遗传算法的图像分割
本课题主要研究用遗传算法分割图像的方法、过程和步骤，遗传算法以生物的进化论、自然选择等为基础，对具体的问题无依赖性，遗传算法在实际应用中应用很广泛，对复杂的问题是一个新的解决方法，有很好的全局搜索效果，在求函数的极值、工业上的自动控制、生物科学等很多领域中得到了应用。
图像分割有40几年的研究历史，在很多领域应用广泛，图像分割是图像处理中的一个很基础又重要的领域。图像分割没有通用的方法，往往根据具体问题采用不同的分割方法，也没有一个标准可以判断分割是成功的。图像分割处理复杂,可以引进遗传算法来寻找分割的最佳阈值。
论文讲解了图像分割常用的方法，分割的思想，确定阈值的方法，介绍了遗传算法的定义、原理、步骤、过程，利用遗传算法寻找最佳阈值速度快的优势，引入到图像分割中，分割的结果体现了遗传算法是一种好的分割方法,文中还用了otsu分割法与其做对比。 M000203
关键词：遗传算法 otsu 图像分割 阈值 膨胀
This subject mainly research the method of image segmentation using genetic algorithm, the process and steps of genetic algorithm based on biological evolution and napictureral selection, not dependent on the issue of concrete, the genetic algorithm (ga) is widely applied in the practical application, the complex problem is a new solution, have a good global search result, on the extreme value of function, industrial automatic control, have been applied in many areas such as biological science.
Image segmentation has 40 years of research history, is widely used in many fields, image segmentation is a very basic and important in image processing field. There is no universal method, image segmentation is often adopt different method according to specific problems, also does not have a standard to judge segmentation is a success. Image segmentation is complex, can introduce genetic algorithm to find the best threshold segmentation.
Paper explained the commonly used methods for image segmentation, segmentation, to determine the threshold value method, this paper introduces the definition, principle, steps and process of genetic algorithm, by using the genetic algorithm to find the best threshold speed advantage, is introduced into the image segmentation, the segmentation results reflect the genetic algorithm is a kind of good method, it also used the otsu segmentation method to compare.
Key words: genetic algorithm otsu image segmentation threshold dilate
目录 查看完整请+Q:351916072获取
1.绪论 5
1.1 遗传算法的背景和意义 5
1.2 遗传算法的发展和研究现状 5
1.3遗传算法和其它算法的对比 7
1.4 图像分割的背景和意义及发展现状 7
1.5 本章小结 7
2.遗传算法的理论基础 8
2.1 遗传算法的概念 8
2.2 遗传算法的定义 8
2.3 遗传算法的基本操作 8
3.图像分割理论基础 10
3.1 图像分割的介绍 10
3.2 阈值分割 11
3.3 图像的形态学处理 11
4. 图像分割的方法步骤 12
4.1用遗传算法分割图像的具体实现步骤 12
4.1.1 随机生成初始灰度种群 12
4.1.2 计算灰度的适应值 12
4.1.3 选择操作 14
4.1.4 编码 14
4.1.5 交叉操作 14
4.1.6 变异操作 15
4.1.7 解码 15
4.1.8 判断循环是否结束 15
4.2 用otsu法分割图像的过程和步骤 16
4.3 遗传算法的主要流程图： 19
5.致谢 26
6.参考文献 27
7.附录 28
1.绪论
1.1 遗传算法的背景和意义 查看完整请+Q:351916072获取
生物是经过很长时间的不断进化形成的。达尔文的生物学理论中讲到生物的繁殖能力很强，因为遗传，父代和子代间的性状表现相似，因为变异，子代之间有明显的差异，父代和子代之间的表现也就不完全相同，有时甚至会出现新的物种。生物在自然界中不断地适应环境，子代相对父代有一些变化，如果能适应环境，就存活下来，能保留下来的通常是对环境适应能力更强的特征，也就是适者生存。生物的基本单位是细胞，细胞里的细胞核上有遗传信息，染色质在细胞核上，分裂时生成染色体，染色体包括DNA和蛋白质。染色体上有很多基因，在遗传算法中，染色体相当于编码串，基因相当于编码串上的每一个字符。基因的突变产生的后代可能对环境的适应能力更高。根据适应程度的高低，好的个体保存下来，差的个体被淘汰。遗传算法用染色体表示问题的解，字符串用编码表示，算法以一组字符串开始。
1.2 遗传算法的发展和研究现状
遗传算法是参考生物的进化原理和过程得出的一种寻找问题最好解的方法，在1975年被第一次提出来，是以生物学为基础，根据适应度高低与被复制还是淘汰的关系解决问题。遗传算法是从对生物的模拟研究开始的，上世纪60年代，美国的一个大学的教授在对生物的模拟研究中受到了启发，提出了遗传算法，这个算法对复杂问题的计算比较适合，后来在实践中出现了大量的复杂问题，需要优化计算，于是国际上开始有越来越多的专家研究遗传算法。
Hollstien首先将遗传算法用在对函数的优化中，他讲解了遗传算法的方法和主要理论。1975年，美国一个大学的教授在著作中详细的讲解了遗传算法的发展和理论上的研究，给遗传算法的解决方法打下了深刻的基础。1985年起，每两年开一次关于遗传算法和它的应用的国际会议，遗传算法在数学方面的理论基础得到了扩展，实际中复杂的问题不断出现，而遗传算法又有它独特的优点，于是更多的学者加入了遗传算法的研究。国内有学者做的对遗传算法的各种改进，例如对交叉操作的改进。最近国外对遗传算法的研究在建立模型或处理工程中的问题上，范围一直在扩大，国外的遗传算法正变的成熟起来。遗传算法有自身的不足和缺点，学者还提出了很多改进遗传算法的方法，包括各种交叉或变异操作及选择方法，这些改进的方法都是在生物进化的基础上得到启示的，从90年代开始，遗传算法发展迅猛，应用越来越广泛，拓展到算法的机器学习，国内对遗传算法的研究出现的比较晚，最近几年不断有新的研究成果出现，遗传算法有了一些新的方面的进展， 有以遗传算法为基础的机器学习，使遗传算法从以前的分散的空间搜索的算法得到了扩展，对处理人工智能里的知识的提炼和获取的困难问题有了可能，与神经网络和模糊推理等算法互相交叉，涉足到人工生命的研究并发挥算法的作用，与进化策略和进化规划理论相互借鉴，参考各自的优点和缺点，不断对比和改善，遗传算法在并行处理方面的研究变得广泛，这个研究对将来计算机的研究很有帮助。1991年，D.whitey发现了以领域交叉为基础的交叉操作，这个操作专门对以编号表示的基因不同个体之间进行交叉处理，还用在了TSP问题里，用实验做了验证处理。D.H.Ackley发现了随机迭代的遗传爬山方法，用多个个体一起选择并产生新的个体的值。这个算法比普通的神经遗传算法在测试中性能更好，和很多算法相比在计算时间上比较短，H.Bersini和G.Seront把遗传算法和单个方法融合在一起，产生了单个操作的多亲交叉算子，在和点交叉均匀交叉进行对比后发现比另外两个的性能好。1992年，英国某大学教授对遗传算法提出了十进制、七进制、浮点、整数的基因编码方法，在1997年研究出了一个非常流行的遗传和进化算法的程序EA_demo，对初学者熟悉进化的编码和原理提供了方便。国内的很多学者对遗传算法的算子的改善做了研究。2002年，戴晓明和一些其他人根据多个群体的遗传同时进化的想法，对各种群体用异同的遗传策略，异同的变异操作寻找变量的空间，根据群体间迁移操作交流遗传信息，来处理主流的遗传算法里容易陷入局部最佳值的问题。2004年，赵宏立认为普通的遗传算法大型的优化组合问题的寻找搜索效率低，研究出了一个以基因块进行编码的并行的遗传算法。这个方法是在染色体种群里发现可能的基因块，再以基因块为新的单元再次对染色体编码，生成比较短的染色体，用编码好的染色体种群当做下一次用一样的方法演化最初的种群。2005年，江雷和一些人根据并行遗传算法计算TSP问题，研究了用有弹性的方法保持种群的种类的多样，算法就可以跳过陷入局部最好值的困境，朝着全局最好的解进化。遗传算法研究不断深入，应用也变得广泛了，在遗传编程、图像处理、自动控制、函数优化方面都有应用。
1.3遗传算法和其它算法的对比
遗传算法以个体经过编码后的编码串作为处理的对象。传统的算法一般是直接对变量的值优化。
传统的算法常常要对需要处理的函数做求导操作，遗传算法不需要借助求导计算。有些问题求导很困难甚至不能求导，遗传算法跳过了这个障碍。
遗传算法暗含着并行搜索的特点，是从很多个体组成的种群同时开始搜索，搜索的效率高，而别的算法经常是每次一个个体逐步的搜索，可能会陷入局部的最好的解。
遗传算法根据概率进行搜索。别的算法常常是确定的，使算法不能得到广泛的应用，对一些问题无法处理 。遗传算法的选择交叉变异操作都是根据概率处理的，使搜索的灵活程度变高了。
1.4 图像分割的背景和意义及发展现状
图像分割属于图像处理中的一个很重要的技术，也是一个众所周知的难题，到现在还没有一个方法适用所有图像的分割，分割效果的标准也不明确，要对图像分析，首先要把图像分割开，图像分割后面的工作受分割效果好坏的影响。从上世纪70年代，图像分割受到了人们的关注，很多学者想出了各种分割方法，但是没有一个可以普遍适用于各种分割情况，分割的标准也没有达成一致观点，近几年有人提出了很多新的方法和改进的方法。以前的分割方法包括边界方法和区域方法。边界法是预先假定目标区域存在边缘，区域法是假定分割后每个区域内特点相同，而不同区域之间的像素无相同特点。两个方法既有优点也有缺点，有人尝试把这两个方法融合起来，得益于计算机技术的发展不断地有新的分割方法产生。
1.5 本章小结
本文主要介绍用遗传算法分割图像的过程，另外以最大类间方差法做对比，并用形态学处理方法消除分割后图像中的噪点。 查看完整请+Q:351916072获取
图像分割有40几年的研究历史，在很多领域应用广泛，图像分割是图像处理中的一个很基础又重要的领域。图像分割没有通用的方法，往往根据具体问题采用不同的分割方法，也没有一个标准可以判断分割是成功的。图像分割处理复杂,可以引进遗传算法来寻找分割的最佳阈值。
论文讲解了图像分割常用的方法，分割的思想，确定阈值的方法，介绍了遗传算法的定义、原理、步骤、过程，利用遗传算法寻找最佳阈值速度快的优势，引入到图像分割中，分割的结果体现了遗传算法是一种好的分割方法,文中还用了otsu分割法与其做对比。 M000203
关键词：遗传算法 otsu 图像分割 阈值 膨胀
This subject mainly research the method of image segmentation using genetic algorithm, the process and steps of genetic algorithm based on biological evolution and napictureral selection, not dependent on the issue of concrete, the genetic algorithm (ga) is widely applied in the practical application, the complex problem is a new solution, have a good global search result, on the extreme value of function, industrial automatic control, have been applied in many areas such as biological science.
Image segmentation has 40 years of research history, is widely used in many fields, image segmentation is a very basic and important in image processing field. There is no universal method, image segmentation is often adopt different method according to specific problems, also does not have a standard to judge segmentation is a success. Image segmentation is complex, can introduce genetic algorithm to find the best threshold segmentation.
Paper explained the commonly used methods for image segmentation, segmentation, to determine the threshold value method, this paper introduces the definition, principle, steps and process of genetic algorithm, by using the genetic algorithm to find the best threshold speed advantage, is introduced into the image segmentation, the segmentation results reflect the genetic algorithm is a kind of good method, it also used the otsu segmentation method to compare.
Key words: genetic algorithm otsu image segmentation threshold dilate
目录 查看完整请+Q:351916072获取
1.绪论 5
1.1 遗传算法的背景和意义 5
1.2 遗传算法的发展和研究现状 5
1.3遗传算法和其它算法的对比 7
1.4 图像分割的背景和意义及发展现状 7
1.5 本章小结 7
2.遗传算法的理论基础 8
2.1 遗传算法的概念 8
2.2 遗传算法的定义 8
2.3 遗传算法的基本操作 8
3.图像分割理论基础 10
3.1 图像分割的介绍 10
3.2 阈值分割 11
3.3 图像的形态学处理 11
4. 图像分割的方法步骤 12
4.1用遗传算法分割图像的具体实现步骤 12
4.1.1 随机生成初始灰度种群 12
4.1.2 计算灰度的适应值 12
4.1.3 选择操作 14
4.1.4 编码 14
4.1.5 交叉操作 14
4.1.6 变异操作 15
4.1.7 解码 15
4.1.8 判断循环是否结束 15
4.2 用otsu法分割图像的过程和步骤 16
4.3 遗传算法的主要流程图： 19
5.致谢 26
6.参考文献 27
7.附录 28
1.绪论
1.1 遗传算法的背景和意义 查看完整请+Q:351916072获取
生物是经过很长时间的不断进化形成的。达尔文的生物学理论中讲到生物的繁殖能力很强，因为遗传，父代和子代间的性状表现相似，因为变异，子代之间有明显的差异，父代和子代之间的表现也就不完全相同，有时甚至会出现新的物种。生物在自然界中不断地适应环境，子代相对父代有一些变化，如果能适应环境，就存活下来，能保留下来的通常是对环境适应能力更强的特征，也就是适者生存。生物的基本单位是细胞，细胞里的细胞核上有遗传信息，染色质在细胞核上，分裂时生成染色体，染色体包括DNA和蛋白质。染色体上有很多基因，在遗传算法中，染色体相当于编码串，基因相当于编码串上的每一个字符。基因的突变产生的后代可能对环境的适应能力更高。根据适应程度的高低，好的个体保存下来，差的个体被淘汰。遗传算法用染色体表示问题的解，字符串用编码表示，算法以一组字符串开始。
1.2 遗传算法的发展和研究现状
遗传算法是参考生物的进化原理和过程得出的一种寻找问题最好解的方法，在1975年被第一次提出来，是以生物学为基础，根据适应度高低与被复制还是淘汰的关系解决问题。遗传算法是从对生物的模拟研究开始的，上世纪60年代，美国的一个大学的教授在对生物的模拟研究中受到了启发，提出了遗传算法，这个算法对复杂问题的计算比较适合，后来在实践中出现了大量的复杂问题，需要优化计算，于是国际上开始有越来越多的专家研究遗传算法。
Hollstien首先将遗传算法用在对函数的优化中，他讲解了遗传算法的方法和主要理论。1975年，美国一个大学的教授在著作中详细的讲解了遗传算法的发展和理论上的研究，给遗传算法的解决方法打下了深刻的基础。1985年起，每两年开一次关于遗传算法和它的应用的国际会议，遗传算法在数学方面的理论基础得到了扩展，实际中复杂的问题不断出现，而遗传算法又有它独特的优点，于是更多的学者加入了遗传算法的研究。国内有学者做的对遗传算法的各种改进，例如对交叉操作的改进。最近国外对遗传算法的研究在建立模型或处理工程中的问题上，范围一直在扩大，国外的遗传算法正变的成熟起来。遗传算法有自身的不足和缺点，学者还提出了很多改进遗传算法的方法，包括各种交叉或变异操作及选择方法，这些改进的方法都是在生物进化的基础上得到启示的，从90年代开始，遗传算法发展迅猛，应用越来越广泛，拓展到算法的机器学习，国内对遗传算法的研究出现的比较晚，最近几年不断有新的研究成果出现，遗传算法有了一些新的方面的进展， 有以遗传算法为基础的机器学习，使遗传算法从以前的分散的空间搜索的算法得到了扩展，对处理人工智能里的知识的提炼和获取的困难问题有了可能，与神经网络和模糊推理等算法互相交叉，涉足到人工生命的研究并发挥算法的作用，与进化策略和进化规划理论相互借鉴，参考各自的优点和缺点，不断对比和改善，遗传算法在并行处理方面的研究变得广泛，这个研究对将来计算机的研究很有帮助。1991年，D.whitey发现了以领域交叉为基础的交叉操作，这个操作专门对以编号表示的基因不同个体之间进行交叉处理，还用在了TSP问题里，用实验做了验证处理。D.H.Ackley发现了随机迭代的遗传爬山方法，用多个个体一起选择并产生新的个体的值。这个算法比普通的神经遗传算法在测试中性能更好，和很多算法相比在计算时间上比较短，H.Bersini和G.Seront把遗传算法和单个方法融合在一起，产生了单个操作的多亲交叉算子，在和点交叉均匀交叉进行对比后发现比另外两个的性能好。1992年，英国某大学教授对遗传算法提出了十进制、七进制、浮点、整数的基因编码方法，在1997年研究出了一个非常流行的遗传和进化算法的程序EA_demo，对初学者熟悉进化的编码和原理提供了方便。国内的很多学者对遗传算法的算子的改善做了研究。2002年，戴晓明和一些其他人根据多个群体的遗传同时进化的想法，对各种群体用异同的遗传策略，异同的变异操作寻找变量的空间，根据群体间迁移操作交流遗传信息，来处理主流的遗传算法里容易陷入局部最佳值的问题。2004年，赵宏立认为普通的遗传算法大型的优化组合问题的寻找搜索效率低，研究出了一个以基因块进行编码的并行的遗传算法。这个方法是在染色体种群里发现可能的基因块，再以基因块为新的单元再次对染色体编码，生成比较短的染色体，用编码好的染色体种群当做下一次用一样的方法演化最初的种群。2005年，江雷和一些人根据并行遗传算法计算TSP问题，研究了用有弹性的方法保持种群的种类的多样，算法就可以跳过陷入局部最好值的困境，朝着全局最好的解进化。遗传算法研究不断深入，应用也变得广泛了，在遗传编程、图像处理、自动控制、函数优化方面都有应用。
1.3遗传算法和其它算法的对比
遗传算法以个体经过编码后的编码串作为处理的对象。传统的算法一般是直接对变量的值优化。
传统的算法常常要对需要处理的函数做求导操作，遗传算法不需要借助求导计算。有些问题求导很困难甚至不能求导，遗传算法跳过了这个障碍。
遗传算法暗含着并行搜索的特点，是从很多个体组成的种群同时开始搜索，搜索的效率高，而别的算法经常是每次一个个体逐步的搜索，可能会陷入局部的最好的解。
遗传算法根据概率进行搜索。别的算法常常是确定的，使算法不能得到广泛的应用，对一些问题无法处理 。遗传算法的选择交叉变异操作都是根据概率处理的，使搜索的灵活程度变高了。
1.4 图像分割的背景和意义及发展现状
图像分割属于图像处理中的一个很重要的技术，也是一个众所周知的难题，到现在还没有一个方法适用所有图像的分割，分割效果的标准也不明确，要对图像分析，首先要把图像分割开，图像分割后面的工作受分割效果好坏的影响。从上世纪70年代，图像分割受到了人们的关注，很多学者想出了各种分割方法，但是没有一个可以普遍适用于各种分割情况，分割的标准也没有达成一致观点，近几年有人提出了很多新的方法和改进的方法。以前的分割方法包括边界方法和区域方法。边界法是预先假定目标区域存在边缘，区域法是假定分割后每个区域内特点相同，而不同区域之间的像素无相同特点。两个方法既有优点也有缺点，有人尝试把这两个方法融合起来，得益于计算机技术的发展不断地有新的分割方法产生。
1.5 本章小结
本文主要介绍用遗传算法分割图像的过程，另外以最大类间方差法做对比，并用形态学处理方法消除分割后图像中的噪点。 查看完整请+Q:351916072获取
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4863.html
