一种基于遗传算法的图像边缘检测方法及装置与流程
本发明涉及图像处理领域，尤指一种基于遗传算法的图像边缘检测方法及装置。
背景技术：
随着计算机技术的飞跃发展，人们越来越多的利用计算机来帮助人类获取和处理视觉图像信息。据统计，在人类从外界获取的信息中有80％是来自于视觉，这包括图像、图形、视频等，它是人们最有效的信息获取和交流方式，图像也因其所含的信息量大、表现直观而在多媒体处理技术中占有非常重要的位置。
图像最基本的特征是边缘，所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。它存在于目标与背景、目标与目标、区域与区域之间，不仅是图像边缘检测所依赖的最重要的特征，也是纹理特征的重要信息源和形状特征的基础，而图像的纹理形状特征的提取又常常要依赖于图像边缘检测。
现有技术中，基于灰度梯度算子的边缘检测技术需要基于先验知识来确定图像的灰度阈值，然而先验知识往往是基于以往的经验总结出来的，并不能很好地适应不同的情况，其处理结果很大程度上依赖预设的灰度阈值；另外，该技术在实际应用过程中实现较为复杂，运算量较大，因此基于灰度梯度算子的边缘检测技术自适应性和效率往往不尽人意。
技术实现要素：
本发明的目的是提供一种基于遗传算法的图像边缘检测方法及装置，实现获取较优的边缘检测效果，提升计算效率的目的。
本发明提供的技术方案如下：
一种基于遗传算法的图像边缘检测方法，包括步骤：s100生成初始种群；所述初始种群包括若干个图像边缘点；s200对各个图像边缘点进行运算，得到各个图像边缘点的适应度值；s300判断所述适应度值是否达到平均适应度值；若是，执行步骤s400；s400选取达到所述平均适应度值对应的图像边缘点；s500调整各个选取的图像边缘点的交叉概率；s600根据调整后交叉概率和预设变异概率，对所述选取的图像边缘点进行交叉变异操作，得到下一代种群；s700判断所述下一代种群是否满足预设终止条件；若是，执行步骤s800；否则，返回步骤s200；s800获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测。
进一步的，所述步骤s700还包括步骤：s710判断所述下一代种群的平均适应度值是否达到预设适应度值；若是，执行步骤s800；否则，返回步骤s200。
进一步的，所述步骤s700包括步骤：s720统计种群的更新次数；s730判断所述更新次数是否达到预设迭代次数；若是，执行步骤s800；否则，返回步骤s200。
进一步的，所述步骤s500包括步骤：s510根据各自的适应度值，进行计算得到各自对应的调整后交叉概率；所述步骤s600包括步骤：s610判断各个图像边缘点的随机数是否大于等于自身的调整后交叉概率；若是，执行步骤s620；否则，执行步骤s640；s620将大于等于自身的交叉概率的图像边缘点，按照各自的适应度值的大小顺序进行排序；s630将适应度值相邻的图像边缘点进行交叉操作；s640根据所述预设变异概率进行变异操作。
进一步的，所述步骤s200中根据下列公式(1)进行运算得到所述适应度值：
f(t)＝w1(t)*w2(t)*[u1(t)-u2(t)]2(1)
其中，f(t)为每个图像边缘点的适应度值，t表示待处理图像的灰度值阈值，w1(t)表示图像中灰度值小于阈值t的像素的个数，w2(t)表示图像中灰度值大于阈值t的像素的个数，u1(t)表示图像中的灰度值小于阈值t的像素的平均灰度值，而u2(t)则表示图像中灰度值大于阈值t的像素的平均灰度值。
进一步的，所述步骤s500根据下列公式(2)进行调整各个选取的图像边缘点的交叉概率pc：
其中，pcmax是最大交叉概率，pcmin和最小交叉概率，fmax是种群的最大适应度值；
本发明还提供一种基于遗传算法的图像边缘检测装置，包括：生成模块，运算模块，第一判断模块，选取模块，调整模块，第一处理模块，第二判断模块，第二处理模块和控制模块；控制模块分别与上述模块连接；所述生成模块，在所述控制模块的控制下，生成初始种群；所述初始种群包括若干个图像边缘点；所述运算模块，在所述控制模块的控制下，对各个图像边缘点进行运算，得到各个图像边缘点的适应度值；所述第一判断模块，在所述控制模块的控制下，判断所述适应度值是否大于第一预设适应度值；所述选取模块，在所述控制模块的控制下，选取达到所述平均适应度值对应的图像边缘点；所述调整模块，在所述控制模块的控制下，调整各个选取的图像边缘点的交叉概率；所述第一处理模块，在所述控制模块的控制下，根据调整后交叉概率和预设变异概率，对所述选取的图像边缘点进行交叉变异操作，得到下一代种群；所述第二判断模块，在所述控制模块的控制下，判断所述下一代种群是否满足预设终止条件；所述第二处理模块，当所述第二判断模块判定所述交叉变异后的下一代种群达到所述预设目标时，在所述控制模块的控制下，获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测；所述运算模块，当所述第二判断模块判定所述交叉变异后的下一代种群未达到所述预设目标时，在所述控制模块的控制下，继续进行运算。
进一步的，所述第二判断模块包括：统计单元和第二判断单元；所述统计单元与所述第二判断单元连接，所述第二判断单元与所述控制模块连接；所述统计单元，统计种群的更新次数；所述第二判断单元，判断所述更新次数是否达到预设迭代次数；所述第二处理模块，当所述第二判断单元判定所述操作次数达到预设迭代次数时，在所述控制模块的控制下，获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测；所述运算模块，当所述第二判断单元判定所述操作次数未达到预设迭代次数时，在所述控制模块的控制下，继续进行运算。
进一步的，所述运算模块根据下列公式(1)进行运算得到所述适应度值：
f(t)＝w1(t)*w2(t)*[u1(t)-u2(t)]2(1)
其中，f(t)为每个图像边缘点的适应度值，t表示待处理图像的灰度值阈值，w1(t)表示图像中灰度值小于阈值t的像素的个数，w2(t)表示图像中灰度值大于阈值t的像素的个数，u1(t)表示图像中的灰度值小于阈值t的像素的平均灰度值，而u2(t)则表示图像中灰度值大于阈值t的像素的平均灰度值。
进一步的，所述调整模块根据下列公式(2)进行调整各个选取的图像边缘点的交叉概率pc：
其中，pcmax是最大交叉概率，pcmin和最小交叉概率，fmax是种群的最大适应度值；
通过本发明提供的一种基于遗传算法的图像边缘检测方法及装置，能够带来以下至少一种有益效果：
1)本发明通过遗传算法并行计算，提高计算速度，提升cpu处理效率，节约系统资源。
2)本发明通过自适应更改调整各个选取的图像边缘点的交叉概率的遗传算法能够将待检测图像的边缘点消除，检测到的结果更为准确。
3)本发明收敛速度快，而且检测过程的稳定性大为改善，极大提高实际检测效果。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种基于遗传算法的图像边缘检测方法及装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种基于遗传算法的图像边缘检测方法的一个实施例的流程图；
图2是本发明一种基于遗传算法的图像边缘检测方法的另一个实施例的流程图；
图3是本发明一种基于遗传算法的图像边缘检测方法的另一个实施例的流程图；
图4是本发明一种基于遗传算法的图像边缘检测方法的另一个实施例的流程图；
图5是本发明一种基于遗传算法的图像边缘检测方法的一个实例的流程图；
图6是本发明一种基于遗传算法的图像边缘检测方法的交叉概率调整曲线图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
遗传算法(ga)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它将“适者生存”的进化理论引入串结构，并在串之间进行有组织但又随机的信息交换。通过遗传操作，使优良品质被不断保留、组合，从而不断产生出更佳的个体，子代个体中包含父代个体的大量信息，并在总体上胜过父代个体，从而使群体向前进化发展，即不断接近最优解。
本发明一种基于遗传算法的图像边缘检测方法的一个实施例，如图1所示，包括：
s100生成初始种群；所述初始种群包括若干个图像边缘点；
s200对各个图像边缘点进行运算，得到各个图像边缘点的适应度值；
s300判断所述适应度值是否达到平均适应度值；若是，执行步骤s400；
s400选取达到所述平均适应度值对应的图像边缘点；
s500调整各个选取的图像边缘点的交叉概率；
s600根据调整后交叉概率和预设变异概率，对所述选取的图像边缘点进行交叉变异操作，得到下一代种群；
s700判断所述下一代种群是否满足预设终止条件；若是，执行步骤s800；否则，返回步骤s200；
s800获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测。
具体的，本实施例中，初始种群作为第一代r(t)，群体规模为固定值，这个初始种群包括若干个图像边缘点，然后对初始种群中的各个图像边缘点进行运算，得到各个图像边缘点的适应度值，将所有图像边缘点的适应度值进行均值计算得到平均适应度值，对图像边缘点进行包括选择、交叉和变异三个遗传操作，通过判断每个图像边缘点自身的适应度值是否达到平均适应度值，将达到平均适应度值的图像边缘点选择出来，使这些大于平均适应度值的图像边缘点作为优良的个体，有机会遗传到下一代种群r(t+1)中，即对这些优良的个体进行交叉变异后得到下一代种群r(t+1)，判断下一代种群r(t+1)是否满足预设终止交叉变异条件，下一代种群r(t+1)中的各个图像边缘点进行计算调整各个选取的图像边缘点的交叉概率，根据调整后交叉概率和预设变异概率对图像边缘点进行交叉变异操作，选择，交叉和变异三个遗传操作，作为遗传进化的主要过程使优良品质被不断保留、组合，从而不断产生出更佳的个体，使群体向前进化发展。本发明的交叉概率进行自适应的调整，能够保持种群的多样性，并且还能保障遗传算法的收敛性，并且由于遗传算法并行操作计算，并非局限于一点，有效防止搜索过程收敛于局部最优解，可通过大规模并行计算来提高计算速度，计算简单，功能强，使得计算得到的灰度值进行边缘检测，边缘检测效果更加优化。
本发明一种基于遗传算法的图像边缘检测方法的另一个实施例，如图2所示，包括：
s100生成初始种群；所述初始种群包括若干个图像边缘点；
s200对各个图像边缘点进行运算，得到各个图像边缘点的适应度值；
s300判断所述适应度值是否达到平均适应度值；若是，执行步骤s400；
s400选取达到所述平均适应度值对应的图像边缘点；
s500调整各个选取的图像边缘点的交叉概率；
s600根据调整后交叉概率和预设变异概率，对所述选取的图像边缘点进行交叉变异操作，得到下一代种群；
s710判断所述下一代种群的平均适应度值是否达到预设适应度值；若是，执行步骤s800；否则，返回步骤s200；
s800获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测。
具体的，本实施例中，本发明通过计算迭代更新得到当前种群的图像边缘点的适应度值，并计算出当前种群的所有图像边缘点的平均适应度值，判断平均适应度值是否达到预设适应度值，如果达到就获取目标图像边缘点，即适应度值最大的图像边缘点作为目标图像边缘点，将这货目标图像边缘点的灰度值作为标准灰度值进行图像边缘检测。本发明利用遗传算法，而且是交叉概率自适应调整的遗传算法，能够避免多次实验获取经验值作为交叉概率，本发明通过自适应更改调整各个选取的图像边缘点的交叉概率的遗传算法能够将待检测图像的边缘点消除，检测到的结果更为准确，有收敛速度快，而且检测过程的稳定性大为改善，极大提高实际检测效果。
本发明一种基于遗传算法的图像边缘检测方法的另一个实施例，如图3所示，包括：
s100生成初始种群；所述初始种群包括若干个图像边缘点；
s200对各个图像边缘点进行运算，得到各个图像边缘点的适应度值；
s300判断所述适应度值是否达到平均适应度值；若是，执行步骤s400；
s400选取达到所述平均适应度值对应的图像边缘点；
s500调整各个选取的图像边缘点的交叉概率；
s600根据调整后交叉概率和预设变异概率，对所述选取的图像边缘点进行交叉变异操作，得到下一代种群；
s720统计种群的更新次数；
s730判断所述更新次数是否达到预设迭代次数；若是，执行步骤s800；否则，返回步骤s200；
s800获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测。
具体的，本实施例中，初始种群中优胜劣汰选择得到下一代种群是一次更新次数，下一代种群进行交叉变异后得到新的下一代种群是一次更新次数，统计下一代种群交叉变异得到新的下一代种群的更新次数n，与初始种群选择得到下一代种群的一个更新次数相加，得到总的更新次数为n+1，判断n+1是否达到预设迭代次数m，如果预设迭代次数大于等于预设迭代次数m，那么就获取当前种群，即最新的下一代种群中的适应度值最高的图像边缘点作为目标图像边缘点，根据这个目标图像边缘点的灰度值进行图像边缘检测。本发明由于直接累加更新次数，相较上一个实施例来说，减少了计算每代种群计算适应度值的计算步骤，减少计算时间，大大提升了计算的效率，减少系统的cpu资源，法融合了局部搜索和全局搜索的优点，保证了检测过程的稳定，有效避免了陷入局部最优，取得了良好的检测效果。本发明稳定性好，收敛速度较快，抗噪性能比较好，能够检测多种类型图像的边缘，在实际检测中取得了良好的检测结果。
本发明一种基于遗传算法的图像边缘检测方法的另一个实施例，如图4所示，包括：
s100生成初始种群；所述初始种群包括若干个图像边缘点；
s200对各个图像边缘点进行运算，得到各个图像边缘点的适应度值；
s300判断所述适应度值是否达到平均适应度值；若是，执行步骤s400；
s400选取达到所述平均适应度值对应的图像边缘点；
s510根据各自的适应度值，进行计算得到各自对应的调整后交叉概率；
s610判断各个图像边缘点的随机数是否大于等于自身的调整后交叉概率；若是，执行步骤s620；否则，执行步骤s640；
s620将大于等于自身的交叉概率的图像边缘点，按照各自的适应度值的大小顺序进行排序；
s630将适应度值相邻的图像边缘点进行交叉操作；
s640根据所述预设变异概率进行变异操作；
s700判断所述下一代种群是否满足预设终止条件；若是，执行步骤s800；否则，返回步骤s200；
s800获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测。
具体的，本实施例中，为了便于理解，在此举个例子，例如第3代种群中有10个图像边缘点，分别为x1，x2，x3，……，x10，分别计算这10个图像边缘点的适应度值，分别对应得到适应度值为f(1)，f(2)，f(3)，f(1)，……，f(10)，那么分别根据这10个图像边缘点的对应的适应度值进行计算得到10个图像边缘点的平均适应度值f(0)，如果进行比较大小，只有f(1)，f(3)，f(5)，f(7)，f(8)和f(10)的适应度值大于等于平均适应度值f(0)，那么就将这六个适应度值对应的图像边缘点作为优良的个体，根据这六个优良的图像边缘点的各自的适应度值进行计算得到对应的调整后交叉概率，即分别对应得到调整后交叉概率为pc(1)，pc(3)，pc(5)，pc(7)，pc(8)，pc(10)，然后对于f(1)生成【0-1】之间的随机数s1，对于f(3)生成【0-1】之间的随机数s3，对于f(5)生成【0-1】之间的随机数s5，对于f(7)生成【0-1】之间的随机数s7，对于f(8)生成【0-1】之间的随机数s8，对于f(10)生成【0-1】之间的随机数s10。然后再分别进行比较随机数s1与调整后交叉概率pc(1)，随机数s3与调整后交叉概率pc(3)，随机数s5与调整后交叉概率pc(5)，随机数s7与调整后交叉概率pc(7)的大小，随机数s8与调整后交叉概率pc(8)的大小，随机数s10与调整后交叉概率pc(10)的大小，假设比较后发现只有s1，s5，s8和s10满足随机数大于等于自身的调整后交叉概率，那么就将f(1)，f(5)，f(8)和f(10)进行交叉操作，将f(3)，f(7)进行变异操作。
具体的交叉操作如下：比较大小并按照大小顺序进行排列，假设f(5)＞f(10)＞f(8)＞f(1)，即f(5)与f(10)相邻，f(8)与f(1)相邻，因此将x5与x10进行交叉操作，将x8与x1进行交叉操作，得到新的个体。
具体的变异操作如下：对f(3)的每一位生成随机数，将这个随机数与预设变异概率pm0进行比较，如果大于等于就不变异，如果小于就进行变异；同样，f(7)的每一位生成随机数，将这个随机数与预设变异概率pm0进行比较，如果大于等于就不变异，如果小于就进行变异。
本发明利用交叉概率自适应调整的遗传算法，能够避免多次实验获取经验值作为交叉概率，本发明通过自适应更改调整各个选取的图像边缘点的交叉概率的遗传算法能够将待检测图像的边缘点消除，检测到的结果更为准确，有收敛速度快，而且检测过程的稳定性大为改善，极大提高实际检测效果。
上述所有实施例中，根据下列公式(1)计算得到自身的适应度值：
f(t)＝w1(t)*w2(t)*[u1(t)-u2(t)]2(1)
其中，f(t)为每个图像边缘点的适应度值，t表示待处理图像的灰度值阈值，w1(t)表示图像中灰度值小于阈值t的像素的个数，w2(t)表示图像中灰度值大于阈值t的像素的个数，u1(t)表示图像中的灰度值小于阈值t的像素的平均灰度值，而u2(t)则表示图像中灰度值大于阈值t的像素的平均灰度值。
根据下列公式(2)计算得到调整后交叉概率pc：
其中，pcmax是最大交叉概率，pcmin和最小交叉概率，fmax是种群的最大适应度值；
本发明一种基于遗传算法的图像边缘检测装置的一个实施例，包括：生成模块，运算模块，第一判断模块，选取模块，调整模块，第一处理模块，第二判断模块，第二处理模块和控制模块；控制模块分别与上述模块连接；
所述生成模块，在所述控制模块的控制下，生成初始种群；所述初始种群包括若干个图像边缘点；
所述运算模块，在所述控制模块的控制下，对各个图像边缘点进行运算，得到各个图像边缘点的适应度值；
所述第一判断模块，在所述控制模块的控制下，判断所述适应度值是否大于第一预设适应度值；
所述选取模块，在所述控制模块的控制下，选取达到所述平均适应度值对应的图像边缘点；
所述调整模块，在所述控制模块的控制下，调整各个选取的图像边缘点的交叉概率；
所述第一处理模块，在所述控制模块的控制下，根据调整后交叉概率和预设变异概率，对所述选取的图像边缘点进行交叉变异操作，得到下一代种群；
所述第二判断模块，在所述控制模块的控制下，判断所述下一代种群是否满足预设终止条件；
所述第二处理模块，当所述第二判断模块判定所述交叉变异后的下一代种群达到所述预设目标时，在所述控制模块的控制下，获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测；
所述运算模块，当所述第二判断模块判定所述交叉变异后的下一代种群未达到所述预设目标时，在所述控制模块的控制下，继续进行运算。
优选的，所述第二判断模块包括：统计单元和第二判断单元；所述统计单元与所述第二判断单元连接，所述第二判断单元与所述控制模块连接；
所述统计单元，统计种群的更新次数；
所述第二判断单元，判断所述更新次数是否达到预设迭代次数；
所述第二处理模块，当所述第二判断单元判定所述操作次数达到预设迭代次数时，在所述控制模块的控制下，获取目标图像边缘点，根据所述目标图像边缘点的灰度值进行图像边缘检测；
所述运算模块，当所述第二判断单元判定所述操作次数未达到预设迭代次数时，在所述控制模块的控制下，继续进行运算。
所述运算模块根据下列公式(1)进行运算得到所述适应度值：
f(t)＝w1(t)*w2(t)*[u1(t)-u2(t)]2(1)
其中，f(t)为每个图像边缘点的适应度值，t表示待处理图像的灰度值阈值，w1(t)表示图像中灰度值小于阈值t的像素的个数，w2(t)表示图像中灰度值大于阈值t的像素的个数，u1(t)表示图像中的灰度值小于阈值t的像素的平均灰度值，而u2(t)则表示图像中灰度值大于阈值t的像素的平均灰度值。
根据权利要求6所述的基于遗传算法的图像边缘检测装置，其特征在于，所述调整模块根据下列公式(2)进行调整各个选取的图像边缘点的交叉概率pc：
其中，pcmax是最大交叉概率，pcmin和最小交叉概率，fmax是种群的最大适应度值；
具体的，本实施例是上述方法实施例对于的装置实施例，在此不再一一赘述效果，具体效果参见上述方法实施例的效果。
本发明一种基于遗传算法的图像边缘检测方法的一个实例，如图5所示，包括步骤：
s10、初始化种群；
s20、计算个体适应度值，选择较优的个体进入下次迭代；
s30、调整交叉概率；
s40、执行交叉操作；
s50、执行变异操作；
s60、判断是否达到预设终止条件；若是，执行步骤s70；否则，返回步骤s20；
s70、根据获取的最优解得到对应的最优灰度阈值；
s80、根据最优灰度阈值进行图像边缘检测。
具体的，本实例中的预设终止条件为预设迭代次数。边缘检测在图象处理中具有重要的意义，它是模式识别和图像理解系统的前处理阶段，是影响整个系统性能的一个关键因素。经典的边缘检测方法大多基于原始图像像素附近的数值导数，如梯度算子、拉普拉斯算子及拉普拉斯-高斯算子等等。这些算子虽然非常简单方便，但是它们只适用于检测有限类型的边缘，并且对噪声很敏感，容易产生断裂的边缘。找到与图像中目标的实际边界线相对应的真实边缘，一直是图象处理领域里的一个难题，人们在这方面做了大量的研究，不断提出新的方法和算子。基于灰度梯度算子的边缘检测技术需要基于先验知识来确定图像的灰度阈值，然而先验知识往往是基于以往的经验总结出来的，并不能很好地适应不同的情况，其处理结果很大程度上依赖预设的灰度阈值；另外，该技术在实际应用过程中实现较为复杂，运算量较大，因此基于灰度梯度算子的边缘检测技术自适应性和效率往往不尽人意。
鉴于以上现有技术的缺点，本发明的目的在于提供一种基于自适应遗传算法的图像边缘检测技术，之所以采用遗传算法，是因为遗传算法不像传统算法那样单点搜索，而是采用从多个点同时搜索的方法，并对多个解进行评估，具有全局搜索特性，这在一定程度上能够避免陷入局部最优解，同时也易于并行化，使求解过程更加高效、快捷；另外，遗传算法具有自组织、自适应和自学习的特性，基于适者生存的优选原则，较优的计算结果会以较大的概率进入下次的进化过程，随着迭代次数的不断增加，搜索到的结果质量会越来越好，因此遗传算法的这种自组织、自适应特征赋予了它根据实际环境的变化自动学习待解决问题的特性和规律的能力。
在遗传算法中，交叉概率是非常关键的因素，它对算法的执行效率和结果都有非常大的影响。然而，在标准遗传算法中，交叉概率是固定的，并不能很好的适应不同的求解情况，所求得的结果往往不令人满意。为了克服这种情况，随着求解过程的不断推进，对交叉概率进行动态调整，从而达到自适应的目的；并将该自适应遗传算法用于图像边缘检测中，以便获得较优的检测效果。
其中，对交叉概率的调节操作描述如下：
其中，pcmax是最大交叉概率，pcmin和最小交叉概率，fmax是种群的最大适应度值；
本发明在分析了经典边缘检测方法及其存在的检测精度不高，抗噪声性能较差等不足，提出一种基于自适应遗传算法的图像边缘检测算法，该算法明显提高检测精度和抗噪声能力。交叉概率调整曲线如图6所示。本发明具有自主学习和自适应性和较高的鲁棒性，且能够从全局并发求解灰度阈值，较好地规避局部最优值，准确高效。为了进一步提高遗传算法规避局部最优解的能力，使其具有较高鲁棒性，本发明提将其应用于图像边缘检测中，以便获得较优的边缘检测结果。本发明提出的遗传算法不仅不依赖先验知识，而且具有较强的自适应、自主学习能力，能很好地避免陷入局部最优解。在应用上述算法求解图像边缘检测的灰度阈值时，算法将利用迭代过程中得到的反馈信息自行调节并发搜索过程。由于该算法遵循适者生存的自然选择策略，所以较好的灰度阈值将有较高生存概率，而较大的生存概率意味着能够以较大的可能性进入下次的迭代过程，即再通过交叉和变异等操作产生效果更优的灰度阈值；另外，该算法具有较强的并发性，所以本发明不仅能够获取较优的边缘检测效果，而且具有较高的效率。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！