基干改进遗传算法图像分割方法.docVIP

基于改进遗传算法的图像分割方法 　　摘要：由于图形图像本身受噪声、偏移场效应和局部体效应等的影响，使得传统的分割算法远未达到理想的效果。为解决上述问题，提出基于改进遗传算法的图像分割方法。首先在遵循图形图像数据完整性、一致性与大小适度的情况下确定分割区域，并依据相关原理选择合适的分割属性，根据改进遗传算法构建分割算法模型，获取最佳的分割策略。实验结果表明，改进的分割算法，不但保证了分割区域的完整性，界域也较为清晰 关键词：图形图像；分割；区域选择；遗传算法 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）15-0193-03 Abstract：Because of the influence of image noise、migration and the local， the traditional segmentation algorithm is far from the ideal result. Based on the improved genetic algorithm to the image segmentation. First of all to meet image data completeness， consistency， and segmentation region data under the case of moderate size， and according to the relevant principles to choose the appropriate segmentation properties， based on the improved genetic algorithm to build the model of segmentation algorithm， get the best segmentation strategy. The experimental results show that the improved segmentation method is not only to ensure the integrity of the segmented region， bounded domain is also more clear. Keywords：Image； Segmentation； Component selection； Genetic algorithm 1概述 对图形图像进行分割是当前图像处理和分析的热点。图形图像分割主要是指将图像分成各具特性的区域并提取出感兴趣目标的技术。近年来许多学者把图形图像处理和其他学科知识相结合，提出了许多新的图像分割方法，并将其应用于医学图像的研究。现阶段主要有基于聚类的图像分割方法[1]、基于神经网络的图像分割方法[2]、利用遗传算法进行图像分割[3，4]、基于活动轮廓模型和水平集等的图像分割方法[5]等。有效的图形图像分割方法，可以提高图形图像处理能力及工作效率，因此受到专家学者的重点关注，拥有广阔的发展潜力[6]。传统的分割方法受到个体差异的影响，同时，图形图像处理应用对图形图像分割的准确度和分类算法的速度要求较高，又由于图像本身受噪声、偏移场效应和局部体效应等的影响，使得传统的分割算法远未达到理想的效果 为了避免上述方法的缺陷，提出基于改进遗传算法的图像分割方法。首先在遵循图形图像数据完整性、一致性与大小适度的情况下确定分割片区，并依据相关原理选择合适的分割属性，根据改进遗传算法构建分割算法模型，获取最佳的分割策略。实验结果表明，改进的分割算法，不但保证了分割区域的完整性，界域也较为清晰 2 图形图像分割模型 传统的图形图像分割方法未能充分考虑到图像本身受噪声、偏移场效应和局部体效应等的影响。在进行图形图像分割区域划分时，容易造成较为严重的数据富集，严重影响了图形图像分割的性能，为此，提出基于改进遗传算法的图像分割方法 2.1确定分割区域数 在进行分割区域划分时，往往需确认分割区域数量。分割区域中的图像数据信息既需满足完全性又需满足一致性。此外在进行分割区域时还应充分考虑区域的大小，若区域过大，则图形图像的分割结果就体现不出形状特征等所需的价值信息，相反，若分片过小，则算法系统时间比例过大 利用互信息量[7]建立分割区域数量选择模型。假定原图像和分割后图像，它们的熵和联合熵公式表达为： 其中、为和的概率分布，为它们的联合概率分布。互信息量公式表达为： 互信息熵差（difference of mutual information，）公式表达如下： 和均为原图像的分割后的图像，且其分割