遗传算法在图像阈值分割中的应用

遗传算法在图像阈值分割中的应用

摘要：图像分割是目标检测和识别的基础，对所采集到的图像进行分割处理是图像识别跟踪技术中实现目标检测的一种重要技术手段；遗传算法是一种优化算法，利用其高效、并行的寻优能力，通过选择、交叉和变异等遗传操作快速逼近最佳阈值，大大缩短图像阈值分割中阈值的选取时间,提高分割效率；介绍了遗传算法在图像阈值分割领域的应用研究进展。

关键词：图像分割；阈值；遗传算法

0 引言

遗传算法（Genetic Algorithm, GA）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，特别适合处理传统搜索算法解决不好的复杂非线性问题。以遗传算法为核心的进化算法已与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点，受到许多学科的共同关注，其鲁棒性、并行性、自适应性和不易陷入局部最优的特点，能够有效地提高计算速度，将其应用于图像阈值分割领域，可以快速寻取最优阈值，提高图像分割效率。

1 图像分割

图像分割(Image Segmentation)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。它根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干互不相交的区域，使得这些特征在

同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。

图像阈值分割以其直观、易于实现、极大的压缩数据量等优点，成为应用最广泛的一类分割方法。主要有两个步骤：①确定需要分割的阈值；②将分割阈值与像素点的灰度值比较，以分割图像的像素。阈值法的分割效果很大程度依赖阈值的选取，因此该方法的关键是如何选择合适的阈值。1981年Pun T提出了基于灰度直方图熵的分割算法，这种算法能分割灰度图像，对于灰度级少、分散集中的灰度图像分割效果好，但对于灰度级较多、较分散的非理想双峰直方图图像，在确定阈值时，比较不明确，分割效果欠佳。后来Kapur J 等人又改进了他的方法，不需要先验知识，而且对于非理想双峰直方图的图像也可以进行分割，但在确定阈值时，尤其是多阈值时，计算量很大。因此我们将具有鲁棒性、并行性、自适应性等特点的遗传算法引入图像阈值分割，利用其高效、并行的寻优能力可以大大缩短阈值的选取

时间，提高分割效率，提高图像处理的实时性。

2 遗传算法

2.1 遗传算法基本原理

遗传算法是密执安大学教授J.Holland及其学生在1975年提出的，是一种全新的随机搜索优化算法，基本原理：通过模拟生物个体间的基因变换、变异和种群的世代更替，保存对环境适应度高的染色体，淘汰适应度低的染色体，以实现优化的目的。它以自然选择和遗传理论为基础，能够实现全局并行搜索，是一种具有鲁棒性、并行性

和自适应性的优化算法，也是一种对目标空间进行随机全局搜索算法，具有简单、快速、稳定性强等特点，需要解决的问题越复杂、目标越不明确，优越性就越大。在搜索之前，先将变量以某种形式（二进制编码、浮点数编码或实数编码）进行编码（编码后的变量称为染色体），不同的染色体构成一个群体，对于群体中的染色体，将以某种方法评估出其适应值。遗传算法用于图像分割算法流程如图1所示。

主要步骤描述如下：①问题的搜索空间的确定与参数的编码：将待分割图像的阈值看作在阈值取值空间内搜索最佳阈值参数。因此，应将阈值从解空间转换到算法编码空间，我们采用二进制编码方式；

②初始化种群：确定种群规模大小，在参数空间内，随机生成待搜索阈值的初始种群，遗传代数初始化为1；③设计适应度函数：遗传算法是根据适应度函数这个“择优标准”，通过衡量种群中各个染色体生命力的强弱来选取生命力强的个体遗传到下一代；④设计遗传算子；⑤算法终止条件。本文将判断进化代数是否达到最大迭代作为算法的终止条件。

图1 遗传算法用于图像分割算法流程

2.2 GA中的关键技术

(1)遗传算子选择。GA的遗传算子包括选择算子、交叉算子和变异算子，它们的任务是对群体中个体按照它们对环境适应的程度施加一定操作，从而实现优胜劣汰的进化过程。①选择算子。常用的有轮盘赌选择、随机遍历抽样、局部选择及锦标赛选择等；②交叉算子。常用的有单点交叉、多点交叉、均匀交叉及洗牌交叉等；③变异算子。包括实值变异和二进制变异，在图像处理领域，一般采用二进制变异。

(2)早熟收敛问题。具体表现为：①群体中所有的个体都陷于同一局部极值而停止进化；②接近最优解的个体总是被淘汰，进化过程不收敛。对此可以采用的解决方法有：①调节变异概率。既可防止优良基因因为变异而遭破坏，又可在陷于局部最优解时为种群引入新的基因；②调节选择算子。放弃轮盘赌选择方法，以避免早期的高适应度个体迅速占据种群和后期的种群中因个体的适应度相差不大而导致种群停止进化；该选择方式会使每一个个体都获得复制一份的机会，体现不出好的竞争力，无法实现遗传算法的优胜劣汰原则。Ting Kuo等人提出的具有破坏性选择的遗传算法，以此来选择优秀和低劣个体，这样可以在模式中具有大变动或存在GA-欺骗问题时，起到很大作用。

(3)结束条件设定。根据问题不同，可选用不同的结束条件。如果已知目标函数的极值，则可以将是否达到极值要求作为结束条件。如果对时间有要求，则可以将运行时间或代数作为结束条件，也

可将群体中个体多样性是否得以保持作为结束条件。

(4)后期搜索迟钝问题。遗传最开始时，一般后一代的最优值要大于前一代，到了一定代数时，会出现后一代差于前一代的情况，这种情况会影响收敛的速度，引起后期搜索迟钝问题。因此，我们得到新的一代后，将后一代的最优值和前一代作比较，如果增大，说明遗传朝良性发展，我们提高交叉概率，降低变异概率，可以加快收敛；当出现后一代最优解差于前一代时，说明出现后期搜索迟钝问题，我们一方面用前一代的最优值替换掉新一代的最优值来产生好的初始种群遏制恶性发展，另一方面增加变异概率，降低交叉概率来摆脱局部收敛的状态。

3 遗传算法在图像分割中的应用现状

3.1 遗传算法在图像阈值分割中的应用

GA可应用于大规模搜索空间的寻优问题，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，优化设计是最重要的，将GA应用到算法中能解决很多困难。

吴玲艳等人提出基于直方图熵和遗传算法的图像分割法，以灰度图像的直方图作为评价标准，把图像分割问题定义为一个优化问题，利用遗传算法的寻优高效性，搜索到能使分割质量达到最优的分割参数，该方法将遗传算法用于传统的分割方法中，结果良好。种劲松等人提出基于遗传算法的图像阈值分割，将遗传算法用于Otsu法和KSW熵法两种图像阈值分割方法中，进行了针对图像分割的遗传程序所需的参数设计，并采用遗传算法实现单阈值和多阈值图像分