关于遗传模拟退火图像分割.docVIP

基于遗传模拟退火的图像分割 1 引言： 图像分割是成像目标识别与跟踪系统的关键步骤,系统对目标的识别!定位!预测跟踪等都依赖于目标分割的结果所以寻求一个好的目标分割方法具有十分重要的意义对其的研究已经持续了半个世纪,期间提出了许多有效的方法,阈值分割法因其计算简单!实现方便!性能较稳定而在实时性要求高的图像分割中被最为广泛地应用对于实时图像处理,通过阈值分割,我们可以将灰度图像转化为二值图像,这样不仅可以大量压缩数据,减少存储量,从而大大简化随后的分析和处理过程对于阈值分割,最难同时也最为关键的是阈值的设定方法从60年代起,国内外学者通过广泛而深入的研究,提出了多种阈值选取方法,但是由于问题的多样性!困难性和重要性,至今还不存在一个通用的方法就目前较为流行几种阈值法而言:最大熵法虽然对不同目标大小和信噪比的图像均能产生很好的分割效果,但是由于涉及对数运算而使运算速度缓慢,所以不适于实时图像处理;而最大类间方差法对目标大小和噪声十分敏感,仅对类间方差为单峰的图像产生较好的分割效果;简单统计法虽然运算简单,但是它仅对目标背景大小比为11的图像具有较好的分割效果,当两者比例有偏差时,分割效果就变差,且易受噪声影响;无需迭代或搜索，运算速度快!并可推广到多阈值分割的矩保持法,却容易受到目标大小的影响,而且分割精度不够理想;最小误差法计算简单,受目标大小和噪声影响小,对于小目标图像仍具有较好的分割效果,但是其运算量大,也不利于实时处理考虑到实时的成像跟踪系统的特点,我们选用简单稳定的最小误差法来获取阈值,为了克服其计算量大的缺点,本文用了一种基于模拟退火算法(SA)的混合遗传算法(GASA),其中GA的应用使我们在继承最小误差法优点的同时尽可能地减少其运算量,而加入SA则避免了遗传算法(GA)常见致命的早熟收敛现象,从而实现有效简单的图像分割。 2 遗传模拟退火算法(GASA)： 最小误差法属于最优化问题,而对于这一类问题的解决,我们很容易联想到现在研究颇为热门的遗传算法(GA)一种通用而有效的解最优化问题的方法。 2.1 遗传算法(GA)： GA是模拟生物在自然环境中的遗传和进化过程优胜劣汰规律而形成的一种自适应全局优化概率搜索算法,它从一组随机产生的初始解(称为/种群0)开始搜索,种群中的每个 个体是问题的一个解(称为/染色体0),每一个染色体对其生存环境都有各自的/适应度0这些染色体在后续迭代中不断进化,由前一代通过选择(ProportionalReproduction)，交叉(Crossover)，变异操作(Mutation)形成新的染色体,再根据新的适应度进行优胜劣汰,获得新的种群这样,经过若干代遗传之后,算法收敛于最好的染色体,它很可能就是问题的最优或次优解。 2.2 模拟退火算法(SA)： SA通过模拟金属退火的机理而寻找全局或近似全局最优解,它是基于MonteCarlo迭代求解法的一种启发式随机搜索算法,其基本思想是:随机产生一个初始点x,以它作为当前最优点,将f(x)看成该点的内能;用T类比温度,让T遵循T=T(h)(h为迭代次数,h增大,T则减小)由某一高温T0(h=0时)进行退温对每一个T,使x作随机扰动,得到新的一点y,如果f(x)\f(y),则将y视为当前点;如果f(x)f(y),则以概率p=exp-f(y)-f(x)T接受y为当前点;固定T,反复进行多次类似操作,接收概率P将服从Gibbs分布,而该分布告诉我们,随着T的减小,系统会收敛于某一能量最小的点,该点可视为f(x)的全局最小点。 2.3 遗传模拟退火算法(GASA) 虽然理论上已经证明GA是一种有效的求最优解的方法,然而,单用简单的GA在许多情况下并不十分有效,会产生一些不尽人意的问题,这些问题中最主要的是它容易产生早熟现象，局部寻优能力较差等，而另一方面,SA、剃度法、爬山法、列表寻优法等一些优化算法却具有很强的局部搜索能力,不妨设想,如果在遗传算法中融入这些优化方法,构成一种混合遗传算法(HybridGeneticAlgorithm),就可以提高遗传算法运行效率和求解质量了GASA就是将GA和SA相结合而构成的一种优化算法,是一个双层并行搜索结构:在逐渐进行降温操作的各温度下串行地依次进行GA和SA搜索,其中GA的进化结果为SA提供了初始解,而SA经随机扰动后的结果又成为退温后GA进一步进化的新的初始种群该混合算法结合GA的并行搜索和SA的概率突跳性,丰富了优化中的搜索行为,同时增强了全局和局部意义下的搜索能力和效率。 3 用遗传模拟退火算法(GASA)优化最优直方图阀值法： 为了解决最小误差法选取阈值运算量大的缺点,引入了GASA,充分结合了两者的长处,最大限度地限制了误差法的不足,同时能满足精度和速度的要求 3.1 具体做法： （1）编码规则