基于遺傳算法的web圖像分割研究與實(shí)現(xiàn)【畢業(yè)設(shè)計(jì)+開(kāi)題報(bào)告+文獻(xiàn)綜述】

1、<p>　　本科畢業(yè)設(shè)計(jì)(論文)</p><p><b>　?。ǘ?屆）</b></p><p>　　基于遺傳算法的WEB圖像分割研究與實(shí)現(xiàn)</p><p>　　所在學(xué)院 </p><p>　　專(zhuān)業(yè)班級(jí) 計(jì)算機(jī)科學(xué)與技術(shù) <

2、/p><p>　　學(xué)生姓名 學(xué)號(hào) </p><p>　　指導(dǎo)教師 職稱(chēng) </p><p>　　完成日期 年 月 </p><p>　　摘 要: 隨著信息時(shí)代的到來(lái)，數(shù)字圖像大量涌入互聯(lián)網(wǎng)，并已成為人們生活中的一個(gè)重要組

3、成部分。WEB圖像分割是圖像處理中的一個(gè)關(guān)鍵步驟,其目的是將WEB圖像中的目標(biāo)與背景分離，能夠?yàn)閳D像處理中的后續(xù)環(huán)節(jié)提供基礎(chǔ)。開(kāi)發(fā)一種有效而快速的圖像分割方法已成為當(dāng)前圖像處理、計(jì)算機(jī)視覺(jué)和目標(biāo)識(shí)別等領(lǐng)域的一個(gè)研究熱點(diǎn)。本文提出了一種基于直方圖熵和改進(jìn)遺傳算法的圖像分割方法，能夠利用遺傳算法帶有的優(yōu)化操作的高效性，自適應(yīng)加以調(diào)整，從而大幅度地縮短了尋找最優(yōu)閾值的時(shí)間。此外，對(duì)于遺傳算法中存在的不足之處，提出了一些修正。通過(guò)實(shí)驗(yàn)對(duì)比可見(jiàn)，

4、提出的算法不僅得到了更好的分割效果，而且比傳統(tǒng)閾值分割方法的計(jì)算速度要快。</p><p>　　關(guān)鍵詞：遺傳算法；圖像分割；最大類(lèi)間方差法；最佳直方圖熵法</p><p>　　The Research and Implementation of WEB Image Segmentation Based on Genetic Algorithm </p><p>　　

5、Abstract：With the coming of information age, a large number of digital images are emerged on the Internet, and they are acted as an important part in our daily lives. WEB image segmentation is a key step in image proces

6、sing. And its aim is to distinguish the objects and background within an image. The segmentation process will provide a basis for the following steps in image processing. Thus, it has been a research focus to develop an

7、effective and fast segmentation method in image processing, </p><p>　　Key words: genetic algorithm (GA), image segmentation, Otsu method, KSW (Automatic thresholding of the best entropy) method</p>&l

8、t;p><b>　　目 錄</b></p><p><b>　　1 緒論1</b></p><p>　　1.1 研究的背景、目的和意義1</p><p>　　1.2 本文的主要內(nèi)容2</p><p>　　1.3 本文的組織結(jié)構(gòu)3</p><p>　　2

9、WEB圖像分割相關(guān)研究4</p><p>　　2.1 圖像分割簡(jiǎn)介4</p><p>　　2.2 圖像分割閾值選取技術(shù)4</p><p>　　2.3 閾值分割簡(jiǎn)介5</p><p>　　3 基于遺傳算法的WEB圖像分割法6</p><p>　　3.1 最大類(lèi)間方差法6</p><

10、;p>　　3.1.1 一維Otsu算法6</p><p>　　3.1.2 二維Otsu算法7</p><p>　　3.1.3 Otsu閾值分割的遺傳算法設(shè)計(jì)8</p><p>　　3.2 基于遺傳算法的KSW熵方法10</p><p>　　3.2.1 單閾值分割的遺傳算法設(shè)計(jì)11</p><p&g

11、t;　　3.2.2 雙閾值分割的遺傳算法設(shè)計(jì)12</p><p>　　4 實(shí)驗(yàn)部分14</p><p>　　4.1 實(shí)驗(yàn)設(shè)計(jì)14</p><p>　　4.2實(shí)驗(yàn)結(jié)果及分析14</p><p><b>　　5 結(jié) 論22</b></p><p>　　致 謝錯(cuò)誤!未定義書(shū)簽。<

12、;/p><p><b>　　參考文獻(xiàn)23</b></p><p><b>　　1 緒論</b></p><p>　　1.1 研究的背景、目的和意義</p><p>　　隨著信息時(shí)代的到來(lái),大量的數(shù)字圖像紛紛涌入到互聯(lián)網(wǎng),逐漸成為我們生活中的一部分。對(duì)WEB圖像進(jìn)行分割是對(duì)圖像信息的提取和處理的關(guān)鍵步

13、驟。圖像分割的目的是將目標(biāo)和背景分離,為計(jì)算機(jī)視覺(jué)的后續(xù)處理提供依據(jù)。尋找一種快速而有效的圖像分割方法現(xiàn)已成為當(dāng)前計(jì)算機(jī)視覺(jué)、自動(dòng)目標(biāo)識(shí)別和圖像處理等領(lǐng)域研究的一個(gè)熱點(diǎn)[1]。</p><p>　　圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù),圖像分割就是把圖像劃分成若干互補(bǔ)交疊區(qū)域的像素的集合,這些區(qū)域要么對(duì)當(dāng)前的分割有意義,是目標(biāo)物體與背景的邊緣,要么有助于說(shuō)明它們之間的對(duì)應(yīng)關(guān)系。自適應(yīng)圖像分割為了響應(yīng)參數(shù)的變化需要修

14、改控制能力,保證圖像在不同環(huán)境條件下的質(zhì)量[2]。隨著20世紀(jì)數(shù)字圖像處理技術(shù)的興起而受到人們廣泛的深入的研究,提出了很多優(yōu)秀的算法。但這些算法往往只在某一個(gè)方面表現(xiàn)出優(yōu)秀的解決問(wèn)題的能力,在另外的一些領(lǐng)域則需要其他的圖像分割算法。因此,現(xiàn)有的圖像分割算法并沒(méi)有一般意義上的通用性。另外,圖像分割效果的評(píng)估也沒(méi)有相應(yīng)的評(píng)判標(biāo)準(zhǔn),通常的處理方式只能是具體問(wèn)題具體分析。在這其中遺傳算法是解決圖像分割問(wèn)題的最優(yōu)算法之一[3]。它不涉及具體的研究

15、領(lǐng)域和內(nèi)容,只關(guān)心相應(yīng)的目標(biāo)函數(shù)和輔助函數(shù),即所謂魯棒性。因此廣泛應(yīng)用于工業(yè)工程、計(jì)算科學(xué)、工控系統(tǒng)、交通、計(jì)算機(jī)、通信、電子科學(xué)與技術(shù)等領(lǐng)域。</p><p>　　遺傳算法（Genetic Algorithm）是一類(lèi)借鑒生物界的進(jìn)化規(guī)律（適者生存,優(yōu)勝劣汰遺傳機(jī)制）演化而來(lái)的隨機(jī)化搜索方法[1]。它是由美國(guó)的J.Holland教授1975年首先提出,其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作,不存在求導(dǎo)和函數(shù)連續(xù)性的限

16、定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法,能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間,自適應(yīng)地調(diào)整搜索方向,不需要確定的規(guī)則[2]。</p><p>　　圖像分割伴隨著數(shù)字圖像處理技術(shù)在實(shí)際中已經(jīng)得到廣泛的應(yīng)用,例如在工業(yè)工程,產(chǎn)品檢驗(yàn),工業(yè)控制,圖像處理,衛(wèi)星圖片,生物醫(yī)學(xué)圖像分析、保安監(jiān)控以及軍事、衛(wèi)生、農(nóng)業(yè)工程等諸多領(lǐng)域[3]。概括來(lái)說(shuō),在各種圖像應(yīng)用中,只需對(duì)圖像物體目標(biāo)進(jìn)行提取、測(cè)量等進(jìn)一步

17、操作都離不開(kāi)圖像分割,圖像分割往往是這些處理步驟的準(zhǔn)備階段,圖像分割的效果直接影響后續(xù)任務(wù)的有效性,因此圖像分割具有重要的研究意義[3]。而遺傳算法是一種通用的算法[4]。進(jìn)入90年代,遺傳算法迎來(lái)了興盛發(fā)展時(shí)期,無(wú)論是理論研究還是應(yīng)用研究都成了十分熱門(mén)的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍,不但它的應(yīng)用領(lǐng)域擴(kuò)大,而且利用遺傳算法進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高,同時(shí)產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中[4]。此外一些新的理論和方法在

18、應(yīng)用研究中亦得到了迅速的發(fā)展,這些無(wú)疑均給遺傳算法增添了新的活力[5]。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面[6]。其中圖像分割是一大研究方向。譚志存,魯瑞華提出建立在最大類(lèi)間方差基礎(chǔ)上的改進(jìn)遺傳算法[7]?；诨蛭坏慕徊娓怕食浞煮w現(xiàn)了不同基因位不同程度的重要性,避免</p><p>　　最早將遺傳算法用于圖像分割的Kapur 等人提出的最佳熵閾值確定法(簡(jiǎn)稱(chēng)KSW熵法)

19、中,進(jìn)行了針對(duì)圖像分割遺傳程序所需的參數(shù)設(shè)計(jì)。KSW 熵方法具有很多優(yōu)點(diǎn),但同時(shí)也存在弱點(diǎn):需要大量的運(yùn)算時(shí)間,特別是在計(jì)算多閾值時(shí). 因此需要引入優(yōu)化算法。 J . Holland 的遺傳算法是具有魯棒性和自適應(yīng)性的搜索方法。采用遺傳算法實(shí)現(xiàn)單閾值和多閾值圖像分割,實(shí)驗(yàn)結(jié)果表明分割速度快于傳統(tǒng)的KSW熵法,縮短了運(yùn)算時(shí)間[3]。而最大類(lèi)別方差法是Otsu在1979年提出的,在圖像分割中有大量應(yīng)用。Otsu法利用了灰度直方圖的0階和1階

20、矩,它不僅是圖像分割的重要方法, 而且也是模式識(shí)別中非監(jiān)督分類(lèi)問(wèn)題的判斷依據(jù)。</p><p>　　當(dāng)前,圖像分割與機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)學(xué)、人工智能等學(xué)科的先進(jìn)思想和理論緊密結(jié)合已經(jīng)成為一個(gè)重要的趨勢(shì)。本文針對(duì)基于遺傳算法的WEB圖像分割方法中存在的最佳閾值的確定和參數(shù)設(shè)置的優(yōu)化問(wèn)題,將遺傳算法和KSW熵法相結(jié)合,將信息論中Shannon 熵概念用于圖像分割時(shí),測(cè)量圖像灰度直方圖的熵,由此找出最佳閾值,其出發(fā)

21、點(diǎn)是使圖像中目標(biāo)與背景分布的信息量最大.提出一種有效的混合圖像分割算法,同時(shí),在分割過(guò)程中盡可能地提高運(yùn)行效率。</p><p>　　本文針對(duì)圖像分割中現(xiàn)存的一個(gè)重要而關(guān)鍵的問(wèn)題進(jìn)行研究,通過(guò)提出有效的方法,改進(jìn)分割的精度和效率,這對(duì)醫(yī)學(xué)、數(shù)字服務(wù)、網(wǎng)絡(luò)安全相關(guān)領(lǐng)域的發(fā)展必將具有廣泛的應(yīng)用前景和重要的實(shí)用價(jià)值。</p><p>　　1.2 本文的主要內(nèi)容</p><p

22、>　　標(biāo)準(zhǔn)的遺傳算法本身存在一些不足,對(duì)它進(jìn)行如下兩點(diǎn)修正：(1)在上述的選擇方案中,由于選擇方案是隨機(jī)的,有可能適應(yīng)度大的個(gè)體沒(méi)有選中,適應(yīng)度小的反而有可能被選中以產(chǎn)生下一代個(gè)體。根據(jù)類(lèi)比生物論的思想,適應(yīng)度小的個(gè)體產(chǎn)生下一代的質(zhì)量一般不會(huì)很高。為了克服GA的這個(gè)弊端,在用賭輪法進(jìn)行選擇以前。先用精英策略選擇一次,即按照一定的概率。使那些適應(yīng)度比較高的個(gè)體直接進(jìn)入下一代；(2)在上述步驟中,每次選出來(lái)兩個(gè)個(gè)體,它們之間先進(jìn)行交叉

23、操作,再分別對(duì)兩個(gè)新個(gè)體進(jìn)行變異操作,最后用新得到的新個(gè)體代替舊個(gè)體。但是新個(gè)體可能比舊個(gè)體的適應(yīng)度小,即可能出現(xiàn)退化現(xiàn)象,為了減少退化的發(fā)生,使新個(gè)體以一定的概率代替舊個(gè)體[8]。本文提出基于遺傳算法的KSW熵閾值分割方法對(duì)WEB圖像分割。</p><p>　　本文主要的研究?jī)?nèi)容如下：</p><p>　　基于遺傳算法的KSW熵閾值分割方法：將信息論中熵概念應(yīng)用于圖像分割時(shí),其依據(jù)是使圖

24、像中目標(biāo)與背景分布的信息量最大,即通過(guò)分析圖像灰度直方圖的熵,找出最佳閾值。傳統(tǒng)的KSW熵法對(duì)于每個(gè)初始閩值要計(jì)算一次質(zhì)量評(píng)估函數(shù),然后取最大值來(lái)確定最佳門(mén)限,分割速度主要由質(zhì)量評(píng)估函數(shù)的計(jì)算速度。對(duì)于256級(jí)灰度的運(yùn)算速度為256T,實(shí)驗(yàn)結(jié)果表明當(dāng)用改進(jìn)的GA的KSW熵法采用每代20個(gè)體,一般繁殖到第6代就達(dá)到最優(yōu)閾值,運(yùn)算速度為120T,比簡(jiǎn)單的KSW熵法的運(yùn)算速度小。</p><p>　　1.3 本文的組

25、織結(jié)構(gòu)</p><p>　　本文主要章節(jié)安排如下：</p><p><b>　　1 緒論</b></p><p>　　主要討論了本文研究的背景、目的和意義,并且簡(jiǎn)要地概括了本文的主要內(nèi)容和創(chuàng)新點(diǎn)。</p><p>　　2 圖像分割相關(guān)研究</p><p>　　本章首先討論了圖像分割的發(fā)展過(guò)程與

26、研究現(xiàn)狀,圖象分割的三種不同的途徑,其一是將各象素劃歸到相應(yīng)物體或區(qū)域的象素聚類(lèi)方法即區(qū)域法,其二是通過(guò)直接確定區(qū)域間的邊界來(lái)實(shí)現(xiàn)分割的邊界方法,其三是首先檢測(cè)邊緣象素再將邊緣象素連接起來(lái)構(gòu)成邊界形成分割。并且介紹了研究中使用的圖像分割的閾值選取技術(shù)概念及相關(guān)方法,最后介紹了閾值分割的技術(shù)。</p><p>　　3 基于遺傳算法的WEB圖像分割方法</p><p>　　本章首先介紹了最大

27、類(lèi)間方差法，提出了基于遺傳算法的最大類(lèi)間方差法的設(shè)計(jì),然后提出了基于遺傳算法的KSW法，通過(guò)單閾值和雙閾值的分割對(duì)KSW法進(jìn)行了詮釋。最后對(duì)上述算法進(jìn)行了實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析。</p><p><b>　　4 結(jié)論</b></p><p>　　本章主要的內(nèi)容是總結(jié)了本文的研究?jī)?nèi)容,并且對(duì)未來(lái)的研究進(jìn)行了展望。</p><p>　　2

28、 WEB圖像分割相關(guān)研究</p><p>　　2.1 圖像分割簡(jiǎn)介</p><p>　　所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個(gè)互不相交的區(qū)域,使得這些特征在同一區(qū)域內(nèi),表現(xiàn)出一致性或相似性,而在不同區(qū)域間表現(xiàn)出明顯的不同。簡(jiǎn)單的講,就是在一幅圖像中,把目標(biāo)從背景中分離出來(lái),以便于進(jìn)一步處理。圖像分割是圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域低層次視覺(jué)中最為基礎(chǔ)和重要的

29、領(lǐng)域之一,它是對(duì)圖像進(jìn)行視覺(jué)分析和模式識(shí)別的基本前提[8]。同時(shí)它也是一個(gè)經(jīng)典難題,到目前為止既不存在一種通用的圖像分割方法,也不存在一種判斷是否分割成功的客觀(guān)標(biāo)準(zhǔn)[9]。</p><p>　　圖象分割有三種不同的途徑,其一是將各象素劃歸到相應(yīng)物體或區(qū)域的象素聚類(lèi)方法即區(qū)域法,其二是通過(guò)直接確定區(qū)域間的邊界來(lái)實(shí)現(xiàn)分割的邊界方法,其三是首先檢測(cè)邊緣象素再將邊緣象素連接起來(lái)構(gòu)成邊界形成分割[9]。早期的圖像分割方法可

30、以分為兩大類(lèi)。一類(lèi)是邊界方法,這種方法假設(shè)圖像分割結(jié)果的某個(gè)子區(qū)域在原來(lái)圖像中一定會(huì)有邊緣存在；一類(lèi)是區(qū)域方法,這種方法假設(shè)圖像分割結(jié)果的某個(gè)子區(qū)域一定會(huì)有相同的性質(zhì),而不同區(qū)域的像素則沒(méi)有共同的性質(zhì)。這兩種方法都有優(yōu)點(diǎn)和缺點(diǎn),有的學(xué)者考慮把兩者結(jié)合起來(lái)進(jìn)行研究。現(xiàn)在,隨著計(jì)算機(jī)處理能力的提高,很多方法不斷涌現(xiàn),如基于彩色分量分割、紋理圖像分割[9]。</p><p>　　2.2 圖像分割閾值選取技術(shù)</

31、p><p>　　閾值分割法是一種基于區(qū)域的圖像分割技術(shù),其基本原理是：通過(guò)設(shè)定不同的特征閾值,把圖像象素點(diǎn)分為若干類(lèi)。常用的特征包括：直接來(lái)自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征[10]。 </p><p>　　閾值法是一種傳統(tǒng)的圖像分割方法,因其實(shí)現(xiàn)簡(jiǎn)單、計(jì)算量小、性能較穩(wěn)定而成為圖像分割中最基本和應(yīng)用最廣泛的分割技術(shù)。已被應(yīng)用于很多的領(lǐng)域,例如,在紅外技術(shù)應(yīng)用中,紅外

32、無(wú)損檢測(cè)中紅外熱圖像的分割,紅外成像跟蹤系統(tǒng)中目標(biāo)的分割；在遙感應(yīng)用中,合成孔徑雷達(dá)圖像中目標(biāo)的分割等；在醫(yī)學(xué)應(yīng)用中,血液細(xì)胞圖像的分割,磁共振圖像的分割；在農(nóng)業(yè)工程應(yīng)用中,水果品質(zhì)無(wú)損檢測(cè)過(guò)程中水果圖像與背景的分割。在工業(yè)生產(chǎn)中,機(jī)器視覺(jué)運(yùn)用于產(chǎn)品質(zhì)量檢測(cè)等等[11]。在這些應(yīng)用中,分割是對(duì)圖像進(jìn)一步分析、識(shí)別的前提,分割的準(zhǔn)確性將直接影響后續(xù)任務(wù)的有效性,其中閾值的選取是圖像閾值分割方法中的關(guān)鍵技術(shù)[12]。</p>

33、<p>　　2.3 閾值分割簡(jiǎn)介</p><p>　　圖像閾值化分割是一種最常用,同時(shí)也是最簡(jiǎn)單的圖像分割方法,它特別適用于目標(biāo)和背景占據(jù)不同灰度級(jí)范圍的圖像。它不僅可以極大的壓縮數(shù)據(jù)量,而且也大大簡(jiǎn)化了分析和處理步驟,因此在很多情況下,是進(jìn)行圖像分析、特征提取與模式識(shí)別之前的必要的圖像預(yù)處理過(guò)程。圖像閾值化的目的是要按照灰度級(jí),對(duì)像素集合進(jìn)行一個(gè)劃分,得到的每個(gè)子集形成一個(gè)與現(xiàn)實(shí)景物相對(duì)應(yīng)的區(qū)域,各

34、個(gè)區(qū)域內(nèi)部具有一致的屬性,而相鄰區(qū)域布局有這種一致屬性。這樣的劃分可以通過(guò)從灰度級(jí)出發(fā)選取一個(gè)或多個(gè)閾值來(lái)實(shí)現(xiàn)[8]。</p><p>　　設(shè)原始圖像為f(x,y),按照一定的準(zhǔn)則在f(x,y)中找到特征值T,將圖像分割為兩個(gè)部分,分割后的圖像為</p><p><b>　?。?.1）</b></p><p>　　若取 ：b0=0（黑）,b1=

35、1（白）,即為我們通常所說(shuō)的圖像二值化。</p><p><b>　　圖2.1</b></p><p>　　一般意義下,閾值運(yùn)算可以看作是對(duì)圖像中某點(diǎn)的灰度、該點(diǎn)的某種局部特性以及該點(diǎn)在圖像中的位置的一種函數(shù),這種閾值函數(shù)可記作</p><p>　　T(x, y, N(x, y),f(x, y))</p><p>　　式

36、中,f(x, y)是點(diǎn)(x, y)的灰度值；N(x, y)是點(diǎn)(x, y)的局部鄰域特性．根據(jù)對(duì)T的不同約束,可以得到3種不同類(lèi)型的閾值[37],即點(diǎn)相關(guān)的全局閾值T＝T(f(x, y)) (只與點(diǎn)的灰度值有關(guān))區(qū)域相關(guān)的全局閾值T＝T(N(x, y),f(x, y)) (與點(diǎn)的灰度值和該點(diǎn)的局部鄰域特征有關(guān))局部閾值或動(dòng)態(tài)閾值T＝T(x, y, N(x, y),f(x, y))(與點(diǎn)的位置、該點(diǎn)的灰度值和該點(diǎn)鄰域特征有關(guān))[13]。&

37、lt;/p><p>　　圖像閾值化這個(gè)看似簡(jiǎn)單的問(wèn)題,在過(guò)去的四十年里受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注,產(chǎn)生了數(shù)以百計(jì)的閾值選取方法[14],但是遺憾的是,如同其他圖像分割算法一樣,沒(méi)有一個(gè)現(xiàn)有方法對(duì)各種各樣的圖像都能得到令人滿(mǎn)意的結(jié)果,甚至也沒(méi)有一個(gè)理論指導(dǎo)我們選擇特定方法處理特定圖像[8]。</p><p>　　3 基于遺傳算法的WEB圖像分割法</p><p>　　3.

38、1 最大類(lèi)間方差法</p><p>　　由Otsu于1978年提出的最大類(lèi)間方差法以其計(jì)算簡(jiǎn)單、穩(wěn)定有效,一直廣為使用。從模式識(shí)別的角度看,最佳閾值應(yīng)當(dāng)產(chǎn)生最佳的目標(biāo)類(lèi)與背景類(lèi)的分離性能,此性能我們用類(lèi)別方差來(lái)表征,為此引入類(lèi)內(nèi)方差、類(lèi)間方差和總體方差,并定義三個(gè)等效的準(zhǔn)則測(cè)量[14]：</p><p>　　, , . (3.1)</p>&l

39、t;p>　　鑒于計(jì)算量的考慮,人們一般通過(guò)優(yōu)化第三個(gè)準(zhǔn)則獲取閾值。此方法也有其缺陷,當(dāng)圖像中目標(biāo)與背景的大小之比很小時(shí),方法失效。在實(shí)際運(yùn)用中,往往使用以下簡(jiǎn)化計(jì)算公式：</p><p><b>　　(3.2)</b></p><p>　　其中,為兩類(lèi)間最大方差,WA 為A類(lèi)概率,為A類(lèi)平均灰度,WB為B類(lèi)概率,為B類(lèi)平均灰度,μ為圖像總體平均灰度[15]。&l

40、t;/p><p>　　即閾值T將圖像分成A,B兩部分,使得兩類(lèi)總方差（T）取最大值的T,即為最佳分割閾值[16]。</p><p>　　3.1.1 一維Otsu算法 </p><p>　　設(shè)圖像f中,灰度值為i的象素的數(shù)目為Ni,總象素為：,各灰度K為門(mén)限將圖像分為兩個(gè)區(qū)域（目標(biāo)和背景）,灰度為l-k的象素和灰度為K+1-L的象素分別屬于區(qū)域A(目標(biāo))和B(背景),

41、則區(qū)域A和B的概率分別為</p><p><b>　　(3.3)</b></p><p><b>　　和</b></p><p>　　, (3.4)</p><p><b>　　若定義</b></p><p><b>　　(3.5)

42、</b></p><p>　　則圖像的總平均灰度級(jí)為：</p><p>　　,(3.6)</p><p>　　區(qū)域A的平均灰度級(jí)為：</p><p>　　,(3.7)</p><p>　　區(qū)域B的平均灰度級(jí)為:</p><p><b>　　(3.8)<

43、;/b></p><p>　　令：。則以k為閾值分類(lèi)時(shí)兩個(gè)區(qū)域的內(nèi)間方差為：</p><p>　　。 (3.9)</p><p>　　按照最大類(lèi)間方差的準(zhǔn)則,從1至L改變k,并計(jì)算類(lèi)間方差,使上式最大的k即是閾值分割的門(mén)限。</p><p>　　3.1.2 二維Otsu算法</p><p>　

44、　二維Otsu閾值分割算法充分利用了圖像象素與其鄰域的空間相關(guān)信息。設(shè)圖像的灰度級(jí)為L(zhǎng),圖像大小為M*N 若f(x,y)表示圖像上坐標(biāo)為(x,y)的象素的灰度值(記為I),g(x,y)表示圖像上坐標(biāo)為（x,y）的象素的k*k鄰域平均灰度值(記為j),則有 </p><p><b>　　(3.10)</b></p><p>　　由于0<g(x,y)<L,

45、即領(lǐng)域平均灰度g(x,y)的灰度級(jí)也為L(zhǎng)。</p><p>　　若以二維矢量(s,t)作為閾值將圖像分為兩類(lèi)C0和C1,分別代表目標(biāo)和背景。兩類(lèi)出現(xiàn)的概率分別為</p><p><b>　　(3.5)</b></p><p>　　兩類(lèi)對(duì)應(yīng)的均值矢量為：</p><p><b>　?。?.11）</b>

46、;</p><p><b>　?。?.12）</b></p><p>　　在大多數(shù)情況下,遠(yuǎn)離直方圖對(duì)角線(xiàn)的概率可忽略不計(jì),則可以合理地假設(shè)在區(qū)域一i=s+1,… L；j=1,…,t和i=1,…,s；j=t+1,…,L, ,所以。總體均值可表示為</p><p><b>　?。?.13）</b></p>&l

47、t;p>　　定義類(lèi)間的離散測(cè)度矩陣：,（3.14）</p><p>　　使用矩陣的跡作為背景和目標(biāo)間類(lèi)地距離測(cè)量函數(shù),即：</p><p>　　類(lèi)似于一維最大類(lèi)間方差法,最佳閾值滿(mǎn)足：</p><p><b>　?。?.15）</b></p><p>　　3.1.3 Otsu閾值分割的遺傳算法設(shè)計(jì)</

48、p><p>　　遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過(guò)程而成的一種自適應(yīng)全局優(yōu)化概率搜索算法[14]。隱含并行性和對(duì)全局信息的有效利用能力是遺傳算法的兩大顯著優(yōu)點(diǎn),前者能提高算法速度,便于實(shí)時(shí)處理；后者使遺傳算法具有較強(qiáng)的魯棒性,可避免陷入局部最優(yōu)。由于最大類(lèi)間方差法選取閾值的過(guò)程實(shí)質(zhì)是一種尋求最優(yōu)解的過(guò)程,故可用遺傳算法所具有的快速尋優(yōu)的特點(diǎn)對(duì)其進(jìn)行優(yōu)化,以達(dá)到提高效率的目的。將遺傳算法應(yīng)用于圖像分割時(shí),基本

49、步驟如下：</p><p>　　1.對(duì)群體進(jìn)行初始化,在取值范圍內(nèi)對(duì)種群的個(gè)體隨機(jī)</p><p><b>　　賦初值；</b></p><p>　　2.求出所有初始個(gè)體的適應(yīng)度；</p><p>　　3.對(duì)群體進(jìn)行選擇、交叉、變異等遺傳操作,產(chǎn)生新一代群體；</p><p>　　4.判斷是否滿(mǎn)足

50、終止條件,若不滿(mǎn)足終止條件,則返回步驟2繼續(xù)執(zhí)行,否則跳出遺傳算法,得到圖像分割的最優(yōu)閾值；</p><p>　　下面便針對(duì)遺傳算法對(duì)最大類(lèi)間方差法的優(yōu)化的具體實(shí)現(xiàn)過(guò)程做研究：</p><p><b>　?。?）染色體的編碼</b></p><p>　　通過(guò)編碼將決策變量表示成串結(jié)構(gòu)數(shù)據(jù),本文采用最常用的二進(jìn)制編碼方案。由于圖像灰度值在0-25

51、5之間,故可用00000000-11111111 之間的一個(gè)8位二進(jìn)制代碼表示一個(gè)分割閾值。對(duì)于一維Otsu分割,染色體串長(zhǎng)為10,其中前8位為閾值的二進(jìn)制編碼,后兩位為閾值真值和適應(yīng)度；而對(duì)于二維Otsu法來(lái)說(shuō),分割的門(mén)限是二維的,因此可以考慮采用染色體總長(zhǎng)為19的編碼方法, 前16位為s 和t的二進(jìn)制編碼,后3位分別為s和t的真值以及適應(yīng)度。</p><p><b>　?。?）初始群體</b&

52、gt;</p><p>　　本文采用逐個(gè)產(chǎn)生初始群體的方法,若產(chǎn)生一個(gè)不滿(mǎn)足約束條件,則被淘汰,重新產(chǎn)生。直到產(chǎn)生種群數(shù)個(gè)滿(mǎn)足約束條件的初始群體為止.一維Otsu法分割設(shè)置初始群體的個(gè)數(shù)為20,二維Otsu法分割的初始群體選為30。</p><p><b>　?。?）解碼</b></p><p>　　對(duì)二進(jìn)制染色體數(shù)組采用的公式：</p&

53、gt;<p>　　,(3.16)</p><p>　　,某一個(gè)體K的二進(jìn)制編碼為。(3.17)</p><p><b>　?。?）適應(yīng)度函數(shù)</b></p><p>　　遺傳算法的執(zhí)行過(guò)程中,每一代有許多不同的染色體同時(shí)存在,確定這些染色體中哪些遺傳到下一代,是根據(jù)群體中各個(gè)個(gè)體的適應(yīng)度大小決定的。適應(yīng)度的大小是

54、通過(guò)計(jì)算適應(yīng)度函數(shù)的值,這個(gè)值稱(chēng)為適應(yīng)度。適應(yīng)度函數(shù)通常是根據(jù)</p><p>　　目標(biāo)函數(shù)確定的,在本文中,一維Otsu法的類(lèi)間方差函數(shù)就是所求的目標(biāo)函數(shù)的距離測(cè)度函數(shù)。由于所求問(wèn)題為最大值且為非負(fù),因此適應(yīng)度函數(shù)可以直接等于目標(biāo)函數(shù)[17]。</p><p>　　（5）遺傳算子和參數(shù)設(shè)定</p><p>　　主要的遺傳算子有選擇、交叉、變異3種。</p&g

55、t;<p>　　1. 選擇算子：先采用最優(yōu)保存策略,然后采用賭輪法（比例選擇）。</p><p>　　2. 交叉算子：它是遺傳算法區(qū)別于其它進(jìn)化算法的重要特征,是產(chǎn)生新個(gè)體的主要方法。交叉算子的設(shè)計(jì)和實(shí)現(xiàn)與所研究的問(wèn)題密切相關(guān),它決定了遺傳算法的全局搜索能力。一般要求它既不要太多地破壞個(gè)體編碼串中優(yōu)良模式,又要能夠有效地產(chǎn)生出一些較好的新個(gè)體模式。 本文對(duì)一維Otsu閾值分割法的染色體采用單點(diǎn)交

56、叉的方式,二維Otsu法采用雙點(diǎn)交叉的方式,且分別在變量s,t的編碼段內(nèi)設(shè)定一個(gè)交叉點(diǎn)。</p><p>　　3. 變異算子：只是產(chǎn)生新個(gè)體的輔助方法,但它決定了遺傳算法的局部搜索能力。在反復(fù)的試驗(yàn)時(shí),發(fā)現(xiàn)基本位變異對(duì)結(jié)果的影響微乎其微,而一旦增大變異概率,算法又近似于隨機(jī)搜索算法。所以本文采用下面的變異策略,把進(jìn)化過(guò)程分為初期、中期和后期三個(gè)階段,分別采用不同的變異方法。 進(jìn)化初期以小的概率在稍大的范圍內(nèi)變異

57、, 維持多樣性而又不破壞好的模式；進(jìn)化中期以稍大的概率在中等的范圍內(nèi)變異,算法開(kāi)始收斂；進(jìn)化后期以大的概率在小的范圍內(nèi)變異,增加局部搜索能力。</p><p><b>　　（6）終止準(zhǔn)則</b></p><p>　　設(shè)定停機(jī)準(zhǔn)則為在達(dá)到最大進(jìn)化代數(shù)50代之前,若當(dāng)前群體的平均適應(yīng)度值與上一代群體的平均適應(yīng)度的比值范圍為[1.000,1.005]則跳出循環(huán)。</p

58、><p><b>　?。?）結(jié)果處理</b></p><p>　　由于在實(shí)際圖像處理中,GA尋優(yōu)的解可能是最優(yōu)解也可能是準(zhǔn)最優(yōu)解（即與最優(yōu)解相差10%左右）。 對(duì)于一個(gè)有256級(jí)灰度的圖像,其準(zhǔn)最優(yōu)閾值與最優(yōu)閾值的差值一般在25.5左右。為了適應(yīng)不同圖像的閾值選取,設(shè)定一個(gè)波動(dòng)閾值A(chǔ)=25,在求出的閾值k的基礎(chǔ)上,在范圍</p><p>　　[k

59、- A, k + A]內(nèi)進(jìn)行局部搜索,以求得最佳閾值[18]。</p><p>　　3.2 基于遺傳算法的KSW熵方法</p><p>　　八十年代以來(lái),許多學(xué)者將Shannon信息熵的概念應(yīng)用于圖像閾值化,其基本思想都是利用圖像的灰度分布密度函數(shù)定義圖像的信息熵,根據(jù)假設(shè)的不同或視角的不同提出不同的熵準(zhǔn)則,最后通過(guò)優(yōu)化該準(zhǔn)則得到閾值。Pun通過(guò)使后驗(yàn)熵的上限最大來(lái)確定閾值。Kapur等

60、人[19]的方法假定目標(biāo)和背景服從兩個(gè)不同的概率分布和定義</p><p><b>　　(3.18)</b></p><p><b>　　使得熵</b></p><p><b>　　(3.19)</b></p><p>　　達(dá)到最大求得最佳閾值。此方法又稱(chēng)為KSW熵方法。<

61、;/p><p>　　KSW最佳熵自動(dòng)門(mén)限法適合于多閾值（設(shè)為k個(gè)閾值）分割。此時(shí),</p><p><b>　?。?.20）</b></p><p>　　式中是分割閾值,且有。最佳閾值</p><p><b>　　使總熵取最大值,即</b></p><p><b>　　

62、(3.21)</b></p><p>　　特別地,對(duì)于雙閾值情況,即為,則有</p><p><b>　　（3.22）</b></p><p>　　最佳閾值使總熵取最大值。即</p><p>　　。 (3.23)</p><p>　　3.2.1 單閾值分割的

63、遺傳算法設(shè)計(jì)</p><p>　　1. 編碼；由于圖像灰度值在0—255之間,故將各個(gè)染色體編碼為8位二進(jìn)制碼,它代表某個(gè)分割閾值,初始代人口的值為隨機(jī)產(chǎn)生的,其相應(yīng)的適應(yīng)度值也各有高低。</p><p>　　2. 人口模型；人口過(guò)多,則每一代適應(yīng)度值的計(jì)算量大,因此人口數(shù)設(shè)置應(yīng)該合理。在此,設(shè)置人口為l0, 最大繁殖代數(shù)為100。</p><p>　　3.

64、解碼；對(duì)二進(jìn)制染色體數(shù)組解碼為0—255之間的值。以求其適應(yīng)度值。KSW 熵法分別采用(3.18)式和(3.19)式為適應(yīng)度函數(shù)。同時(shí)采取對(duì)適應(yīng)度函數(shù)的線(xiàn)性定標(biāo)。</p><p>　　4. 選擇；遺傳算法的收斂定理指出保留最優(yōu)個(gè)體(精英策略)的遺傳算法全局收斂。因此本文在進(jìn)行選擇操作時(shí),先進(jìn)行賭輪法(蒙特卡羅法)。再采用精英策略。</p><p>　　5. 交叉；交叉互換的重要特征是它

65、能產(chǎn)生不同于父體的子體。交叉概率越大,交叉操作的可能性也越大；如果交叉概率太低,收斂速度可能降低,單閾值分割由于只有一個(gè)參數(shù)。所以采用一點(diǎn)交叉,在此設(shè)置交叉概率分別為0.6和0.8。</p><p>　　6. 變異；變異概率為0.02,0.03和0.02。終止準(zhǔn)則規(guī)定當(dāng)算法執(zhí)行到最大代數(shù)(終止條件J或經(jīng)過(guò)100代進(jìn)化,群體中的最高適應(yīng)度值仍未發(fā)生變化(穩(wěn)定條件)時(shí),算法停止運(yùn)行,具有最高適應(yīng)度值的個(gè)體即為分割閾

66、值。以上種群模型、交叉概率、變異概率和穩(wěn)定代數(shù)等參數(shù)均根據(jù)多次實(shí)驗(yàn)結(jié)果總結(jié)設(shè)計(jì)。</p><p>　　3.2.2 雙閾值分割的遺傳算法設(shè)計(jì)</p><p>　　1. 編碼 ；將單閾值分割中的8位二進(jìn)制碼串改為l6位,前8位表示一個(gè)門(mén)限值,后8位表示另一個(gè)門(mén)限值。</p><p>　　2. 人口模型；雙閾值分割屬于多參數(shù)遺傳程序設(shè)計(jì)．在此設(shè)置人口數(shù)為20,繁殖代

67、數(shù)為100。</p><p>　　3. 解碼；對(duì)二進(jìn)制染色體數(shù)組解碼為兩個(gè)0—255之間的數(shù)作為雙閾值。</p><p>　　4. 適應(yīng)度函數(shù)；對(duì)于KSW熵法采用（3.14）式為適應(yīng)度函數(shù)．同時(shí)采取對(duì)適應(yīng)度函數(shù)的線(xiàn)性定標(biāo)。</p><p>　　5. 交叉；采用雙點(diǎn)交叉,兩個(gè)交叉點(diǎn)分別位于前8位和后8位。</p><p>　　6. 終止

68、準(zhǔn)則；在雙閾值分割中,規(guī)定經(jīng)過(guò)100代進(jìn)化群體中的最高適應(yīng)度值仍未發(fā)生變化為穩(wěn)定條件。</p><p>　　7. 選擇和變異；同單閾值分割[16]。</p><p>　　下圖 圖3.1為閾值分割的遺傳算法框圖</p><p><b>　　4 實(shí)驗(yàn)部分</b></p><p><b>　　4.1 實(shí)驗(yàn)設(shè)計(jì)&

69、lt;/b></p><p>　　為了驗(yàn)證上述算法對(duì)WEB圖像分割的有效性。我們對(duì)基于遺傳算法的KSW熵方法和Otsu法進(jìn)行了驗(yàn)證。</p><p>　　實(shí)驗(yàn)數(shù)據(jù)來(lái)自因特網(wǎng),實(shí)驗(yàn)數(shù)據(jù)集收集自因特網(wǎng),實(shí)驗(yàn)環(huán)境為：CPU（Intel core 2 duo CPU,2.00GHz）,內(nèi)存2G,Matlab 2010b,圖片選取了rice和lenna兩個(gè)系類(lèi)的圖像[16]。</p>

70、;<p>　　為了保證對(duì)未知數(shù)據(jù)的有效預(yù)測(cè),實(shí)驗(yàn)中對(duì)數(shù)據(jù)集采用交叉驗(yàn)證法(Cross Validation)。數(shù)據(jù)集被隨機(jī)分成k個(gè)子集,在數(shù)據(jù)集上運(yùn)行k 次,每次取一個(gè)子集作為測(cè)試集,其余k - 1 個(gè)子集合并為訓(xùn)練集,然后取k 次實(shí)驗(yàn)結(jié)果的均值作為該數(shù)據(jù)集的分類(lèi)精度的評(píng)價(jià)標(biāo)準(zhǔn)。</p><p>　　4.2實(shí)驗(yàn)結(jié)果及分析</p><p>　　下面分別為rice的實(shí)驗(yàn)結(jié)果。&l

71、t;/p><p><b>　　圖4.1</b></p><p><b>　　圖4.2</b></p><p><b>　　圖4.3</b></p><p>　　在用改進(jìn)的GA尋閾值時(shí),編碼變?yōu)?×8=32位的二進(jìn)制碼,其它與單閾值的求法一樣。從人的視覺(jué)效果看,基于遺傳算法

72、的最佳熵閾值分割方法對(duì)圖像的分割結(jié)果優(yōu)于傳統(tǒng)的幾種分割方法,幾種測(cè)量參數(shù)的計(jì)算結(jié)果與人的視覺(jué)基本一致[19]。從上述結(jié)果可以看到,基于遺傳算法的最佳熵閾值分割方法無(wú)論是在視覺(jué)上還是定量的基礎(chǔ)下都有比較好的結(jié)果。 隨著閾值的增多,搜索空間越來(lái)越大,遺傳算法的高效尋優(yōu)性體現(xiàn)得越明顯[20]。</p><p>　　遺傳算法閾值在分割質(zhì)量上與傳統(tǒng)方法相同，在分割的速度上優(yōu)于傳統(tǒng)方法。表1和表2，圖4.4，圖4.5，圖4.

73、6和圖4.7分別列出采用Otsu法，KSW熵法的遺傳算法和窮盡算法的時(shí)間對(duì)比。</p><p><b>　　表1</b></p><p><b>　　圖4.4</b></p><p><b>　　圖4.5</b></p><p><b>　　表2</b>&

74、lt;/p><p><b>　　圖4.6</b></p><p><b>　　圖4.7</b></p><p>　　從實(shí)驗(yàn)的結(jié)果可以看出,采用遺傳算法進(jìn)行單閾值分割的效果與傳統(tǒng)的Otsu法單閾值分割算法的分割結(jié)果完全相同。從運(yùn)算時(shí)間來(lái)看,可見(jiàn),將遺傳算法結(jié)合Otsu算法對(duì)圖像進(jìn)行多閾值分割時(shí)，比傳統(tǒng)的Otsu法節(jié)省了大量的時(shí)間

75、，取得了良好的效果。</p><p>　　下圖為L(zhǎng)eana的實(shí)驗(yàn)結(jié)果</p><p><b>　　圖4.8</b></p><p><b>　　圖4.9</b></p><p><b>　　圖4.10</b></p><p>　　灰度圖像閾值分割的效果如

76、圖所示：源圖為：圖4.8,二維最佳直方圖熵法及改進(jìn)遺傳算法閾值分割后的圖像為：圖4.9,二維最佳直方圖熵法及改進(jìn)遺傳算法閾值(s ,t):(107,125),二維最佳直方圖熵法及改進(jìn)遺傳算法閾值搜索所用時(shí)間（s）：0.35。最佳直方圖熵法閾值分割后的圖像為：圖4.10,閾值為(s , t)：（151,83）,搜所時(shí)間（s）0.83。運(yùn)行效率上二維最佳直方圖熵法及改進(jìn)遺傳算法閾值搜索所用時(shí)間要好于最佳直方圖熵法閾值搜索所用時(shí)間。分割的效果

77、上二維最佳直方圖熵法及改進(jìn)遺傳算法也略占優(yōu)勢(shì)。</p><p>　　圖4.8是是512×512的Lena標(biāo)準(zhǔn)原始圖像。圖4.9是基于遺傳算法的KSW熵法閾值分割結(jié)果。下面,對(duì)基于遺傳算法的KSW熵閾值分割方法與傳統(tǒng)KSW熵法的進(jìn)行比較。</p><p>　　單閾值分割時(shí),時(shí)間的減少不明顯,這是因?yàn)閱伍撝捣指畹乃阉骺臻g相對(duì)較小,遺傳算法的高效性不能完全體現(xiàn)。</p>

78、<p>　　圖4.11單閾值分割進(jìn)化過(guò)程中適應(yīng)度收斂圖</p><p>　　從下面的分析可以看出,遺傳算法在多閾值分割中體現(xiàn)出其高效性。雙閾值分割時(shí),采用每代20個(gè)人口,進(jìn)行100代繁殖,實(shí)驗(yàn)表明,平均繁殖到第40代已得出最佳門(mén)限(參見(jiàn)圖4.7) ,按照算法的終止準(zhǔn)則,到第40 +30 代時(shí)算法停止,時(shí)間明顯少于傳統(tǒng)算法的時(shí)間。</p><p>　　圖4.12雙閾值分割進(jìn)化過(guò)程中

79、適應(yīng)度收斂圖</p><p>　　遺傳算法用于閾值分割時(shí)速度與傳統(tǒng)的方法的對(duì)比見(jiàn)表1。 </p><p>　　表3遺傳算法與傳統(tǒng)算法的時(shí)間對(duì)比</p><p><b>　　圖4.13</b></p><p>　　表3和圖4.13給出了具體收斂時(shí)間數(shù)據(jù)，對(duì)于單閾值來(lái)說(shuō)，使用遺傳算法所消耗的時(shí)間和傳統(tǒng)方法差不多，但對(duì)于雙閾值

80、來(lái)說(shuō)，使用傳統(tǒng)的方法則將耗費(fèi)遺傳算法實(shí)現(xiàn)法的23.41倍左右時(shí)間?？梢?jiàn)利用基于遺傳算法實(shí)現(xiàn)圖像閾值選取不僅提高了分割質(zhì)量，而且縮短了尋優(yōu)時(shí)間。</p><p>　　首先，從分割質(zhì)量來(lái)看，對(duì)圖像進(jìn)行閾值分割時(shí)，當(dāng)門(mén)限值取谷底位置時(shí)，能對(duì)圖像進(jìn)行最好的分割。然而，在互聯(lián)網(wǎng)中WEB圖像十分復(fù)雜，直方圖也不一定呈雙峰，此時(shí)用傳統(tǒng)方法效果很不理想，而用遺傳算法解決此問(wèn)題，最后得到質(zhì)量很好的圖像分割門(mén)限對(duì)圖像進(jìn)行分割。<

81、;/p><p>　　其次，從速度方面來(lái)看，對(duì)于單門(mén)限分割，用傳統(tǒng)方法求分割門(mén)限時(shí)，對(duì)每一個(gè)候選的門(mén)限電平都要按適應(yīng)度函數(shù)公式計(jì)算一次質(zhì)量測(cè)試，然后通過(guò)相互比較，最后確定最合適的分割門(mén)限,傳統(tǒng)方法隨門(mén)限個(gè)數(shù)增多，不僅適應(yīng)度函數(shù)變復(fù)雜，而且計(jì)算次數(shù)呈指數(shù)增長(zhǎng)，而遺傳分割算法的計(jì)算次數(shù)不隨門(mén)限數(shù)的增多而增加，運(yùn)算時(shí)間僅與適應(yīng)度函數(shù)有關(guān)，一般只需進(jìn)行二十次左右的適應(yīng)度函數(shù)計(jì)算。</p><p>　　最

82、后，本文提出的基于遺傳算法的閾值分割法,在設(shè)置合理參數(shù),使得分割效果明顯提升,隨著閾值的增多,搜索空間越來(lái)越大,遺傳算法的高效尋優(yōu)性也體現(xiàn)得越明顯,取得了良好的果。</p><p><b>　　5 結(jié) 論</b></p><p>　　圖像分割是一個(gè)具有十分重要的學(xué)術(shù)研究?jī)r(jià)值和廣闊發(fā)展空間的領(lǐng)域。圖像分割伴隨著數(shù)字圖像處理技術(shù)在實(shí)際中已經(jīng)得到廣泛的應(yīng)用，例如在工業(yè)工程

83、，產(chǎn)品檢驗(yàn)，工業(yè)控制，圖像處理，衛(wèi)星圖片，生物醫(yī)學(xué)圖像分析、保安監(jiān)控以及軍事、衛(wèi)生、農(nóng)業(yè)工程等諸多領(lǐng)域。本文通過(guò)對(duì)基于遺傳算法圖像分類(lèi)相關(guān)問(wèn)題進(jìn)行研究,將KSW熵算法和Otsu算法應(yīng)用于圖像分割,取得了良好的效果。</p><p>　　本文首先介紹了研究背景和意義,然后對(duì)圖像分割的相關(guān)技術(shù)和基于遺傳算法的閾值分割法的發(fā)展進(jìn)行了綜述。</p><p>　　本文的主要貢獻(xiàn)是將遺傳算法和閾值分割

84、算法相結(jié)合,在實(shí)際應(yīng)用中隨著閾值的變大,遺傳算法的效率也逐漸顯現(xiàn)出來(lái)。實(shí)驗(yàn)結(jié)果表明基于遺傳算法的閾值分割效果不管從分割效果上還是從運(yùn)行效率上都要好于傳統(tǒng)的閾值分割法。</p><p>　　本文還有許多不足之處，本文在控制參數(shù)選擇、適應(yīng)度函數(shù)的選取上、約束條件的處理上還可以做進(jìn)一步的研究。</p><p><b>　　參考文獻(xiàn)</b></p><p&

85、gt;　　[1] Keri Woods. Genetic Algorithms: Colour Image Segmentation Literature Review [J].2007,6.</p><p>　　[2] Bir Bhanu, Sungkee Lee, John

86、0;Ming. Adaptive Image Segmentation Using a Genetic Algorithm[J]. IEEE Trans. on Systems, Man, and Cybernetics, 1995,25(12),1543-1557. </

87、p><p>　　[3] 陳杰,阜艷.基于遺傳算法的圖像分割的研究[J].現(xiàn)代電子技術(shù),2010,14.</p><p>　　[4] L I Yong2cang , YIN Hai2ming , SHI Mei2hong , et al. Amethod of color image segmentation based on DPCNN[ C ]/ / Proceedings of th

88、e2008International Conference on Cyberworlds. Wa shington DC: IEEE Computer Society ,2008 : 7252729.</p><p>　　[5] Srinivas M, L M. Adaptive Probabilities of Crossover and Mutation Genetic Algorithms [J] .

89、IEEE Transact ion on Systems, Man and Cybernetics, 1994, 24( 4) : 656- 667.</p><p>　　[6] 譚志存,魯瑞華.基于最大類(lèi)間方差的圖像分割改進(jìn)遺傳算法[J].西南大學(xué)學(xué)報(bào)(自然科學(xué)),2009,1.</p><p>　　[7] 黃建新,劉懷,黃偉.基于遺傳算法的圖像分割閾值選取[J]. 南京師范大

90、學(xué)學(xué)報(bào)(工程技術(shù)版),2007,7(1): 14-17,36</p><p>　　[8] 曾妍婷.基于改進(jìn)的遺傳算法的圖像分割識(shí)別方法.2004, 14</p><p>　　[9] 黃力明.基于量子遺傳算法的圖像分割[J].計(jì)算機(jī)應(yīng)用與軟件,2009,26(9):247-249.</p><p>　　[10] 譚志存,魯瑞華.基于最大類(lèi)間方差的圖像分割改進(jìn)

91、遺傳算法[J].西南大學(xué)學(xué)報(bào)（自然科學(xué)版）,2009,31(1):87-90.</p><p>　　[11] 魏偉波,潘振寬.圖像分割方法綜述[J].世界科技研究與發(fā)展,2009,31(6):1074-107.  </p><p>　　[12] 張治國(guó),劉懷亮等.圖像分割方法及其應(yīng)用研究綜述[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(18):169-170. &

92、lt;/p><p>　　[13] 李敏強(qiáng), 寇紀(jì)淞等.遺傳算法的基本理論與應(yīng)用[M] . 北京: 科學(xué)技術(shù)出版社,2002: 39.</p><p>　　[14] 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(bào):自然科學(xué)版,2007 ,6(3):1112113 ,144.</p><p>　

93、　[15] 屠昂燕,陳建成.遺傳算法的收斂性研究[J] . 湖北第二師范學(xué)院學(xué)報(bào),2008 ,25 (2) :49251.</p><p>　　[16] 馬文.基于遺傳算法的Otsu法在圖像分割中的應(yīng)用[j].河海大學(xué)土木學(xué)院,江蘇,南京,210098</p><p>　　[17] 李紅梅.遺傳算法概述[J] . 軟件導(dǎo)刊,2009 (1):67268 </p><p&

94、gt;　　[18] Mantas Paulinas, Andriud Usinsksa. A Survey of Genetic Algorithms Applications for Image Enhancement and Segmentation [J]. Informa

95、tion Technology and Control,2007,36(3), 278-285.</p><p>　　[19] 許明.驗(yàn)證碼的識(shí)別與反識(shí)別.2007, 15</p><p>　　[20] 陳宇.畸變不變復(fù)雜背景目標(biāo)相關(guān)探測(cè)技術(shù)研究.2009, 13</p><p><b>　　文獻(xiàn)綜述</b&g

96、t;</p><p>　　基于遺傳算法的WEB圖像分割研究與實(shí)現(xiàn) </p><p><b>　　前言部分</b></p><p><b>　　寫(xiě)作目的</b></p><p>　　圖像分割是數(shù)字處理技術(shù)與計(jì)算機(jī)視覺(jué)的基本問(wèn)題之一。在圖像分割過(guò)程中，最關(guān)鍵的就是找到最優(yōu)的閾值，遺傳算法可以說(shuō)是

97、解決這個(gè)問(wèn)題的優(yōu)秀算法之一，通過(guò)在遺傳算法中引入優(yōu)生算子、變異算子和新個(gè)體，以及相應(yīng)的基本參數(shù)的設(shè)定，不但能夠改善圖像分割的效果，而且可以縮短計(jì)算時(shí)間。</p><p>　　圖像分割是一個(gè)重要的過(guò)程，它是許多圖像處理的應(yīng)用[1]。然而，沒(méi)有一種的方法，成功地分割所有圖像[1]。彩色圖像有多個(gè)灰度圖像信息，這些信息可以被用來(lái)創(chuàng)造更高品質(zhì)的分割[1]。但它確實(shí)增加了問(wèn)題的復(fù)雜性[1]。其中一種處理這種復(fù)雜性的方法是使

98、用一個(gè)定向搜索方法，例如遺傳算法[1]。遺傳算法，模擬進(jìn)化的過(guò)程中，有許多優(yōu)點(diǎn)這使它們非常適合的圖像分割問(wèn)題，它可以從局部最優(yōu)達(dá)到全局最優(yōu)解和也有能力從一個(gè)大的搜索空間有效地找到一個(gè)最佳的解決方案[1]。</p><p>　　遺傳算法是為搜索，基于自然選擇原則相對(duì)較新的范例[3]。在20世紀(jì)60年代由約翰把他們首次引入了荷蘭[3]。遺傳算法被證明是在一個(gè)大的空間的最強(qiáng)大的解決方案和優(yōu)化技術(shù)[3]。這說(shuō)明了在圖像處

99、理的遺傳算法應(yīng)用的日益普及已經(jīng)延伸到其他領(lǐng)域[3]。它們可用于搜索的解決方案，給出詳盡的計(jì)算時(shí)間[3]。遺傳算法應(yīng)用圖像處理擴(kuò)大了過(guò)濾，它從不斷變化的檢測(cè)邊沿使復(fù)雜的決策或分類(lèi)檢測(cè)功能得到加強(qiáng)[3]。</p><p><b>　　有關(guān)概念、綜述范圍</b></p><p>　　圖像分割就是把圖像劃分成若干互補(bǔ)交疊區(qū)域的像素的集合，這些區(qū)域要么對(duì)當(dāng)前的分割有意義，是目標(biāo)

100、物體與背景的邊緣，要么有助于說(shuō)明它們之間的對(duì)應(yīng)關(guān)系。自適應(yīng)圖像分割為了響應(yīng)參數(shù)的變化需要修改控制能力，保證圖像在不同環(huán)境條件下的質(zhì)量[2]。</p><p>　　遺傳算法（Genetic Algorithm）是一類(lèi)借鑒生物界的進(jìn)化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機(jī)制）演化而來(lái)的隨機(jī)化搜索方法[15]。它是由美國(guó)的J.Holland教授1975年首先提出，其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定

101、；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。遺傳算法的這些性質(zhì)，已被人們廣泛地應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理、自適應(yīng)控制和人工生命等領(lǐng)域。</p><p>　　圖像的閥值，在一幅圖像通常包括目標(biāo)物體，背景高斯高斯噪聲、運(yùn)動(dòng)模糊等，由于目標(biāo)物體和背景的灰度有較大差異，和噪聲產(chǎn)生的麻點(diǎn)的灰度值相差更多，要從多值的灰度圖像中

102、提取目標(biāo)物體，常用的方法就是設(shè)定某一閥值，將圖像像素分成2大部分：大于閥值的像素即灰度圖像的二值化。二值化處理主要功能就是把目標(biāo)物體和背景灰度差異較大的圖像分成2個(gè)部分。二值化是數(shù)字圖像處理中一項(xiàng)最簡(jiǎn)單的變換方法，通過(guò)采用固定閾值、雙固定閾值等不同算法，把一幅灰度圖變成二值圖像，將所需的目標(biāo)物體地從復(fù)雜的圖像背景中脫離出來(lái)[13 ] 。具體的操作過(guò)程是先由通過(guò)算法找到一個(gè)合適閾值，要求是閾值處于目標(biāo)物體閾值和背景閾值之間[8]。若圖像中

103、的像素灰度值小于該閾值，則將該像素的灰度值設(shè)置為0 或255 ，若圖像中的像素灰度值大于該閾值，則將該像素的灰度值設(shè)置為255 或0 。也就是說(shuō)通過(guò)一個(gè)以閾值灰度值為跳變點(diǎn)的階躍函數(shù)來(lái)實(shí)現(xiàn)圖像處理。其中閾值灰度值需要同多合適的算法來(lái)確定經(jīng)過(guò)處理后的圖像是一幅二值圖[15]。</p><p><b>　　有關(guān)爭(zhēng)論焦點(diǎn)</b></p><p>　　在傳統(tǒng)遺傳算法中， 初始

104、種群在一個(gè)“確定范圍”內(nèi)隨機(jī)產(chǎn)生，但最優(yōu)解往往是在這個(gè)“確定范圍”的子集里，這樣會(huì)造成搜索空間過(guò)大。本文利用圖像的直方圖估算出閾值的大致范圍，從而確定“子集”，有效地減小搜索空間。同時(shí)，經(jīng)反復(fù)實(shí)驗(yàn)，發(fā)現(xiàn)將初始種群的范圍大約限定在20 ~ 200 時(shí)，能夠兼顧初始種群的多樣性和種群的進(jìn)化能力，在平均收斂代數(shù)和收斂次數(shù)上能同時(shí)得到較好效果[8]。因此以這個(gè)范圍作為初始種群選取的“子集”，與0 ~ 255 相比，尋優(yōu)空間減小。本文將每一代種群

105、中的局部最優(yōu)個(gè)體都保存起來(lái)，同時(shí)讓它無(wú)條件進(jìn)入下一代，那么迭代N次就有N個(gè)局部最優(yōu)解。當(dāng)?shù)筋A(yù)設(shè)的最大次數(shù)仍未收斂被強(qiáng)制退出循環(huán)時(shí)，從所有局部最優(yōu)解中選出最優(yōu)解作為全局最優(yōu)解。該法既不同于精英選擇策略又異于聯(lián)賽選擇機(jī)制。</p><p><b>　　二、主題部分</b></p><p><b>　　歷史背景 </b></p>&l

106、t;p>　　圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，隨著20世紀(jì)數(shù)字圖像處理技術(shù)的興起而受到人們廣泛的深入的研究，提出了很多優(yōu)秀的算法。但這些算法往往只在某一個(gè)方面表現(xiàn)出優(yōu)秀的解決問(wèn)題的能力，在另外的一些領(lǐng)域則需要其他的圖像分割算法。因此，現(xiàn)有的圖像分割算法并沒(méi)有一般意義上的通用性。另外，圖像分割效果的評(píng)估也沒(méi)有相應(yīng)的評(píng)判標(biāo)準(zhǔn)，通常的處理方式只能是具體問(wèn)題具體分析。在這其中遺傳算法是解決圖像分割問(wèn)題的最優(yōu)算法之一。它不涉及具體的研究領(lǐng)

107、域和內(nèi)容，只關(guān)心相應(yīng)的目標(biāo)函數(shù)和輔助函數(shù)，即所謂魯棒性。因此廣泛應(yīng)用于工業(yè)工程、計(jì)算科學(xué)、工控系統(tǒng)、交通、計(jì)算機(jī)、通信、電子科學(xué)與技術(shù)等領(lǐng)域。</p><p><b>　　現(xiàn)狀和發(fā)展方向</b></p><p>　　圖像分割伴隨著數(shù)字圖像處理技術(shù)在實(shí)際中已經(jīng)得到廣泛的應(yīng)用，例如在工業(yè)工程，產(chǎn)品檢驗(yàn)，工業(yè)控制，圖像處理，衛(wèi)星圖片，生物醫(yī)學(xué)圖像分析、保安監(jiān)控以及軍事、衛(wèi)生

108、、農(nóng)業(yè)工程等諸多領(lǐng)域[12]。概括來(lái)說(shuō)，在各種圖像應(yīng)用中，只需對(duì)圖像物體目標(biāo)進(jìn)行提取、測(cè)量等進(jìn)一步操作都離不開(kāi)圖像分割，圖像分割往往是這些處理步驟的準(zhǔn)備階段，圖像分割的效果直接影響后續(xù)任務(wù)的有效性，因此圖像分割具有重要的研究意義。而遺傳算法是一種通用的算法[4]。進(jìn)入90年代，遺傳算法迎來(lái)了興盛發(fā)展時(shí)期，無(wú)論是理論研究還是應(yīng)用研究都成了十分熱門(mén)的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但它的應(yīng)用領(lǐng)域擴(kuò)大，而且利用遺傳算法進(jìn)行優(yōu)化和

109、規(guī)則學(xué)習(xí)的能力也顯著提高，同時(shí)產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。此外一些新的理論和方法在應(yīng)用研究中亦得到了迅速的發(fā)展，這些無(wú)疑均給遺傳算法增添了新的活力。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面[6]。其中圖像分割是一大研究方向。譚志存，魯瑞華提出建立在最大類(lèi)間方差基礎(chǔ)上的改進(jìn)遺傳算法[9]。基于基因位的交叉概率充分體現(xiàn)了不同基因位不同程度的重要性，避免了傳統(tǒng)等概率基因</p><p

110、><b>　　問(wèn)題的評(píng)述</b></p><p>　　圖像分割的目的是把感興趣的目標(biāo)和背景分離出來(lái)， 將圖像劃分為若干個(gè)互不交疊的有意義區(qū)域，其應(yīng)用相當(dāng)廣泛，如機(jī)器視覺(jué)， 文字識(shí)別，生物醫(yī)學(xué)圖像分析，以及軍事目標(biāo)鎖定等。圖像分割是一種基本的計(jì)算機(jī)視覺(jué)技術(shù)，同時(shí)也是計(jì)算機(jī)視覺(jué)研究中的一個(gè)瓶頸[11]。 雖然研究人員提出了很多分割方法， 但是到目前為止， 還沒(méi)有一種通用的方法成功實(shí)現(xiàn)圖像分

111、割， 即不同類(lèi)型的圖像有不同的最佳分割方法[10]。圖像分割方法可以大致分為4 類(lèi)[4]：(1)利用圖像灰度值統(tǒng)計(jì)的方法，常用方法有一維直方圖閾值化方法和二維直方圖閾值化方法。(2)利用圖像空間域信息和光譜信息的圖像分割方法，常用的有區(qū)域分裂、合并生長(zhǎng)法、紋理分割法和多光譜圖像分割法等。(3)利用圖像中灰度變化最強(qiáng)烈的區(qū)域信息方法，即邊緣檢測(cè)方法，它在圖像分割研究領(lǐng)域中占的比例最大，利用不同的算子進(jìn)行邊緣檢測(cè)，比較常用的如can2ny

112、算子。(4)利用圖像分類(lèi)技術(shù)進(jìn)行圖像分割的像素分類(lèi)方法。常用的有統(tǒng)計(jì)分類(lèi)方法、模糊分類(lèi)方法與神經(jīng)網(wǎng)絡(luò)分類(lèi)方法等。</p><p>　　遺傳算法的整體搜索策略和優(yōu)化搜索方法能夠快速準(zhǔn)確地得到基于成個(gè)灰度圖像的閥值最優(yōu)解[6 ]。它運(yùn)算的基本流程：(1) 針對(duì)圖像分割編寫(xiě)代碼：遺傳算法一般不直接處理空間的參數(shù)而是集進(jìn)行編碼，即用0和1構(gòu)成的字符串形成矩陣。(2) 隨機(jī)初始化像素群X(0) : = ( x1 ， x2

113、， ?，xn ) :遺傳算法從這些群體出發(fā)，模擬生物進(jìn)化過(guò)程進(jìn)行選擇，最后得出需要的個(gè)體集合，滿(mǎn)足優(yōu)化搜索的要求。(3) 對(duì)當(dāng)前像素群體X (t)中每個(gè)個(gè)體xi 計(jì)算其適F( xi )，適應(yīng)度表示了該像素的灰度值:遺傳算法不涉及問(wèn)題的具體領(lǐng)域，只需依據(jù)適應(yīng)度函數(shù)控制像素變化。根據(jù)適應(yīng)度函數(shù)對(duì)每個(gè)像素計(jì)算其適應(yīng)度，為選擇提供依據(jù)。設(shè)計(jì)適應(yīng)度函數(shù)的方法是把問(wèn)題的目標(biāo)函數(shù)轉(zhuǎn)換成合適的適應(yīng)度函數(shù)和輔助函數(shù)[7 ] 。(4) 應(yīng)用選擇算子產(chǎn)生Xr