基于改进遗传算法的二维模糊熵图像分割算法剖析.pptVIP

* * 基于改进遗传算法的二维模糊熵图像分割算法 计算机技术 主要内容 遗传算法在图像分割中的应用 图像分割 背景 结论 1. 背景 随着信息科学技术的发展，文字，图片，视频等大量信息充斥在我们生活中。大数据时代已经到来，图形图像的处理也被认为是大数据时代的一个必须解决的问题。如何利用好这些信息，利用各种科学方法搜集，分析这些数据，并且合理利用各种资源，已成为世界各国研究的重点。 目的与意义： 图像分割的重点是高效，对图像的进一步研究、处理很多情况下也是以图像分割为前提。随着对于图像分割技术的深入研究，人们也提出了很多优秀的算法。可是由于图像研究领域的独特性，导致到目前为止，绝大部分图像分割的研究成果都只能对某一特定的类型起作用，或者说只能对某一具体的应用。 2.图像分割 图像分割就是把图像各部分特性区域区分开来，提取有用部分。图像分割需要依赖一些特性，例如亮度、形状、纹理、灰度等许多指标。 分割前 分割后 图像分割的常用方法 常 用 方 法 边缘检测 阈值分割算法 全局阈值分割算法 最大熵法 最大类间方差算法 二维模糊熵图像分割算法 二维模糊熵图像分割算法是一种典型的基于二维直方图的图像分割算法。 通过构造二维直方图，该算法充分利用了图像的灰度信息与空间信息间的相关性，有效降低噪声对图像分割效果的影响。 改进遗传算法 如何有效地描述、处理约束条件并通过约束条件构造一个合适的评价函数是使问题优化的关键。 惩罚函数是最优化问题中处理约束条件的常用方法 。 为构造进化过程中的惩罚评价机制，本文提出的算法定义了如下适应度极值距离。 适应度极值距离定义为：在以求最大值为目标的遗传算法优化问题中，对当前种群中的个体集（形如 f1，f2，fN）按照适应度进行降序排序，可形成一个形如 g1，g2，…，gN 的有序个体集。 其中，N 为种群规模，fi 为第 i 个体的适应度值，gj∈（{f1， f2，fN}（1≤i, j≤N）。 这样，新个体集中处于首位的个体的适应度最大，称之为适应度极值；相应地，将第 i 个个体在新个体集中的位置称为第 i 个个体的适应度极值距离，记作 di。 通过引入适应度极值距离概念，改进遗传算法在考虑进 化不同阶段特点的情况下，按照如下思想建立了算法的模糊 惩罚评价函数。 本文算法对应的模糊惩罚评价函数 u（di, x）定义如下。 1） 进化前期阶段：存在少数适应度较高的染色体，其选择概率很高，导致算法过早收敛，出现早熟现象，陷入局部解 ，为此，给高适应度的个体一定的惩罚，相应降低其适应度，避免其大量繁殖。 其中，C1 和 C2 为控制参数，满足 C1C21。 2） 进化中期阶段：构造了一个形状变化缓慢的隶属度函数 ，这样既可以提高一些精英个体的繁殖概率 ，又不失多样性。 3） 进化后期阶段：采用曲线形状比较陡峭的隶属度函数 ，以提高算法的局部搜索能力，并保证算法能够收敛于可行解。 设新的适应度计算函数为 eval（i, x），其计算方法为： 3.基于改进遗传算法的二维模糊熵分割算法实现思想和步骤如下 1） 编码。 由于待编码的参数是 a1，c1，a2，c2，而它们的值均为 0～255 之间，所以将染色体成员编码为 32 位的二进制字符串，前 8 位代表 a1、第 2 个 8 位代表 c1、第 3 个 8 位代表 a2、第4 个 8 位代表 c2。 各个参数在[0，255]内随机取值，且须满足约束条件 0≤a1≤c1≤255 和 0≤a2≤c2≤255。 2） 产生群体和参数设置。 参数数目为 PopSize（PopSize=100）的 初 始 群 体 ，设 置 最 大 进 化 代 数 MaxGen=45，交 叉概 率Pc=0.6，变异概率 Pm=0.02。 3） 计算适应度。 按照新适应度公式计算各个体的 eval（i, x）值，并 对 u（di, x）做 如 下 设 置 ：当 前 运 行 代数0 且≤15 为进化前期，15 且≤30 为进化中期 ，30 且≤45 为进化后期。 4） 选择。 将适应度最大的个体，即群体中最好的个体无 条件地复制到下一代新群体中，然后利用轮盘赌选方法进行 选择操作。 具体做法是先计算群体中各个体的适应度的总和 S，再随机的生成 0 到 S 之间一个随机数 k，然后从第一个个体开始累加，直到累加值大于此随机数 k，此时最后一个累加的个体便是要选择的个体。 如此重复，形成用于繁殖的个体A′ 1 到 A′