遗传算法具有简单鲁棒性好和本质并行的突出优点.docVIP

摘要: ▲遗传算法具有简单、鲁棒性好和本质并行的突出优点。其有应用领域取得的巨大成功，引起了广大学者的关注。在图像分割领域，遗传算法常用来帮助确定分割阈值。 ▲本文讨论了目前遗传算法应用于图像分割的现状，给出了几种遗传分割算法的原理、过程、实验结果及分析。 ▲介绍了图像边缘检测、图像阈值分割的各种算法，并给出了对比分析。 ▲对遗传算法的基本概念和研究进展进行了综述。 ▲提高全局搜索能力和收敛速度。 ▲使用MATLAB进行分析验证。 引言: △图像分割是图像处理与机器视觉的基本问题之一[1]，其要点是:把图像划分成若干互不交叠区域的集合，这些区域要么对当前的任务有意义，要么有助于说明它们与实际物体或物体的某些部分之间的对应关系。 △图像分割在实际中己得到广泛的应用[2]。 △图像分割技术的发展与许多其它学科和领域。 △遗传算法是一种迭代式的优化算法，所以用于分割时常用来帮助确定分割阈值。 △图像分割技术发展。 在图像分割最初发展的二十年里，人们主要对三种分割方法:闭值分割、边缘检测和区域提取讲行研究。 △遗传算法发展。 遗传算法和模拟退火、神经网络一起被称为三种非经典的数值优化算法[29] 。 第二章 基于遗传算法的图像分割研究现状 ★利用遗传算法优化模糊C-均值算法进行图像分割。 模糊C-均值算法的定义，优缺点及应用范围等。 清楚两个概念：各个区域中的特征的非均匀性和硬分割产生偏奇。 求图像的二维灰度直方图，用遗传算法进行粗划分，用最小二乘法进行进一步的聚类。 ★遗传算法加速最大类间方差进行图像分割 最大类间方差法的核心是计算类间方差 用遗传算法加速最大类间方差寻找最优阈值 目标背景条件 第三章 图像边缘检测和阈值分割 ■图像分割是由图像处理进到图像分析的关键步骤 ■图像边缘检测、边缘的定义和分类（阶跃型和屋顶型） ■常用的边缘检测算子和详细定义 ■图像阈值分割：定义、应用及分类（单阈值[直方图分割法，基于灰度期望值的闺值分割，最大类间方差阈值分割，最大熵阈值分割，迭代分割法]、双阈值、半阈值、多阈值[基于坐标位置的阈值分割]） 第四章 遗传算法理论 ◇遗传算法的基本概念 ◇基础术语：种群、种群规模、适应度函数、编码译码、选择、交叉、变异等 ◇标准遗传算法的基本流程（SGA） 适应度函数对输入计算出能加以比较的非负结果 适应度比例法(轮盘赌方式roulette wheel) 标准遗传算法的特点是: 1)轮盘赌选择方法: 2)随机配对; 3)单点交叉，生成两个子代个体: 4)种群内允许相同个体出现。 ◇模式定理、积木块假设 ◇模式定理保证了较优的模式，即较优解的样本数呈指数增长，从而满足了寻找最优解的必要条件，即存在寻找到全局最优解的可能性。 ◇遗传算法的特点 ◇传统搜索算法（主要有三种类型：解析法、枚举法、随机搜索法） 间接法（解析法的一种）是按照梯度信息按最陡的方向逐次运动来寻求局部极值，即爬山法。间接法是通过让目标函数的梯度为零，进而求解一组非线性方程来寻求局部极值。 鲁棒性(robustness)是指能在许多不同环境中通过效率及功能之间的协调平衡以求生存的能力。遗传算法正是吸收了自然生物系统“适者生存”的进化原理，从而使它能提供在复杂空间中进行鲁棒搜索的方法。 与三类传统方法相比，遗传算法不需函数可导、连续等条件，仅仅要求适应度函数为可比较的正值。而且，对于大搜索空间问题，遗传算法能以相对极少的时间达到最优解。 ◇遗传算法理论研究现状（遗传算法的理论基础、数学模型） 近年来，在GA的全局收敛性分析方面取得了重大突破，一般是应用Markov链对GA进行建模和分析。Rudolph证明了标准遗传算法(SGA)不能收敛至全局最佳值}30} o Grefenstette提出的保留最佳个体法(EGA )，最终以概率1收敛到全局最优3} o Qi和Palmieri对以浮点数编码的GA的全局收敛性进行了严密的分析[32]0挥为民等[33]证明了SGA不是全局收敛的，具有比例复制和自适应交叉和变异的GA是全局收敛的，为GA提供了必要的理论指导，指出了造成一定概率不全局收敛的主要原因。 GA的收敛效率分析主要有两种:基于模式的效率分析、基于Markov链的效率分析。基于模式的分析主要是协调每次遗传操作产生的新模式并有效保留模式。 ◇混合遗传算法(HGA} hybrid GA)研究 ◇遗传算法的并行化 ◇目前，并行遗传算法(PGA)己经成为GA研究的主要内容之一。典型的PGA包括孤岛模型、网络模型，分别应用于不同的硬件体系MIMD. SIMD并行机上。 孤岛模型的主要思想是令多个子种群同时进化，周期性地对个体进行迁徙交换，形成新子种群。 ◇孤岛模型、网络模型 ◇借鉴自然现象提出新的算法模型（典型的有：孤岛模型、二倍体显性技术、小