基于改进遗传算法的图像分割方法与流程

本发明属于图像处理技术领域，特别涉及一种图像分割方法，可用于在复杂背景下的可见光目标检测。

背景技术

伴随着以计算机技术为标志的信息化技术快速发展，人类社会的数字化程度越来越高。与此同时，处理数字化对象的技术与手段也在不断地更新。图像，是物体透射或者反射的光信息，通过人的视觉系统在大脑中形成的印象或认知，作为一种信息载体，其具有直观、便捷、易于理解和感知等其他信息载体不具备的特性。

工程上，将数字图像定义为计算机可以存储和处理的图像。利用计算机等设备对数字图像进行处理，可以采用降噪、增强、复原、分割、提取特征等方法和技术。

图像分割是数字图像获取到数字图像分析的关键一步。图像分割是把图像分成若干个特定的、具有独特性质的区域并获得感兴趣目标的技术和过程。现有的图像分割常用技术有大津阈值分割法，边缘检测法，基于神经网络模型法等。其中：

大津阈值分割法是一种自动的非参数非监督的门限选取法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方图得到的阈值并不能使图像分割得到满意的结果,且计算量相当大,难以应用到实时系统。

边缘检测方法的基本思想是先检测图像中边缘点,再按一定策略连接成轮廓,从而构成分割区域。其难点在于边缘检测时抗噪性和检测精度的矛盾,若提高检测精度,则噪声产生的伪边缘会导致不合理的轮廓,若提高抗噪性,则会产生轮廓漏检和位置偏差。

基于神经网络模型法的基本思想是用训练样本集对神经网络进行训练,以确定节点间的连接和权值,再用训练好的神经网络分割新的图像数据。神经网络存在巨量的连接,容易引人空间信息,能较好地解决图像中的噪声和不均匀问题,选择何种网络结构是这种方法要解决的主要问题。

由于遗传算法具有很强的鲁棒性并且算法框架较为固定，对适应度函数，迭代次数，变异运算等步骤进行合理的选择以及参数设定时，可以给出“最优解”或者“次优解”，具有很强的推广性。然而，在使用标准遗传算法sga时，对具有复杂背景下的目标图像进行分割时，会出现速度慢，丢失图像原有信息的问题。

技术实现要素：

本发明的目的在于提供一种基于改进遗传算法的图像分割方法，以提高在复杂背景下目标图像分割的速度和精度，减小对图像原有信息的丢失。

本发明技术思路是对遗传算法中的适应度函数进行改进，即利用定义的平均灰度值以及绝对值运算来定义适应度函数；并通过“折半策略”进行选择运算，同时在变异过程中加入限定迭代次数后再采用变异算法，筛选出适应度较好的个体，以获取每代的最佳适应度fitess以及最佳阈值gate，最终在满足迭代次数后得到的最佳阈值g，用于对原图像的灰度图像进行分割。其实现方案包括如下：

(1)将输入的彩色rgb图像处理成灰度图pic；

(2)生成初始种群p，并对种群中个体进行处理：

2a)在灰度图pic中随机选取个体构造出初始种群p；

2b)为初始种群p中的每一个个体的值，进行十进制到八位二进制的转换；

(3)构造个体适应度函数fitness(1,i)：

3a)对(2)中生成初始种群p中的个体值进行求和；

3b)根据3a)的计算结果，获得每个体的阈值b(1,i)：

b(1,i)＝csum*255/(2⁸-i)1≤i≤psize

其中，psize为种群规模；csum对初始种群p中所有个体值求和的结果；

3c)遍历灰度图pic的每个像素点pic(x,y)，统计低于阈值b(1,i)像素点数的总和ll，及这些像素点数对应的像素值之和ls；统计出高于阈值b(1,i)像素点数总和hn，及这些像素点数对应的像素值之和hs，

3d)根据3c)的统计结果，分别获得低于阈值b(1,i)的像素平均灰度值low与高于阈值b(1,i)的像素平均灰度值high：

3e)根据(3c)和(3d)的结果，得到改进后的个体适应度函数：fitness(1,i)＝|ll·hn(low-high)|；

(4)将改进后的个体适应度函数作为遗传算法中的适应度函数，对种群中的个体进行迭代运算，获得最佳分割图像的阈值g；

(5)遍历灰度图像pic，并将每个像素点值与最佳阈值g进行比较：

若像素点值大于等于最佳阈值g时，则给该像素点值赋0；

若像素点值小于最佳阈值g时，则给该像素点值赋255；

当遍历完成后，得到一幅白色像素点部分与黑色像素点部分被分隔开的二值图像，即原图像灰度图分割后的结果。

本发明与现有技术相比具有如下优点：

1.本发明由于改进了标准遗传算法中的适应度函数，相比标准遗传算法的图像分割技术，能够减小在复杂背景下进行图像分割出现的图像原有信息的丢失的问题。

2.本发明由于采用“折半策略”进行选择算法，相比标准遗传算法的图像分割技术，能够解决在复杂背景下进行图像分割会出现速度慢的问题。

3.本发明由于采用变异过程中加入限定迭代次数后才进行变异运算的算法，相比标准遗传算法的图像分割技术，提高了迭代运算的速度。能够解决在复杂背景下进行图像分割会出现速度慢的问题。

附图说明

图1为本发明的实现流程图；

图2为本发明实验使用的原始图像；

图3为本发明中进行每一次迭代得到的最佳适应度示意图；

图4为本发明中进行每一次迭代得到的最佳阈值示意图；

图5为用本发明分割后的图像与原始灰度图的对比示意图。

具体实施方式

以下结合附图对本发明的技术方案和效果作进一步详细描述。

参照图1，本发明的实施步骤如下：

步骤1，输入rgb彩色图像，并进行处理。

1a)将如图2所示的rgb彩色图像作为输入的原始图像；

1b)采用加权平均算法0.2989r+0.5870g+0.1140b对原始图像的每个像素点处理成为灰度点，生成原始图像的灰度图pic。

步骤2，根据遗传算法生成种群，并进行初始化。

2a)在原灰度图pic中，随机选取总像素点数目的1/4个像素点构成为初始种群p的个体，并将这些个体对应的像素值定义为个体的值；

2b)根据灰度图像的像素值取值范围为0～255，可使用八位二进制表达十进制的信息，故将每个个体值进行十进制到八位二进制的转换。

步骤3，构造个体适应度函数fitness(1,i)。

3a)对步骤2中生成初始种群p中的所有个体值进行求和，得到和值csum；

3b)根据3a)的计算结果，获得每个个体的阈值b(1,i)：

b(1,i)＝csum*255/(2⁸-i)1≤i≤psize

其中，psize为种群规模；csum对初始种群p中所有个体值求和的结果；

3c)遍历灰度图pic的每个像素点pic(x,y)，进行如下参数统计：

统计低于阈值b(1,i)像素点数的总和ll，及这些像素点数对应的像素值之和ls；

统计出高于阈值b(1,i)像素点数总和hn，及这些像素点数对应的像素值之和hs；

3d)根据3c)的统计结果，分别获得低于阈值b(1,i)的像素平均灰度值low与高于阈值b(1,i)的像素平均灰度值high：

3e)根据(3c)和(3d)的结果，得到改进后的个体适应度函数：fitness(1,i)＝|ll·hn(low-high)|。

步骤4，将改进后的个体适应度函数作为遗传算法中的适应度函数，对种群中的个体进行迭代运算，获得最佳分割图像的阈值g。

将改进后的个体适应度函数作为遗传算法中的适应度函数，即实现对现有遗传算法的改进，再利用改进的遗传算法对种群中的个体进行迭代运算，其实现步骤如下：

4a)设置迭代运算次数为150；

4b)利用(3)得到的个体适应度函数，计算出种群中个体的适应度值；

4c)选取最大的适应度值为本次迭代的最佳适应度值fitness，同时设置该最大适应度值所对应的个体的阈值为本次迭代的最佳阈值gate；

4d)在第一次迭代时，设置本次迭代的最佳适应度值fitness为最佳适应度值fits，同时设置本次迭代最佳阈值gate为最佳阈值g；

4e)当迭代次数超过1时，将本次迭代的最佳适应度值fitness与最佳适应度值fits进行比较，令较大者为最佳适应度值fits，同时令最佳适应度fits对应的阈值为最佳阈值g；

4f)当迭代次数不超过总迭代次数的二分之一时，选择本次迭代种群中个体适应度值较大的一半个体，随机替换本次迭代种群中的个体，更新种群；

4g)对种群中相邻的两两个体，随机生成个体二进制编码上的交换点位置，并对位置上的两个点的值进行交换；

4h)当迭代次数超过总迭代次数的二分之一时，随机生成0到1的实数，并判断该实数是否大于0.2：

若大于0.2，则进行变异运算mutation，即随机选取种群中的个体，随机生成该个体二进制编码上的变异位置，将该位置上的值进行取反；

若小于等于0.2，则不进行任何处理；

(4i)判断是否满足迭代次数：

当不满足迭代次数时，返回步骤(4b)；

若满足迭代次数时，获得最佳适应度fits和最佳分割阈值g，执行步骤(5)，图3所示为每一次迭代后得到的最佳适应度示意图，从图3可以看出，经过150次迭代后，得到的最佳适应度为94，图4所示为每一次迭代得到的最佳阈值示意图，可以看出经过150次迭代后，得到的最佳阈值g是94；

步骤5，图像分割后图像。

开始遍历灰度图像pic，当像素点值大于等于g时，给像素点值赋0；当像素点值小于g时，给像素点值赋255；

当遍历完成后，得到一幅二值图像，白色像素点组成的部分与黑色像素点组成的部分明显被区分开，即原图像分割后的结果。

图5所示为原始图像的灰度图与分割后的图像对比图，从图5可以看出，目标图像为前景中的生物，能清晰地从复杂背景中分割出来。

综上，本发明是通过定义的平均灰度值以及绝对值运算来定义适应度函数，在选择运算时利用“折半策略”进行选择运算，同时在变异过程中加入限定迭代次数后才采用变异算法，因此即使在复杂背景下，也能快速获得较为清晰的目标图像分割结果。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。