遗传算法的基本理论应用.docVIP

摘 要 本文分析了遗传算法的基本理论，以及软件系统的设计与仿真实现过程。遗传算法具有简单通用的理论和技术，适于并行处理以及应用范围广等显著特点。与其他优化算法相比，遗传算法最突出的优点表现在其强大的全局寻优能力上。图像分割是将目标和背景分离,为后继图像分类、识别等提供准备。常用的分割方法包括阈值法、边缘检测法和区域跟踪法,其中阈值法是最常用的方法。结果表明,相对图像的其他应用领域，遗传算法在图像分割领域应用最为成熟,效果显著,而且具有很大的潜力。 关键字：遗传算法；图像分割；数字图像处理 1 前 言 遗传算法是一种自适应启发式群体型概率性迭代式的全局收敛搜索算法,其基本思想来源于生物进化论和群体遗传学,体现了适者生存、优胜劣汰的进化原则。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。由于遗传算法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。它在自适应控制、组合优化、模式识别、机器学习、规划策略、信息处理和人工生命等领域的应用中越来越展示出优越性。 图像处理是计算机视觉中的一个重要研究领域,在图像处理过程中,如扫描、特征提取、图像分割等不可避免地会存在一些误差,从而影响图像的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求,遗传算法在这些图像处理中的优化计算方面找到了用武之地,目前已在图像分割、图像恢复、图像重建、图像检索和图像匹配等方面得到了广泛的应用。 图像分割就是将图像中有特殊意义的不同区域分割开来，使得这些区域互不重叠。一般而言，利用传统的图像阀值分割方法对图像进行分析处理时，大多数是根据图像的灰度直方图进行阀值分割，这种方法难以克服图像噪声大的缺点。本文采用基于2维域值化最大熵的遗传算法，充分利用了像素的灰度分布信息和像素间的空间相关信息，在时域和频域具有良好的局部化特性，能够在不同的尺度之下自动选取门限阀值，从而能极大地排除噪声的干扰，取得良好的分割效果。 2遗传算法分割 2.1 二维灰度直方图 所谓二维灰度直方图是由像素的灰度值及其邻域平均值分布所构成的直方图。它不仅反映了灰度分布信息，而且反映了图像像素邻域空间的相关信息。因此，二维灰度直方图可以有效地抑制噪声，排除干扰，得出比一维直方图更为满意的效果来。 2.2 二维域值化 设图像包含N×N个像素点，G={1，2，?，L}为灰度取值范围。定义映射：N×N—G，则位于坐标(x，y)处像素的灰度值为。设r为一域值，则对图像函数以灰度值T域值化的结果就得到二值函数： （2.1） 二维域值化方法同时考虑像素的灰度值及其邻域的平均灰度值，像素(x，y)处n×n邻域平均灰度值为 （2.3） 其中，n≤N，n一般取奇数，[n/2]表示对n/2取整。 如以灰度、邻域平均灰度数据对来表示图像，并以二维矢量(S，T)分割图像，这里，1≤S，T≤L，则2维域值化函数可以定义为 （2.3） 其中，。 对于一幅图像，如果以表示相应灰度一邻域平均灰度对出现的频数，，则可以定义相应的联合概率密度为 （2.4） 且，就是2维灰度直方图，其起始点在左下方，灰度从左向右增加，邻域平均灰度值自下而上增加．直方图上共有个点，每一点的函数值即为。 2.3 二维熵域值化 所谓熵域值化就是在域值化的基础上引入熵的思想．选择域值(S，T)使目标类和背景类的后验熵最大．这两个类的熵分别被定义为 （2.5） （2.6） 其中， （2.7） （2.8） （2.9） 选择出的域值矢量(S，T)必须符合以下的判别函数 （2.10） 在大多数情况下，远离直方图对角线的概率可忽略不计，所以可以合理的假设。在两个区域：i=s+1，?，L；j=1，2，?，t。和i=1，2，?，s。j=t+1，?，L。此时两者熵的定义如下： （2.11） 最佳域值(S，T)应该使其最大。 2.4遗传算法的原理 遗传算法把问题的解表示成染色体(也称串) ,遗传算法的求解步骤如下: 1、编码：定义问题的解空间到染色体编码空间的