一種基于遺傳算法的圖像分割方法

王亞文，趙 明

（河南師范大學(xué)，河南 新鄉(xiāng) 453007）

一種基于遺傳算法的圖像分割方法

王亞文，趙 明

（河南師范大學(xué)，河南 新鄉(xiāng) 453007）

圖像閾值分割技術(shù)在圖像分割中具有重要的意義。遺傳算法既可以對(duì)全局信息高效利用，也減少了存儲(chǔ)空間和計(jì)算量。利用遺傳算法的優(yōu)點(diǎn)，文章提出了一種用改進(jìn)遺傳算法優(yōu)化圖像閾值并對(duì)圖像進(jìn)行分割的方法。通過(guò)實(shí)驗(yàn)對(duì)比，文章表明該方法具有快速、穩(wěn)定分割的特點(diǎn)。

最大熵；改進(jìn)遺傳算法；圖像分割

圖像分割是圖像處理和計(jì)算機(jī)視覺(jué)中基本而且關(guān)鍵的技術(shù)之一，在圖像分割方法中，閾值法是常見(jiàn)的方法之一[1]。遺傳算法是基于自然選擇和基因遺傳學(xué)原理的搜索算法，因?yàn)榫哂休^強(qiáng)的全局搜索能力，可用于實(shí)時(shí)處理，該算法的魯棒性、并行性和自適應(yīng)性極強(qiáng)，已被應(yīng)用于各種優(yōu)化問(wèn)題[2]。本文針對(duì)遺傳算法的特點(diǎn)，提出了一種新的圖像分割方法。

1 基于遺傳算法確定圖像閾值

運(yùn)用遺傳算法全局優(yōu)化的特點(diǎn)進(jìn)行圖像閾值分割的主要過(guò)程如下所示：

（1）確定種群規(guī)模，初始化第一代種群。確定種群個(gè)體長(zhǎng)度，將交叉概率和變異概率設(shè)為固定值。

（2）求出個(gè)體的適應(yīng)度值。

（3）對(duì)終止條件進(jìn)行判斷：如果滿足終止條件，循環(huán)終止，執(zhí)行下一步；如果不滿足終止條件，下一次的父代種群將由該種群執(zhí)行選擇、交叉、變異等操作形成的子代種群所構(gòu)成，并且轉(zhuǎn)入步驟（2）執(zhí)行。

（4）顯示出最優(yōu)化的結(jié)果，退出[3]。

2 基于遺傳算法的圖像分割

依據(jù)遺傳算法進(jìn)行全局優(yōu)化的特點(diǎn)，提出了一種基于遺傳算法的圖像分割方法，該方法的分割效果良好。具體實(shí)施步驟如下：

（1）初始化：設(shè)置種群規(guī)模的大小為40，最大繁殖代數(shù)為70，將閾值矢量用16位二進(jìn)制表示，閾值s用前8位表示，閾值t用后8位表示，取雙閾值為兩個(gè)0～255之間的數(shù)，并用二進(jìn)制染色體數(shù)組表示。

（2）適應(yīng)度函數(shù)：采用最大熵準(zhǔn)則作為適應(yīng)度函數(shù)。

（3）遺傳算子的選擇。對(duì)于選擇算子，采用精英選拔結(jié)合輪盤(pán)賭法的方法。該方法具體分兩步：首先把適應(yīng)度較大的個(gè)體保留下來(lái)，以10%的比例直接遺傳到下一代，然后通過(guò)輪盤(pán)賭法選擇最優(yōu)個(gè)體；對(duì)于變異算子，使用二進(jìn)制變異，將進(jìn)化過(guò)程分為3個(gè)階段，在每個(gè)階段采用不同變異概率。第一階段為了在較大的范圍內(nèi)變異以維持多樣性，使用較小的變異概率；第二階段為了增加算法局部搜索的能力，使用較大的變異概率；第三階段趨于穩(wěn)定，以中等的概率在中間范圍內(nèi)變異；對(duì)于交叉算子，采用兩點(diǎn)交叉，在前8位閾值s和后8位閾值t中各選擇一個(gè)交叉點(diǎn)，對(duì)交叉點(diǎn)后的部分交換。在前期選擇較大的交叉概率快速獲得新個(gè)體，在后期選擇較小的交叉概率使個(gè)體趨于穩(wěn)定[4]。

（4）結(jié)束條件設(shè)定：結(jié)束條件分為兩種，當(dāng)兩代平均適應(yīng)度之比落在區(qū)間[1，1.002]或者達(dá)到最大的迭代次數(shù)都將止運(yùn)行，輸出結(jié)果。

圖1 遺傳算法用于圖像分割流程

3 實(shí)驗(yàn)結(jié)果與分析

首先對(duì)Cameraman圖像用濾波去噪得到圖2，再用最大熵閾值分割得到圖3，將圖2用改進(jìn)的遺傳算法分割得到圖4。

圖2 Cameraman去噪圖像

圖3 Cameraman最大熵分割結(jié)果

圖4 Cameraman 改進(jìn)遺傳算法分割結(jié)果

由圖2—3結(jié)果對(duì)比可見(jiàn)，本文方法優(yōu)于傳統(tǒng)的最大熵閾值分割方法，分割結(jié)果較好。

4 結(jié)語(yǔ)

遺傳算法是針對(duì)全局的一種尋優(yōu)算法，可以高效利用全局信息是其最大優(yōu)點(diǎn)[5]。本文利用遺傳算法優(yōu)化圖像閾值分割，通過(guò)和經(jīng)典的最大熵閾值分割對(duì)比，實(shí)驗(yàn)證明分割結(jié)果優(yōu)于最大熵閾值分割方法。此外，該算法具有良好的魯棒性和穩(wěn)定性，能夠很好地提高圖像分割的精度。

[1]庹謙.最大熵結(jié)合遺傳算法的圖像閾值分割算法研究[D].昆明：昆明理工大學(xué)，2016.

[2]宋家慧.基于遺傳算法的最大熵閾值的圖像分割[J].電子工程師，2005（2）：60-63.

[3]李宏言，盛利元，陳良款，等.基于二維最大熵原理和改進(jìn)遺傳算法的圖像閾值分割[J].計(jì)算機(jī)與現(xiàn)代化，2007（2）：34-37.

[4]SEZGIN M.Survey over image thresholding techniques and quantitative performance evaluation[J].Electronic Imaging, 2004（1）：146-168.

[5]汪筱紅，須文波.遺傳算法在最大熵多閾值分割的應(yīng)用研究[J].貴州大學(xué)學(xué)報(bào)（自然科學(xué)版），2007（4）：401-403.

An image segmentation method based on improved genetic algorithm

Wang Yawen, Zhao Ming
（Henan Normal University, Xinxiang 453007, China）

Image threshold segmentation is of great significance in image segmentation. Genetic algorithm can make efficient use of global information and greatly reduce the storage space and calculation. Based on the advantages of genetic algorithm, this paper proposes a method to optimize the image threshold and segment the image with improved genetic algorithm. The experimental results show that the method has the characteristics of fast and stable segmentation.

maximum entropy; improved genetic algorithm; image segmentation

河南師范大學(xué)2015年度國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目；項(xiàng)目編號(hào)：201510476058。

王亞文（1995— ），男，河南焦作。