文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.190452
中文引用格式: 安霆. 基于遺傳算法的圖像分割處理技術(shù)研究[J].電子技術(shù)應(yīng)用,2019,,45(10):92-95,,99.
英文引用格式: An Ting. Research on image segmentation technology based on genetic algorithms[J]. Application of Electronic Technique,2019,,45(10):92-95,,99.
0 引言
圖像分割是圖像處理中的一個(gè)關(guān)鍵步驟,也是圖像分析和理解的基礎(chǔ),,對(duì)圖像目標(biāo)進(jìn)行提取,、測(cè)量都離不開(kāi)圖像分割[1]。
目前,,國(guó)內(nèi)外學(xué)者采用不同方法對(duì)圖像分割問(wèn)題做了大量研究[2-3],,這些方法各有優(yōu)勢(shì),也存在一些問(wèn)題,。例如,,基于圖論的圖像分割是一個(gè)研究熱點(diǎn),但此法屬于NP-hard問(wèn)題,,也就是隨著圖中節(jié)點(diǎn)數(shù)的增大,問(wèn)題的求解將變得復(fù)雜耗時(shí),。另外,,目前還沒(méi)有能夠精確求出最優(yōu)解的算法,實(shí)際中一般采用近似的求解算法,,這使得圖像分割中不可避免地存在一些誤差,,從而影響圖像處理的效果。而遺傳算法能使這些誤差最小,,從而使計(jì)算機(jī)視覺(jué)達(dá)到實(shí)用化的要求,。而且,遺傳算法進(jìn)行圖像處理時(shí)不像傳統(tǒng)算法那樣局限于鄰域特性的最佳,,而是考慮整幅圖像的最佳,,使圖像處理效果接近人眼的觀察效果[4-6]。
1 使用遺傳算法進(jìn)行圖像分割的思路
圖像分割關(guān)鍵因素是獲得灰度圖片的分割閾值,。因此,,在用遺傳算法處理時(shí),首先要用染色體表示閾值,,目標(biāo)是選出最佳閾值染色體,。同時(shí),應(yīng)確立最佳閾值的評(píng)價(jià)指標(biāo),,也就是適應(yīng)度函數(shù)的建立,。
圍繞這個(gè)主題,首先要建立染色體初始種群,;而后,,調(diào)用適應(yīng)度計(jì)算模塊,計(jì)算種群中各個(gè)染色體的適應(yīng)度值,接著按照適應(yīng)度值對(duì)種群中的染色體進(jìn)行排序,,并記錄該代種群的最佳閾值,;在選擇步驟中,按照一定規(guī)則用上一代適應(yīng)度大的個(gè)體替代當(dāng)前代適應(yīng)度小的個(gè)體組成新的種群,;進(jìn)入交叉處理環(huán)節(jié)后,,按照設(shè)定的比例采用某種方式(例如隨機(jī)方式)選擇需要進(jìn)行交叉的染色體對(duì),在此過(guò)程中將產(chǎn)生不同于前輩的新的染色體個(gè)體,;執(zhí)行變異步驟,,在此步,將按照設(shè)定的概率,,以一定的方式(例如隨機(jī))找出發(fā)生變異的染色體基因位置,,這個(gè)過(guò)程同樣會(huì)產(chǎn)生全新的個(gè)體;當(dāng)變異步驟執(zhí)行完后,,再次回到適應(yīng)度計(jì)算步驟循環(huán)進(jìn)行,,直到達(dá)到設(shè)定的遺傳代數(shù)[7-8];最后,,依據(jù)算法給出的最佳閾值對(duì)圖片進(jìn)行處理并顯示,。算法的流程如圖1所示。
2 算法中主要模塊的設(shè)計(jì)
2.1 預(yù)處理和初始種群生成模塊
在預(yù)處理步驟中需要設(shè)計(jì)染色體表示方法,。由于本文中灰度圖的閾值最高限為255,,是一個(gè)數(shù)值,因此這里采用二進(jìn)制表示法即可[9],。二進(jìn)制的位數(shù)由式(1)確定,。
其中,bj,、aj分別表示染色體描述變量區(qū)間的最大和最小值,,mj表示采用的二進(jìn)制位數(shù)。本文中閾值的取值范圍為[0,,255],,代入式(1)可以求得mj=8,也即本文中用8位二進(jìn)制表示染色體個(gè)體,。為考慮整幅圖像最佳,,這里判別染色體個(gè)體優(yōu)劣的適應(yīng)度函數(shù)采用式(2)來(lái)描述。
其中,,p1,、p2分別表示目標(biāo)像素和背景像素的個(gè)數(shù),μ1,、μ2分別表示目標(biāo)像素和背景像素的平均灰度值,,f表示適應(yīng)度值,。
在算法的初始化操作中,采用隨機(jī)生成的方案隨機(jī)生成10個(gè)8位的染色體,,構(gòu)成初始種群,。交叉概率和變異概率分別設(shè)置為0.7和0.2。
2.2 適應(yīng)度計(jì)算模塊
在此操作過(guò)程中要設(shè)置代溝,,這里設(shè)置為0.9,,也就是將要淘汰10%的較差個(gè)體[10]。在第二代以后的群體中,,將90%的更優(yōu)秀的個(gè)體保留進(jìn)入后續(xù)處理程序,;對(duì)群體中保留下來(lái)的個(gè)體計(jì)算其對(duì)應(yīng)的閾值;分別統(tǒng)計(jì)低于和高于閾值的灰度值的總個(gè)數(shù)和總和,,繼而求出兩類(lèi)灰度的平均值,,根據(jù)式(2)計(jì)算出對(duì)應(yīng)于每條染色體的適應(yīng)度值;對(duì)于本代和上一代,,根據(jù)適應(yīng)度值由小到大對(duì)染色體進(jìn)行排序,;統(tǒng)計(jì)每一代的最佳閾值和最佳適應(yīng)度值。閾值到灰度值的轉(zhuǎn)化見(jiàn)式(3),。
式中,,h是灰度值,c是染色體對(duì)應(yīng)的十進(jìn)制數(shù)值,,l是二進(jìn)制染色體長(zhǎng)度。
本步驟的算法流程如圖2所示,。
2.3 選擇模塊,、交叉模塊和變異模塊
在選擇步驟中,首先計(jì)算前一代中適應(yīng)度值比當(dāng)前群體適應(yīng)度值大的個(gè)體及其數(shù)量,;而后,,用上一代適應(yīng)度比當(dāng)前代更大的個(gè)體隨機(jī)取代當(dāng)前代的個(gè)體;最后,,將當(dāng)前代的各項(xiàng)數(shù)據(jù)保存,。
在交叉操作中,首先依據(jù)交叉概率隨機(jī)地選出參與交叉的染色體對(duì),;然后,,按照隨機(jī)選擇方案選出交叉點(diǎn)位置進(jìn)行交叉,這里的交叉選用單點(diǎn)交叉即可[11],。
在變異操作中[12],,首先依據(jù)設(shè)置的變異概率計(jì)算出在群體中所有的基因里參與變異的基因數(shù)量;使用隨機(jī)選取的方式確定變異基因所在的行列位置,,然后對(duì)選擇的變異基因進(jìn)行取反操作,;保存處理過(guò)的種群,;最后,用上一代中最優(yōu)的染色體補(bǔ)充到當(dāng)前代群體中,,以維持種群中染色體的數(shù)量,。
上述幾部分操作的流程圖如圖3所示。
3 使用傳統(tǒng)遺傳算法進(jìn)行圖像分割的實(shí)例
為驗(yàn)證上述傳統(tǒng)遺傳算法的效果,,應(yīng)用該法對(duì)某帶有底部噪聲的電力電子逆變系統(tǒng)圖片進(jìn)行了處理,。
原始圖像如圖4所示,處理后的圖像如圖5所示,,最佳適應(yīng)度值進(jìn)化曲線如圖6所示,。
由處理結(jié)果可見(jiàn),傳統(tǒng)遺傳算法在進(jìn)化過(guò)程執(zhí)行到20代左右就已經(jīng)收斂到最佳值了,,而且能將底部顏色和文字噪聲徹底清除,,比較清晰地分割出目標(biāo)圖像。但是,,傳統(tǒng)算法處理的時(shí)間過(guò)長(zhǎng),,系統(tǒng)顯示運(yùn)算時(shí)間為7.416 s,這么長(zhǎng)的處理時(shí)間是無(wú)法滿足需求的,。
4 遺傳算法的改進(jìn)及算法改進(jìn)前后圖像實(shí)際處理效果的比較
4.1 算法的改進(jìn)
遺傳算法若要收斂到全局最優(yōu)解必須具備拓展性和收斂性,,而這些性能與交叉概率pc和變異概率pm密切相關(guān)[13-14]。增大pc的值,,雖然加強(qiáng)了對(duì)新的解空間拓展能力,,但增大了高適應(yīng)度的染色體結(jié)構(gòu)被破壞的可能性;反之則會(huì)減緩算法的搜索進(jìn)程,,甚至停滯,。如果pm的值設(shè)定得過(guò)小,則可能造成早熟收斂,;反之,,則會(huì)使算法變成一個(gè)純粹的隨機(jī)過(guò)程。傳統(tǒng)遺傳算法的pc和pm值在算法的運(yùn)行過(guò)程中是固定不變的,。同時(shí),,從上面的算例可以看出,傳統(tǒng)的遺傳算法在圖像分割中用時(shí)較長(zhǎng),,難以滿足現(xiàn)代社會(huì)對(duì)高效運(yùn)行的需求,。因此,為了提高運(yùn)算效果和效率,,需要對(duì)算法做出改進(jìn),。
為了克服存在的問(wèn)題,在前人工作的基礎(chǔ)上,,運(yùn)用一種自適應(yīng)方法對(duì)傳統(tǒng)算法進(jìn)行了改進(jìn)[15],。它根據(jù)進(jìn)化的代數(shù)自適應(yīng)地調(diào)整種群的pc和pm,。在進(jìn)化初期取較大pc的值,利用其全局搜索能力加強(qiáng)對(duì)新的解空間的拓展,,從而使種群進(jìn)行全局進(jìn)化,;隨著進(jìn)化的進(jìn)行,高性能的解開(kāi)始增多,,這時(shí)應(yīng)逐步減少pc值以減少對(duì)這些解的破壞,,同時(shí),應(yīng)逐步提高pm的值來(lái)維持種群的多樣性,,避免收斂到局部最優(yōu)解,;在進(jìn)化后期,搜索已經(jīng)接近最優(yōu)解鄰域,,這時(shí)應(yīng)主要利用pm的局部搜索能力,,使種群在局部重點(diǎn)進(jìn)化,加速算法向最優(yōu)解收斂,。
同時(shí),,pc和pm還應(yīng)與個(gè)體的適應(yīng)度值相關(guān)。對(duì)于同一代中的所有個(gè)體,,適應(yīng)度高的和低的個(gè)體發(fā)生交叉和變異的可能性應(yīng)有差異,。這能避免一些問(wèn)題,例如,,高性能的解不會(huì)和其他解一樣受到同樣的破壞,,低性能的解不會(huì)和其他解一樣被保留,這樣就就確保了遺傳算法能如預(yù)期一樣在交叉的作用下接近最優(yōu)解鄰域,,再在變異的作用下收斂到最優(yōu)解,。為此,應(yīng)根據(jù)遺傳代數(shù)和適應(yīng)度值共同自適應(yīng)地調(diào)整pc,、pm。對(duì)于適應(yīng)度高于種群平均水平的個(gè)體,,應(yīng)設(shè)定較小的pc和pm,,使它們?cè)谶M(jìn)化中能得到較好的保護(hù);反之亦然,,使低適應(yīng)度個(gè)體在進(jìn)化中更可能被淘汰,。
在用傳統(tǒng)算法進(jìn)行圖片處理時(shí)發(fā)現(xiàn)pc和pm的設(shè)置大小對(duì)運(yùn)行速度影響較大,尤其是pm,。因此,,若開(kāi)始pm較小,會(huì)加快算法的運(yùn)算速度,。結(jié)合上述分析,,這里給出改進(jìn)后的自適應(yīng)遺傳算子(pc和pm)的計(jì)算公式如式(4),、式(5)所示。
另外,,為了使進(jìn)化過(guò)程更好地體現(xiàn)優(yōu)勝劣汰,,并加快算法的收斂速度,在選擇模塊,,根據(jù)進(jìn)化代數(shù)分段選擇了替換染色體的方法,。具體為,在前三分之一代,,采用最優(yōu)個(gè)體隨機(jī)替換前代個(gè)體的方法,;在中間進(jìn)化段,采用前代最優(yōu)個(gè)體替換當(dāng)代最差個(gè)體的方法,;在后三分之一代,,使用上一代一半最優(yōu)個(gè)體替代當(dāng)前代中最差的一半的方法,加速算法尋優(yōu)過(guò)程,。
4.2 圖像處理實(shí)例及算法改進(jìn)前后處理效果的比較
為驗(yàn)證改進(jìn)后的遺傳算法的效果,,仍然使用圖4所示原始照片,并應(yīng)用改進(jìn)后的算法對(duì)圖片進(jìn)行處理,。處理后的圖像和圖5相似,,目標(biāo)圖像被完全剔除了噪聲,變得非常清晰,。改進(jìn)算法的最佳適應(yīng)度值進(jìn)化曲線如圖7所示,。
由處理結(jié)果可知,改進(jìn)后的遺傳算法在進(jìn)化過(guò)程執(zhí)行到8代左右就已經(jīng)收斂到最佳值了,,收斂更快,。相比較前面的分割效果而言,處理的時(shí)間較短,,僅為0.751 s,,運(yùn)算效率提高了近10倍,改進(jìn)效果顯著,。
5 結(jié)束語(yǔ)
本文結(jié)合圖像分割詳細(xì)闡述了傳統(tǒng)遺傳算法的設(shè)計(jì)思想及其主要構(gòu)成模塊的工作機(jī)制,。在此基礎(chǔ)上,結(jié)合前人的工作給出了遺傳算法的改進(jìn)算法,。傳統(tǒng)遺傳算法對(duì)噪聲圖片的分割處理表明遺傳算法可以將目標(biāo)圖像從存在噪聲和底色的背景中分離出來(lái),,而改進(jìn)的遺傳算法則擁有更好的效果和更高的效率。這說(shuō)明遺傳算法可以成功應(yīng)用于圖像處理技術(shù)中,,改進(jìn)的遺傳算法可以有效地應(yīng)用于更為深入的圖像處理研究中,。
參考文獻(xiàn)
[1] 周莉莉,姜楓.圖像分割方法綜述研究[J].計(jì)算機(jī)應(yīng)用研究,2017,,34(7):1921-1928.
[2] 唐思源,,楊敏,,苗玥,等.區(qū)域生長(zhǎng)和水平集相融合的肺部CT圖像分割[J].電子技術(shù)應(yīng)用,,2018,,44(5):135-139.
[3] 張瑞華.基于ECCC的細(xì)胞圖像分割算法[J].電子技術(shù)應(yīng)用,2016,,42(7):126-129.
[4] LI Q,,URAL S,ANDERSON J,,et al.A fuzzy Mean-Shift approach to lidar waveform decomposition[J].IEEE Transactions on Geoscience & Remote Sensing,,2016,54(12):7112-7121.
[5] DU Z,,ZHANG G,,WANG C.Research on algorithm of small target detection and preprocessing in infrared image[J].Computer & Digital Engineering,2003(4):31-34.
[6] HU X.Image segmentation based on graph theory in multicolor space for maize leaf disease[J].Transactions of the Chinese Society for Agricultural Machinery,,2013,,44(2):177-181.
[7] YANG J A,TAO L,,ZHUANG Z,,et al.Research and realization of image separation method based on independent component analysis and genetic algorithm[J].Proceedings of SPIE,2002,,4875(2):575-582.
[8] GOLDBERG D E.Genetic algorithms in search, optimization and machine learning[M].Addison-Wesley Professional,,1989.
[9] TIAN F,YAO A M,,SUN X P,,et al.Dual population genetic algorithm based on individual similarity[J].Computer Engineering and Design,2011,,32(5):1989-1993.
[10] ANDERSON-COOK C M.Practical genetic algorithms[J].Publications of the American Statistical Association,,2004,100(471):1099-1099.
[11] ZENG X Y,,CHEN Y W,,NAKAO Z,et al.Signal separation by independent component analysis based on a genetic algorithm[C].International Conference on Signal Processing.IEEE,,2000.
[12] SRINIVAS M,PATNAIK L M.Adaptive probabilities of crossover and mutation in genetic algorithms[J].IEEE Transactions on Systems Man & Cybernetics,,2002,,24(4):656-667.
[13] 游培寒,畢篤彥,,馬時(shí)平.自適應(yīng)權(quán)值調(diào)整GS圖像分割算法[J].中國(guó)圖象圖形學(xué)報(bào),,2018,,11(7):959-964.
[14] WANG B,YAN P,,ZHOU Q,,et al.State recognition method for machining process of a large spot welder based on improved genetic algorithm and hidden Markov model[J].Proceedings of the Institution of Mechanical Engineers,2017,,231(11):2135-2146.
[15] CANTU-PAZ E.On random numbers and the performance of genetic algorithms[J].Computer Science Preprint Archive,,2002(10):203-210.
作者信息:
安 霆
(臨沂大學(xué) 自動(dòng)化與電氣工程學(xué)院,山東 臨沂276000)