基于改進(jìn)遺傳算法的二維模糊熵圖像分割算法

基于改進(jìn)遺傳算法的二維模糊熵圖像分割算法

計算機(jī)技術(shù)

主要內(nèi)容遺傳算法在圖像分割中的應(yīng)用圖像分割背景結(jié)論

1.背景

隨著信息科學(xué)技術(shù)的發(fā)展，文字，圖片，視頻等大量信息充斥在我們生活中。大數(shù)據(jù)時代已經(jīng)到來，圖形圖像的處理也被認(rèn)為是大數(shù)據(jù)時代的一個必須解決的問題。如何利用好這些信息，利用各種科學(xué)方法搜集，分析這些數(shù)據(jù)，并且合理利用各種資源，已成為世界各國研究的重點(diǎn)。目的與意義：圖像分割的重點(diǎn)是高效，對圖像的進(jìn)一步研究、處理很多情況下也是以圖像分割為前提。隨著對于圖像分割技術(shù)的深入研究，人們也提出了很多優(yōu)秀的算法?？墒怯捎趫D像研究領(lǐng)域的獨(dú)特性，導(dǎo)致到目前為止，絕大部分圖像分割的研究成果都只能對某一特定的類型起作用，或者說只能對某一具體的應(yīng)用。

2.圖像分割圖像分割就是把圖像各部分特性區(qū)域區(qū)分開來，提取有用部分。圖像分割需要依賴一些特性，例如亮度、形狀、紋理、灰度等許多指標(biāo)。

分割前分割后

圖像分割的常用方法常用方法邊緣檢測閾值分割算法全局閾值分割算法最大熵法最大類間方差算法

二維模糊熵圖像分割算法二維模糊熵圖像分割算法是一種典型的基于二維直方圖的圖像分割算法。通過構(gòu)造二維直方圖，該算法充分利用了圖像的灰度信息與空間信息間的相關(guān)性，有效降低噪聲對圖像分割效果的影響。改進(jìn)遺傳算法如何有效地描述、處理約束條件并通過約束條件構(gòu)造一個合適的評價函數(shù)是使問題優(yōu)化的關(guān)鍵。懲罰函數(shù)是最優(yōu)化問題中處理約束條件的常用方法。為構(gòu)造進(jìn)化過程中的懲罰評價機(jī)制，本文提出的算法定義了如下適應(yīng)度極值距離。適應(yīng)度極值距離定義為：在以求最大值為目標(biāo)的遺傳算法優(yōu)化問題中，對當(dāng)前種群中的個體集（形如f1，f2，fN）按照適應(yīng)度進(jìn)行降序排序，可形成一個形如g1，g2，…，gN的有序個體集。其中，N為種群規(guī)模，fi為第i個體的適應(yīng)度值，gj∈（{f1，f2，fN}（1≤i,j≤N）。這樣，新個體集中處于首位的個體的適應(yīng)度最大，稱之為適應(yīng)度極值；相應(yīng)地，將第i個個體在新個體集中的位置稱為第i個個體的適應(yīng)度極值距離，記作di。通過引入適應(yīng)度極值距離概念，改進(jìn)遺傳算法在考慮進(jìn)化不同階段特點(diǎn)的情況下，按照如下思想建立了算法的模糊懲罰評價函數(shù)。本文算法對應(yīng)的模糊懲罰評價函數(shù)u（di,x）定義如下。1）進(jìn)化前期階段：存在少數(shù)適應(yīng)度較高的染色體，其選擇概率很高，導(dǎo)致算法過早收斂，出現(xiàn)早熟現(xiàn)象，陷入局部解，為此，給高適應(yīng)度的個體一定的懲罰，相應(yīng)降低其適應(yīng)度，避免其大量繁殖。其中，C1和C2為控制參數(shù)，滿足C1<C2<1。2）進(jìn)化中期階段：構(gòu)造了一個形狀變化緩慢的隸屬度函數(shù)，這樣既可以提高一些精英個體的繁殖概率，又不失多樣性。3）進(jìn)化后期階段：采用曲線形狀比較陡峭的隸屬度函數(shù)，以提高算法的局部搜索能力，并保證算法能夠收斂于可行解。設(shè)新的適應(yīng)度計算函數(shù)為eval（i,x），其計算方法為：3.基于改進(jìn)遺傳算法的二維模糊熵分割算法實現(xiàn)思想和步驟如下1）編碼。由于待編碼的參數(shù)是a1，c1，a2，c2，而它們的值均為0～255之間，所以將染色體成員編碼為32位的二進(jìn)制字符串，前8位代表a1、第2個8位代表c1、第3個8位代表a2、第4個8位代表c2。各個參數(shù)在[0，255]內(nèi)隨機(jī)取值，且須滿足約束條件0≤a1≤c1≤255和0≤a2≤c2≤255。2）產(chǎn)生群體和參數(shù)設(shè)置。參數(shù)數(shù)目為PopSize（PopSize=100）的初始群體，設(shè)置最大進(jìn)化代數(shù)MaxGen=45，交叉概率Pc=0.6，變異概率Pm=0.02。3）計算適應(yīng)度。按照新適應(yīng)度公式計算各個體的eval（i,x）值，并對u（di,x）做如下設(shè)置：當(dāng)前運(yùn)行代數(shù)>0且≤15為進(jìn)化前期，>15且≤30為進(jìn)化中期，>30且≤45為進(jìn)化后期。4）選擇。將適應(yīng)度最大的個體，即群體中最好的個體無條件地復(fù)制到下一代新群體中，然后利用輪盤賭選方法進(jìn)行選擇操作。具體做法是先計算群體中各個體的適應(yīng)度的總和S，再隨機(jī)的生成0到S之間一個隨機(jī)數(shù)k，然后從第一個個體開始累加，直到累加值大于此隨機(jī)數(shù)k，此時最后一個累加的個體便是要選擇的個體。如此重復(fù)，形成用于繁殖的個體A′1到A′100。5）交叉。在A′1到A′100中每次選取兩個個體按設(shè)定的交叉概率進(jìn)行交叉操作，生成新一代種群A″1到A″100。交叉時，對每對染色體中每隔8位的染色體的對應(yīng)位做4次單點(diǎn)交叉。6）變異。根據(jù)變異概率Pm，隨機(jī)的從A″1到A″100中選擇PopSize×Pm個個體，再隨機(jī)地從這PopSize×Pm個個體中選擇某一位進(jìn)行變異運(yùn)算，從而形成新一代群體A蓯1到A蓯100。7）終止條件。本算法中的停機(jī)條件是：當(dāng)前代數(shù)大于或等于進(jìn)化代數(shù)MaxGen。如不滿足停機(jī)條件，則以新的群體A蓯1到A蓯100作為新的群體A1到A100，并轉(zhuǎn)步驟3），否則轉(zhuǎn)步驟8）。8）解碼、獲得分割閾值并進(jìn)行圖像分割。將最后一代群體中適應(yīng)度最大的個體作為最優(yōu)結(jié)果，解碼獲得分割閾值。實驗結(jié)果上圖顯示了本文所述分割算法與基本遺傳分割算法在對加有隨機(jī)噪聲的國際標(biāo)準(zhǔn)測試圖像的分割結(jié)果。（d）圖雖然很好地實現(xiàn)了背景和前景的分割，但所得的解為局部解，解碼得到的閾值偏大，丟失了圖像的部分邊緣細(xì)節(jié)信息。相對于（d）圖，（e）圖更好地實現(xiàn)了分割，不僅抑制了噪聲，而且保留了必要的細(xì)節(jié)信息，分割效果更好。兩種遺傳算法的收斂過程比較如表所示，改進(jìn)遺傳算法所得的最優(yōu)解在35代以后變化較為緩慢，即趨于全局最優(yōu)解。在算法運(yùn)行的各代，普通遺傳算法各代運(yùn)行所得的最優(yōu)解變化較大。