图像分割---人工智能大作业.docx

计算机科学与技术学院《高级人工智能》课程设计学号：S314060094专 业：计算机科学与技术学生姓名：魏嫚任课教师：刘 杰教授2014年12月1. 问题描述图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。其中比较典型的方法是基于阈值的分割方法，在实际的应用中，阈值分割的方法也往往能取得好的分割效果，很大程度上影响着后续的图像处理和图像分析的效果，图像阈值分割是指能够找到一个能把图像分割为目标和背景的最优阈值。图像阈值分割方法一般根据不同理论将问题转化，根据不同的理论，阈值分割一般先构造一个评价函数，然后求解关于这个函数的最优化问题，因此许多利用群体智慧的算法也被应用到了阈值分割中，例如蚁群算法，神经网络算法，遗传算法，在此我将遗传算法应用到了图像的阈值分割中。2. 问题表示与算法描述在算法中根据遗传算法的原理结合图像的特征，将图像中的每一个像素看作一条染色体，并对每一条染色体进行编码，然后通过交叉变异的方法找到最优解。遗传算法主要包括四个部分：编码和种群的初始化，一般采用二进制的方法进行编码，种群的初始化即是指产生一组可行解X，X是n*m大小的矩阵，n是种群的大小，m是染色体的长度，X的每一个行向量代表一个染色体；定义适值函数，选择个体。由适值函数可以计算出每个染色体(即可行解)的适值，按一定的选择机制f对新种群中的染色体进行选择，得到进化后的种群X′=f（X）；交叉变异运算，交叉运算在种群体中按照交叉率选择出父体，这些父体两个一组，在每组染色体中随机选择一个或多个点进行基因交换，变异运算在种群中按变异率选出染色体，在每个选出的染色体中随机选择一个或多个点，并改变该点的基因，种群X′经过交叉变异运算得到一个新种群X′′，X′′为n*m矩阵；终止条件．将X′′的值赋给X，重复进行交叉变异运算和定义适值函数并选择个体，直到满足一定的终止条件。图像中的每个像素可以看作是一个染色体，对像素的灰度值进行编码后可得到染色体的基因序列。染色体应该向着适值最大的方向进化，即在进化过程中越来越适应环境，会产生一个最优的阈值，但最优阈值事先无法确定，所以染色体进化的方向也无法确定，即遗传算法无法进行。所以首先设置一个初始阈值，让个体向着这个阈值代表的方向进化，然后根据选择机制选择出来的新群体更新阈值。群体代表了图像的灰度值特征，阈值更新后应将群体复原。随着阈值的不断更新，群体的进化最后趋于稳定。当群体每次进化得到的阈值趋于稳定时，则说明该阈值是最优的阈值。下面对每一阶段做详细的介绍。编码和种群的初始化在文中是对灰度图像进行处理，灰度值的取值范围为0~255，故用二进制表示，染色体的长度L应该为8,染色体的值可用一个向量表示，如若一点的灰度值为255，则染色体的向量可以表示为x=[1 1 1 1 1 1 1 1]。在进行算法计算之前，先生成初始种群，随机生成种群，种群大小为n。在最开始时生成初始种群，随机生成n个染色体。 X={x(i)=round(rand(1,L))}其中rand(1,L)是指生成L个取值为0~1的数，round是指在一定的阈值th下，小于th的数值为0，大于th的数值为1,round将x(i)化为了只包含0,1取值的向量，即将向量的值用二进制表示。定义适值函数更新种群个体定义适值函数，对合适的个体进行筛选，设种群X对应的图像灰度值为Y（Y是n*1的向量），则x(i)对应的图像灰度值为y(i)，y(i)是标量，用0~L之间的正数来初始化阈值T0=L*rand(1)，T0为初始阈值，Ti为进化了i次后得到的阈值（i=1,2,3……），进化了i次后，每条染色体对应的适应值为 f(i)=1/(|yi-T(i-1)|+1)，f(i)(0,1],i=1,2,3……,n其中|yi-T(i-1)|是像素值与阈值的差的绝对值。计算出适应值后，将适应值进行如下的累加计算，生成新的适应值矩阵Fn。Fn=[f1,f2,f3,……,fi]随机产生一个1*n的矩阵，矩阵中的元素值取值0~1，并将矩阵中元素按照值的大小从小到大排列，如下所示。Ms=[ms1,ms2,……，msn],其中ms1ms2……msn接下来进行种群的更新，将新的适应值矩阵元素与产生的随机矩阵的元素做对比，判断是否淘汰不合格的染色体，产生新的种群X(i); Ms(i)=Fn(i) NX(i)= 0; Ms(i)Fn(i)其中X(i)为原始种群，NX(i)为更新后的种群，在更新的过程中淘汰掉了不适合的染