基于遗传算法的图像分割

基于遗传算法的图像分割研究

摘要：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。图像分割是图像处理技术的研究对象之一,它对于图像特征提取、图像识别等图像处理技术等有着重要意义。主要研究基于遗传算法的图像分割效果,采用Matlab 软件进行仿真实验,对不同图像分割算法的效果进行比较。实验表明,遗传算法是处理图像分割的优秀算法,图像分割效果相比于传统的图像分割算法效果更佳。

关键词:图像分割; 阈值计算; 遗传算法; 图像特征

指导老师签名：

Study on Image segmentation based

on genetic algorithm

Abstract:Genetic algorithm is an optimal solution method of using natural selection in biological evolution and biological evolution in genetic mechanism. Genetic algorithm has many advantages such as robustness , parallel , adaptive , and fast convergence , can be used in the field of image processing to determine the threshold value. Image segmentation is one of the object s of image processing , it is meaningful to the image feature extraction , image recognition and other image processing technologies. The image segmentation effect based on genetic algorithm of using MATLAB software to simulate the different image segmentation algorithms and compare the result . Experiments indicate that the genetic algorithm is out standing to deal with the image segmentation ,the result s is more outstanding than traditional image segmentation algorithm.

Keywords : image segmentation ;threshold computation ;genetic algorithm; image feature

Signature of supervisor:

第一章绪论

1．1遗传算法

1．1．1遗传算法的提出

智能计算也有人称之为“软计算”，是人们受自然(生物界)规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多，主要包括遗传算法、群体智能算法等。各种智能计算方法有以下一些共同的特点：(1)它们大都引入了随机因素，因此具有不确定性。不少计算过程实际上是在计算机上作随机过程的模拟。

(2)它们大都具有自适应机制的动力体系或随机动力体系，有时在计算机过程中体系结构还在不断调整。

(3)这些算法都是针对通用的一般目标而设计的，它们不同于针对特殊问题而设计的算法。

(4)其中不少算法在低维或简单的情况下的效果不佳，但是到了高维复杂情况下具有很强的竞争力。

1975年，美国密歇根大学的心理学教授、电子工程学与计算机科学知名教授Holland和他的同事与学生共同研究了具有开创意义的遗传算法理论和方法。遗传算法最初被研究的出发点不是为专门解决最优化问题而设计的，它与进化策略、进化规划共同构成了进化算法的主要框架，都是为当时人工智能的发展服务的。迄今为止，遗传算法是进化算法中最广为人知的算法。该算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。概括地讲，它使用了群体搜索技术，将种群代表一组问题解，通过对当前种群施加选择、交叉和变异等一系列遗传操作，从而产生新一代的种群，并逐步使种群进化到包含近似最优解的状态。由于其思想简单、易于实现以及表现出来的鲁棒性，遗传算法广泛地渗透到许多应用领域，特别是近年来在问题求解、优化和搜索、机器学习、智能控制、模式识别和人工生命等领域取得了许多令人鼓舞的成就。以遗传算法为核心的进化计算，己与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点，受到广泛的关注。

1．1．2遗传算法研究概况

对遗传算法的研究主要集中在算法的理论基础，算法结构，算法参数选择，

算法与其他算法的比较，算法的应用等方面。

在算法的数学基础研究方面，Holland的模式理论奠定了GA的数学基础，进而Bertoni和Dorigo推广了此研究。模式定理中模式适合度是难以计算和分析的，Bethke运用了walsh函数和模式转换发展了有效的分析工具，Holland扩展了这种算.Goldberg首先运用．walsh模式转换法设计出了最小GA一欺骗问题并进行了详细分析。遗传算法全局收敛性的分析已经取得了突破，使用的主要数学工具是马尔科夫链。Goldberg和Segrest首先使用了马尔科夫链分析了遗传算法，Eiben 等用马尔科夫链证明了保留最优个体的GA的概率性全局收敛，Rudolph用齐次有限马尔科夫链证明了带有复制、交换、突变操作的标准遗传算法收敛不到全局最优解，不适合于静态函数优化问题，建议改变复制策略以达到全局收敛用。Back 和Muhlenbein研究了达到全局最优解的遗传算法的时间复杂性问题。

遗传算法计算中的瓶颈是群体适合度函数的计算，为了克服群体数大造成的计算费时，Krishnakumar提出了称为uGA的小群体方法，群体数取为五，其仿真结果显示了较高的计算效率和适用于动态系统优化的潜力，但理论上的分析与更严格的实验尚待进行。二进制编码的遗传算法进行数值优化时，有精度不高的缺点。Schraudo1ph和Belew提出了参数动态编码(DPE)的策略，类似于Schaffe对搜索空间尺度变换的方法，是一种提高GA精度的新的结构形式。遗传本质上是进行无约束优化的；简单约束尚能处理，复杂约束问题尚待研究。Androulakis等提出一种扩展遗传搜索算法(EGS)，采用实数编码，把搜索方向作为独立的变量处理，文中报道对无约束和有约束问题均有较好结果，但无详细实验过程。为了克服早熟收敛，Poths等提出了基于迁移和人工选择的遗传算法(GAMAS)，利用四组群体进行宏进化，类似于并行实现的思想，结果显示了较好的性能。遗传算法具有天然并行的结构，目前一般在串行机上实现。遗传算法并行实现的研究由来己久并颇有前景，因为它的计算瓶颈是适合度的计算，Grefenstette全面研究了遗传算法并行实现的结构问题，给出的结构形式有：同步主从式，半同步主从式，非同步分布式及网络式等。

遗传算法的应用研究比理论研究更为丰富，已渗透到许多学科。遗传算法的应用按其方式可分为三大部分，即基于遗传的优化计算，基于遗传的优化编程、基于遗传的机器学习，分别简称为遗传计算，遗传编程，遗传学习。

遗传计算是GA最直接、最简单的应用，其面也最广。自De Jong起，函数优化已成为经典的例子，常规采用二进制编程，目前使用实数编码的研究增多。与