者大津展之推導(dǎo)出來的。其基本思路是將圖像的直方圖以某一灰度為閾值，將圖像分成兩組并計(jì)算兩組的方差，當(dāng)被分成的兩組之間的方差最大時(shí)，則以此灰度值為閾值，對(duì)圖像進(jìn)行分割[4]。

具體過程如下：

設(shè)一幅圖像的灰度值為個(gè)，灰度值為的像素?cái)?shù)為，則總的像素個(gè)數(shù)為：計(jì)算得到各灰度值的概率為：

在1～范圍內(nèi)改變值，求，使得，然后以為閾值分割圖像，即可得到最佳的分割效果。

1.2 遺傳算法概述

遺傳算法（GeneticAlgorithms，GA）是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化的搜索算法[5]，目前在機(jī)械設(shè)計(jì)、計(jì)算機(jī)科學(xué)、生物工程、自動(dòng)控制、人工智能和社會(huì)科學(xué)等領(lǐng)域都有廣泛應(yīng)用[6][7]。遺傳算法的基本流程可以概括為：從任一初始群體出發(fā)，通過隨機(jī)選擇、交叉和變異操作，產(chǎn)生一群更適應(yīng)環(huán)境個(gè)體，使群體進(jìn)化到搜索空間中越來越好的區(qū)域，通過一代一代地不斷繁衍進(jìn)化，最后收斂到一群最適合環(huán)境的個(gè)體，即問題的最優(yōu)解。

2 基于GA-Otsu的道路圖像分割算法的設(shè)計(jì)

由1.1節(jié)可知，Otsu算法必須對(duì)所有的灰度值進(jìn)行類間方差計(jì)算，比較出最大的類間方差，才能有效的將圖像進(jìn)行分割，所以O(shè)tsu算法計(jì)算量非常大，運(yùn)行效率不高。而GA算法能非線性快速查找最優(yōu)解及最大類間方差。GA優(yōu)化Otsu算法的步驟如下：

（1）首先對(duì)實(shí)現(xiàn)解空間的數(shù)值編碼。將所采集到的道路圖像轉(zhuǎn)化為灰度圖，由于灰度圖由0～255區(qū)域的灰度值組成，正好對(duì)應(yīng)著一個(gè)8位二進(jìn)制，所以使用一個(gè)8位二進(jìn)制數(shù)作為一個(gè)染色體。

（2）初始化種群。初始化種群也就是解的起始值，如果初始化種群選取過偏，則將造成最優(yōu)解收斂慢、計(jì)算時(shí)間長的缺點(diǎn)。因此，初始化種群也可憑道路圖像的灰度圖進(jìn)行預(yù)估，確定一組染色體；

（3）確定與計(jì)算適應(yīng)度函數(shù)值。由Otsu算法原理可知，該方法為分割閾值方法，則可設(shè)定每個(gè)灰度值的最大類間方差作為染色體的評(píng)價(jià)函數(shù)。由式（5）則可知每一個(gè)染色體的適應(yīng)值，對(duì)于所得出的適應(yīng)值，求出每一個(gè)染色體的選擇概率及累計(jì)概率，并產(chǎn)生多個(gè)隨機(jī)數(shù)。選擇出隨機(jī)概率對(duì)應(yīng)的染色體作為遺傳運(yùn)算的一組種子，其中適應(yīng)值大的被選取的可能性大，而適應(yīng)值小的被選取的機(jī)會(huì)少。被選中的染色體作為遺傳種子，進(jìn)行遺傳運(yùn)算，這樣一代一代地進(jìn)行，每一代所得到的適應(yīng)值都不相同，新一代中的染色體得到的適應(yīng)值較高，因此，其解也更逼近于最大的值。

（4）遺傳運(yùn)算。首先進(jìn)行雜交運(yùn)算，雜交運(yùn)算就是對(duì)染色體中的某些基因進(jìn)行交換，此過程中為了控制交換的位數(shù)，必須給定一個(gè)雜交率。雜交率越大，其交換的基因越多，其值變化就越快，解的收斂速度就越快；但雜交率太大，不利于求得最優(yōu)解。

基于GA-Otsu的道路圖像分割算法流程如圖1所示。

3 應(yīng)用實(shí)例

3.1 仿真過程與結(jié)果

本文應(yīng)用實(shí)例中樣本數(shù)據(jù)為實(shí)路采集的兩幅道路圖像，如圖2所示。

GA算法的運(yùn)行參數(shù)主要有個(gè)體編碼串長度（本文為8位），群體大小、交叉概率、變異概率和終止代數(shù)等，這些參數(shù)對(duì)遺傳算法的運(yùn)行效率和計(jì)算結(jié)果影響較大。根據(jù)一般建議的取值范圍[8]，群體規(guī)模為40，交叉概率為0.4，變異概率為0.005。經(jīng)過 GA 算法 150次迭代計(jì)算后，圖3（a）為樣本（a）最佳適應(yīng)度變化曲線與每一代最佳值進(jìn)化曲線。

通過GA-Otsu算法得到最終的道路分割效果（原始圖像的下半部分）如圖4所示，得到的分割閾值分別為82和101，由此可知，GA-Otsu算法能準(zhǔn)確有效地將道路與背景分割出來。

3.2 算法對(duì)比

將GA-Otsu算法與傳統(tǒng)的Otsu算法分別在MATLAB平臺(tái)上對(duì)樣本圖像進(jìn)行圖像分割，統(tǒng)計(jì)算法運(yùn)行時(shí)間如表1所示。由表1可知，GA-Otsu算法在保障了圖像分割效果的基礎(chǔ)上，比傳統(tǒng)的Otsu算法運(yùn)行時(shí)間少了一半以上，大大提高了算法的運(yùn)算速度。則說明GA-Otsu算法比傳統(tǒng)的Otsu算法能夠更加快速準(zhǔn)確地適應(yīng)于實(shí)際道路分割問題之中。

4 結(jié)語

對(duì)于道路圖像分割問題，本文在目前有關(guān)研究的基礎(chǔ)上，將傳統(tǒng)的圖像分割技術(shù)與現(xiàn)代智能理論相結(jié)合，采用GA算法優(yōu)化傳統(tǒng)的Otsu算法，設(shè)計(jì)了一種基于GA-Otsu的道路圖像分割算法。通過具體應(yīng)用實(shí)例可知，該算法能夠克服目前常用的Otsu算法運(yùn)算量大，運(yùn)行效率不高的缺點(diǎn)，能快速有效地將圖像中的道路目標(biāo)與背影進(jìn)行分割，實(shí)際工程適用面更加廣泛。

參考文獻(xiàn)

[1]陶麗媛.基于動(dòng)態(tài)圖像的道路檢測技術(shù)的研究[D].哈爾濱：哈爾濱理工大學(xué)，2010.

[2]金立生，王榮本，高龍，郭烈.基于區(qū)域生長的智能車輛陰影路徑圖像分割方法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2006，（36）：132～135.

[3]王敏杰.基于視覺的道路檢測技術(shù)研究[D].北京：北京交通大學(xué)，2012.

[4]郝文化，田蕾，董秀芳.MATLAB 圖形圖像處理應(yīng)用教程[M].北京：中國水利水電出版社，2004.

[5]Goldberg D.E. Genetic Algorithms in Search and Optimization and Machine Learning[M]. Addison Wesley Publishing Company， 2010.

[6]祝詩平，王一鳴，張小超，等.基于遺傳算法的近紅外光譜譜區(qū)選擇方法[J].農(nóng)來機(jī)械學(xué)報(bào)，2004，35（5）：152～156.

[7]孫志田，張建梅，閆常麗.基于遺傳算法公交線路網(wǎng)優(yōu)化模型仿真研究[J].計(jì)算機(jī)仿真，2011，28（11）：335～338.

[8]雷英杰，張善文，李續(xù)武.MATLAB遺傳算法工具箱及應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2005.