遗传算法新论文【精品毕业设计】(完整版)

学校代码 10126 学号 00708037 分类号密级
本科毕业论文
基于遗传算法的图像阈值分割
学院、系数学科学学院计算数学系
专业名称信息与计算科学
年级 2007级
学生姓名刘家祥
指导教师曹军
2011年 5月 20 日
内容摘要
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。

图像的分割是以灰度值作为分割的依据,通过各个像素的灰度值和事先确定的阈值的比较来分割图像。

如何确定最合适的阈值是处理好图像分割的关键,这自然成为一直以来分割算法研究的焦点。

遗传算法是对生物进化论中自然选择和遗传学机理中生物进化过程的模拟来计算最优解的方法。

遗传算法具有众多的优点,如鲁棒性、并行性、自适应性和快速收敛,可以应用在图像处理技术领域中图像分割技术来确定分割阈值。

本文主要介绍基于遗传算法的最小误差阈值法、最大类间方差法（Otsu法）以及最佳直方图熵法(KSW熵法)等三种方法分割图像。

关键词：图像分割，遗传算法，阈值分割
Abstract
Image segmentation refers to the image into regions each with characteristics and goals of the technology to extract and process of interest. Segmentation is a segmentation based on gray value, gray value of each pixel through the predetermined threshold value and comparing the image segmentation. How to determine the most appropriate threshold is the key to handling image segmentation, which has naturally become the focus of segmentation algorithms.
Genetic algorithm is a biological theory of evolution and genetic mechanism of natural selection in biological evolution simulation method to calculate the optimal solution. Genetic algorithm has many advantages, such as robustness, parallel, adaptive, and fast convergence, can be used in the field of image processing image segmentation technique to determine the split threshold.
In this paper, genetic algorithm based on minimum error threshold, the largest class variance (Otsu method) and the best histogram entropy (KSW entropy method) are three ways to split the image.
Keywords : Image segmentation, genetic algorithms, threshold
目录
第一章绪论 .................................................. - 1 - 第二章遗传算法概述 ........................................ . - 2 -
2.1遗传算法的研究历史....................................... - 2 -
2.2生物背景................................................. - 2 -
2.3遗传算法的基本思想....................................... - 3 -
2.4遗传算法的几个概念....................................... - 4 -
2.4.1适应度函数......................................... - 4 -
2.4.2遗传算法最常用的算子............................... - 4 -
2.5遗传算法运算的基本流程................................... - 5 - 第三章图像分割的现状 ........................................ - 7 -
3.1图像分割简介............................................. - 7 -
3.2图像分割方法............................................. - 8 -
3.2.1基于边缘检测的分割................................. - 8 -
3.2.2基于区域的分割..................................... - 8 -
3.2.3边缘与区域相结合的分割............................. - 9 -
3.3阈值选取................................................. - 9 - 第四章基于遗传算法的图像阈值分割 ........................... - 10 -
4.1图像阈值................................................ - 10 -
4.2阈值分割的原理.......................................... - 10 -
4.3最小误差阈值法.......................................... - 11 -
4.3.1最小误差法图像阈值分割............................ - 11 -
4.3.2 利用遗传算法来改进最小误差法...................... - 12 -
4.4 最大类间方差法（Otsu法）............................... - 13 -
4.4.1最大类间方差法（Otsu法）阈值分割.................. - 13 -
4.4.2 Otsu阈值分割的遗传算法设计........................ - 15 -
4.5 KSW熵法................................................ - 17 -
4.5.1 KSW熵阈值分割................................... - 17 -
4.5.2 KSW单阈值分割的遗传算法设计..................... - 18 -
4.5.3 KSW双阈值分割的遗传算法设计..................... - 19 - 第五章基于新的遗传算法的图像分割 ........................... - 25 -
5.1混沌遗传算法............................................ - 25 -
5.2量子遗传算法............................................ - 25 -
5.3免疫遗传算法............................................ - 25 - 结论 .......................................................... - 26 - 致谢 .......................................................... - 27 - 参考文献: ..................................................... - 28 -
内蒙古大学本科学年论文第- 1 - 页
基于遗传算法的图像阈值分割
第一章绪论
图像分割是图像处理与计算机视觉的基本问题之一，是图像处理到图像分析的关键步骤。

图像分割方法（包括阈值法、边缘检测法、区域跟踪法)的研究始于上世纪50年代。

随着越来越多人的研究，近年来涌现了许多新理论、新方法，但是没有一种方法能满足所有图像分割领域。

在众多的图像分割技术中，阈值化技术是基于区域的图像分割技术，是图像分割中最重要而有效的技术之一。

阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。

在实际应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性。

其中阈值的选取是图像阈值分割方法中的关键技术。

遗传算法(genetic algorithm，GA)是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。

使用遗传算法求解科学研究工作和工程技术中各种组合搜索和优化计算问题这一基本思想早在20世纪60年代初期就由美国Michigan
大学的Holland教授提出，其数学框架也于20世纪60年代中期形成。

由于GA的整体搜索策略和优化计算不依赖于梯度信息，所以它的应用范围非常广泛，尤其适合于处理传统方法难以解决的高度复杂的非线性问题。

在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值的求取过程中，优化计算是最重要的，把自然进化的特征应用到计算机算法中，将能解决很多困难。

遗传算法的出现为解决这类问题提供了新而有效的方法，它不仅可以得到全局最优解，而且大量缩短了计算时间。

在图像分割过程中，最关键的就是找到最优的阈值，遗传算法的整体搜索策略和优化搜索方法能够快速准确地得到基于成个灰度图像的阈值最优解。