基于遺傳優(yōu)化的非參數(shù)曲線識別算法研究.pdf

1、曲線識別是一種圖像識別領(lǐng)域非常重要的基本識別技術(shù)?，F(xiàn)行圖像識別算法總是先通過圖像預(yù)處理消除噪聲，再進行圖像分割，然后提取曲線特征，最后進行識別。由于圖像的復(fù)雜性和多樣性，以及分割算法的局限性，分割后的二值圖像總是存在大量的噪聲，曲線往往也存在斷點。人類視覺有連接斷點、濾除噪聲的功能，所以能在存在大量噪聲的二值圖像中，識別出存在斷點的任意形狀的曲線。Hough變換也具有從存在大量噪聲的二值圖像中，識別出具有斷點的曲線的能力。其特點是必須事

2、先預(yù)知被測曲線的曲線方程或曲線的形狀，由此構(gòu)造相對應(yīng)的參數(shù)空間，并將其參數(shù)空間離散化后應(yīng)用點線投影，通過表決判定出最有可能的曲線。Hough變換的優(yōu)點是能夠在存在大量的噪聲的二值圖像中，提取存在斷點的已預(yù)知曲線方程或形狀的曲線，本文稱為參數(shù)曲線。而對在曲線識別前，沒有曲線方程或形狀先驗知識的曲線，Hough變換無法識別，這類曲線稱為非參數(shù)曲線。
　　實際圖像中的曲線在許多情況下均是非參數(shù)曲線。如在識別路面圖像中的裂紋、遙感圖像中的

3、河流等自然紋理的過程中，均無法預(yù)知其曲線方程或曲線形狀，其二值化后也存在大量的噪聲和曲線上的斷點，當(dāng)然也無法用Hough變換來提取。本文將二值圖像中非參數(shù)曲線的識別問題，歸結(jié)成二值圖像中非零像素的組合優(yōu)化問題，并采用遺傳算法選出最優(yōu)，識別出非參數(shù)曲線。本文的主要研究內(nèi)容和取得的成果包括如下幾個方面：
　　1.系統(tǒng)而較全面地介紹了用Hough變換識別參數(shù)曲線的理論方法，研究了圖像中參數(shù)曲線和非參數(shù)曲線的概念。闡明了基于組合優(yōu)化理論的

4、非參數(shù)曲線識別的基本框架，并根據(jù)其優(yōu)化是離散性優(yōu)化的特點，采用遺傳優(yōu)化來識別非參數(shù)曲線，并取得成功。
　　2.為有效地設(shè)計遺傳優(yōu)化的適應(yīng)值函數(shù)，本文引入了非參數(shù)曲線識別視覺模型。在該模型中，對非參數(shù)曲線上非零像素的線密度、最大相鄰非零像素的間隔、非閉合曲線的跨度、閉合曲線的面積等與曲線分辨率相關(guān)的特征作出相應(yīng)的規(guī)范，在此基礎(chǔ)上定義了5種適應(yīng)于不同情況的適應(yīng)值函數(shù)，并進行了系統(tǒng)的對比實驗。
　　3.為適應(yīng)非參數(shù)曲線特征的提取，

5、在遺傳優(yōu)化的設(shè)計中提出了如下技術(shù)：為使字符集滿足 Goldberg的最小字符集原理，采用了基于行-列的編碼，并從理論上證明了當(dāng)像素的維數(shù)增加時，改進的基于排列編碼的字符串集相對于行-列編碼的字符串集按指數(shù)增加；為加速形成適應(yīng)值高的建筑模塊，提出了位串段適應(yīng)值積累型遺傳算法交叉點和變異位的概率確定技術(shù)；為解決基于遺傳優(yōu)化的非參數(shù)曲線提取中收斂到局部最優(yōu)的問題，引入了小生境技術(shù)，獨立提出了適用于該問題的共享函數(shù)、相似性判別式、罰函數(shù)等；針對

6、不同的編碼、適應(yīng)值函數(shù)、曲線的形狀進行了大量的實驗，結(jié)果表明算法是有效的。
　　4.為了在基于行-列編碼遺傳優(yōu)化提取的特征中識別非參數(shù)曲線，本研究設(shè)計了基于二分法的決策折線，通過先驗樣本的訓(xùn)練可以有效地獲得該決策折線。該方法能從含有噪聲的圖像中識別非參數(shù)曲線，同時又避免了訓(xùn)練決策超曲面的復(fù)雜運算。實驗表明對路面裂紋的識別率可達(dá)93.0％。
　　5.為進一步提高基于行-列編碼遺傳優(yōu)化的非參數(shù)曲線的識別效率，本文引入了多種群競爭