王中杰

(山西大學(xué)電子信息工程系，山西 太原 030013)

圖像分割理論是計(jì)算機(jī)圖像處理領(lǐng)域研究中的重要研究課題，此領(lǐng)域課題研究中模塊包括目標(biāo)檢測(cè)、特征提取以及目標(biāo)跟蹤等，可是如果我們想要達(dá)到這些處理的非常好的結(jié)果的話(huà)，一般是需要依照?qǐng)D像的分割效果。依照現(xiàn)在的計(jì)算機(jī)研究領(lǐng)域的發(fā)展趨勢(shì)，圖像分割已經(jīng)成為當(dāng)前視覺(jué)處理，其中，虛擬與現(xiàn)實(shí)圖像結(jié)合發(fā)展的大的方向，關(guān)于這方面的研究成果比圖像領(lǐng)域別的分塊高出很大比例。盡管這些年該領(lǐng)域發(fā)展迅速，花費(fèi)的精力也相比占了更大的模塊，可是由于圖像領(lǐng)域研究的獨(dú)特性，理論難度高，導(dǎo)致研究進(jìn)度緩慢，所以圖像分割長(zhǎng)久以來(lái)被當(dāng)做是視覺(jué)研究中的一個(gè)相對(duì)大的瓶頸來(lái)研究［1］。

圖像處理方面的核心科學(xué)中圖像分割是相當(dāng)重要的方面，是圖像處理領(lǐng)域的關(guān)鍵技術(shù)，并且影像判斷分析與模式識(shí)別也是在良好的圖像分割的基礎(chǔ)上完成的。閾值法是一種經(jīng)過(guò)實(shí)驗(yàn)證明對(duì)圖像分割很有效的方法，閾值法的實(shí)現(xiàn)原理是抽出待處理圖像中目的部分與雜質(zhì)部分的gray 特點(diǎn)上的對(duì)比，理解圖像為一些不一的gray 特征的分開(kāi)的部分，確定分割值即閾值，把目的圖像分塊和雜質(zhì)圖像分塊分離開(kāi)來(lái)。閾值分割法轉(zhuǎn)換圖像的通道數(shù)，轉(zhuǎn)換灰度圖像為二值圖像，減少了存儲(chǔ)量，降低了閾值求取和計(jì)算的運(yùn)算量。

1 遺傳算法分析

GA 優(yōu)化方法是人類(lèi)參考生物繁衍發(fā)展的理論衍變而生的圖像處理領(lǐng)域的理論。在生物進(jìn)化過(guò)程中，生物個(gè)體適應(yīng)外界環(huán)境的方法是通過(guò)遺傳，變異，逐漸淘汰劣質(zhì)的個(gè)體，保留優(yōu)良的個(gè)體。

下圖是GA 優(yōu)化方法的大體流程圖，該優(yōu)化方法有以下幾種最基礎(chǔ)的實(shí)現(xiàn)操作方法，這些方法是基因即單體數(shù)據(jù)的確定(confirm)、基因之間信息的替換(crossover)和基因中數(shù)據(jù)信息的改變(mutation)。

圖1 GA 優(yōu)化算法的基本流程圖

GA 優(yōu)化方法的最重要的步驟為:

1)完成對(duì)程序的撰寫(xiě)。

2)程序開(kāi)始前事先設(shè)定好初始的單體群體中的每個(gè)單體的數(shù)據(jù)。

3)迭代運(yùn)行下述過(guò)程，直到運(yùn)行到程序設(shè)定的終止法則:

首先計(jì)算所有單體中的基因的匹配度值的大小;利用上述產(chǎn)生的數(shù)據(jù)根據(jù)基因選擇，基因互換，基因突變系數(shù)進(jìn)而產(chǎn)生更新的單體種群。

4)產(chǎn)生具有最優(yōu)解的單體。此個(gè)體就是我們要求的問(wèn)題的解。

GA 計(jì)算［2］所有的數(shù)據(jù)點(diǎn)來(lái)尋找匹配度值大的單體，計(jì)算的過(guò)程是遺傳算法的基本操作過(guò)程。實(shí)際證明，此算法適用于解決復(fù)雜的，大數(shù)據(jù)量的處理問(wèn)題。

2 改進(jìn)遺傳算法的實(shí)現(xiàn)

利用遺傳算法對(duì)OTSU 圖像分割算法進(jìn)行閾值分割改進(jìn)的步驟:

1)首先編寫(xiě)GA 的基本程序

像素的灰度域在(0.255)，采取計(jì)算機(jī)數(shù)字組成邏輯方式，對(duì)像素的灰度域進(jìn)行預(yù)先設(shè)定，其中設(shè)定寬度為8。我們用隨機(jī)函數(shù)初始化所有可能的灰度閾值，閾值對(duì)應(yīng)的適應(yīng)值不同。對(duì)于一維OSTU，遺傳算法理論中染色體串長(zhǎng)以10位度量，這10 位中前8 位二維數(shù)字組成邏輯方式，最后兩位值代表閾值以及適應(yīng)度值。

2)對(duì)遺傳單體種群的模型參數(shù)進(jìn)行預(yù)設(shè)定

GA 中初始群體的大小直接影響到遺傳算法分割效果優(yōu)劣與否。如果群體太小，搜索的空間就會(huì)過(guò)小，無(wú)法很好的求出最優(yōu)解。如果群體過(guò)大，就會(huì)使整個(gè)算法的計(jì)算復(fù)雜度增高，很難滿(mǎn)足實(shí)時(shí)性的要求。所以我們要首先設(shè)置合適的群體數(shù)，一維OSTU 法設(shè)置20 個(gè)，二維OSTU 法設(shè)置40 個(gè)。

3)遺傳算法適合度函數(shù)的設(shè)定

群體中每一個(gè)子代個(gè)體都會(huì)有不同的染色體出現(xiàn)，單體的適合修正度大小決定了遺傳給下一代的染色體。而單體的適合修正度的大小需要通過(guò)單體的適合修正度函數(shù)來(lái)得到的。單體的適合修正度公式通常根據(jù)待得到的數(shù)據(jù)來(lái)進(jìn)行設(shè)定。基本的OSTU 計(jì)算判斷值實(shí)際上就是計(jì)算單體的適合修正度函數(shù)中最優(yōu)解。

4)計(jì)算出進(jìn)化規(guī)則數(shù)學(xué)模型中的進(jìn)化數(shù)學(xué)因子

基本遺傳算法模型數(shù)學(xué)因子一般包括以下幾個(gè):對(duì)基因的確定，對(duì)單體對(duì)中基因的呼喚，單體中基因的突變。經(jīng)過(guò)測(cè)試，本文選擇平衡性好的輪盤(pán)賭選擇數(shù)學(xué)因子［3］。每一個(gè)單體被認(rèn)為得到下一輪進(jìn)化的概率跟它的匹配度值公式計(jì)算結(jié)果是正相關(guān)性的，因此經(jīng)過(guò)處理后匹配度值高的個(gè)體及基因數(shù)據(jù)得到保留，一步一步淘汰適合修正度值相對(duì)小的單體，進(jìn)而保留優(yōu)良單體，拋棄不適合進(jìn)化的單體。

遺傳算法的實(shí)現(xiàn)流程如圖2 所示。

圖2 遺傳算法的實(shí)現(xiàn)流程圖

3 總結(jié)

本論文首先介紹圖像分割的基本理論和實(shí)現(xiàn)領(lǐng)域，同時(shí)詳細(xì)描述了其實(shí)踐具體步驟，然后針對(duì)傳統(tǒng)簡(jiǎn)單遺傳算法的不足，研究出自己的改進(jìn)方案，經(jīng)過(guò)試驗(yàn)驗(yàn)證對(duì)簡(jiǎn)單GA 進(jìn)行改進(jìn)成功，并且同時(shí)與改進(jìn)OSTU 優(yōu)化方法進(jìn)行結(jié)合應(yīng)用，發(fā)揮各自算法的優(yōu)點(diǎn)，實(shí)現(xiàn)了一種改進(jìn)的算法IGA。

［1］(日)玄光男，程潤(rùn)偉.遺傳算法與工程設(shè)計(jì)［M］.汪定偉等譯.北京:科學(xué)出版社，2000.

［2］何文浩.基于改進(jìn)遺傳算法的圖像分割技術(shù)研究［D］.武漢:武漢理工大學(xué)，2008.

［3］李輝.基于改進(jìn)遺傳算法的圖像分割［D］.長(zhǎng)春:東北師范大學(xué)，2004.