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….docVIP

读书报告 电子信息科学与技术0402班 黄华冰 通过阅读大量的论文资料，查找与论文题目相关的书籍，我初步了解了遗传算法的特点以及它的详细的定义，还有现在研究的一些方向和它的发展概况。在现阶段，遗传算法已应用各种各样的领域中，是一种普遍运用的算法。了解了这些内容，为我下一步的论文撰写工作作下了充分的准备。 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。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。 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。阈值分割方法根据图像本身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于象素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。 我查找的文献中提到了几种现用的图像分割的新方法： （1）基于偏微分方程的图像分割，Mumford - Shah模型是一个较为常用的方法。 （2）基于遗传算法的图像分割，并且一般是与其它方法结合运用，而遗传算法只是在其中进行一些全局优化的作用，遗传算法的这些应用只要是因为本身的优势。 （3）近年来 ,数学形态学已发展为一种新型的数字图像处理方法和理论 ,更多的系统采用形态学算子对图像进行预处理或后处理。 （4）基于模糊集合和逻辑的分割方法是以模糊数学为基础 ,利用隶属度值决定图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。 （5）近几年神经网络在图像分割中的应用得到了很大的发展 ,按照处理数据类型大致上可以分为两类:一类是基于象素数据的神经网络算法;另一类是基于特征数据的神经网络算法也即特征空间的聚类分割方法。 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。 几种现用的阈值分割算法的分析（重要）：双峰法、迭代法、最大熵法、OTSU算法、遗传算法、基于OTSU的遗传算法。本文只要介绍的基于用遗传算法进行阈值分割的图像分割方法。 遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化的搜索方法。对此 ,科学家们进行了大量的研究工作 ,并成功地将它们运用于各种类型的优化问题中。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 ,将能解决很多优化计算的困难。遗传算法的出现为解决这类问题提供了新而有效的途径 ,它不仅可以得到全局最优解 ,而且大量缩短了计算时间。 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。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。GA现在已在图像分割、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。 传统遗传算法的优点：与传统算法相比，遗传算法以其简单、鲁棒性强，不需很多的先验知识等特点，使它能适应于不同的环境、问题，并且在大多数情况下都能得到最优解。 传统遗传算法的缺点：遗传算法具有高效的全局搜索能力, 以及传统方法无法比拟的并行性和鲁棒性, 但对于局部空间的搜索不是很有效, 个体的多样性减少地很快, 易出现为成熟收敛和收敛速度慢的问题, 同时在整个优化过程中, 多采用固定不变的进化策略, 忽视了实际求解问题自身的一些基本的或显而易见的特征信息或知识。 近期出现的一些新的遗传算法，它的出发点是解决以上介绍的标准遗传算法存在的缺点。 （1）混沌遗传算法（CGA）是近年来提出的一种优化算法。其基本思想是利用混沌运动所具有的随机性、遍历性和初值敏感性!将混沌状态引入到优化变量中!把混沌运动的遍历范围扩大到优化变量的取值范围!并在一定程度上利用遗传算法的基本框架’ 与遗传算法相比!混沌遗传算法显著地提高了计算效率。 （2）量子遗传算法 (Genetic Quantum Algorithm, GQA)是量子计算思想与遗传算法结合的产物。与遗传算法类似 ,它也是一个产生 —检验的过程 ,但其实现跟标准遗传算法不一样。量子遗