（计算机软件与理论专业论文）基于遗传算法的柑橘图像分割.pdf

c i t r u si m a g es e g m e n t a t i o nb a s e do ng e n e t i ca l g o r i t h m b y z h o ul i j u a n b e ( x i a n g t a nu n i v e r s i t y ) 2 0 0 2 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o rt h ed e g r e eo f m a s t e ro fe n g i n e e r i n g i n c o m p u t e rs c i e n c e t e c h n o l o g y i n c h a n g s h au n i v e r s i t yo fs c i e n c e t e c h n o l o g y s u p e r v i s o r p r o f e s s o ry u ex i a o b o m a y 2 0 1 1 长沙理工大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律后果由本人承担。 储躲融蛹 隰瑚啤萝月蜘日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文 被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存 和汇编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密口。 ( 请在以上相应方框内打“”) 作者签名： 咖喟降浦嗡 日期：瑚，f 年罗月期日 导师签名：互一戎惰 日期护，| ! 年厂月矽日 摘要 近年来，计算机视觉技术在农产品检测方面得到了广泛的应用，使得现代 农业更具规模性和专业化。本文所研究的内容是柑橘图像分割的具体算法设计。 它是课题“柑橘表面破损自动检测系统”中一个非常重要的环节。柑橘表面破 损自动检测系统采用的是计算机视觉技术，其检测的精度较人工挑选有很大提 高。该系统中柑橘图像分割算法好坏会直接影响系统检测柑橘表面是否破损的 准确度。本文提出了一套完整的柑橘图像分割算法。 图像分割是计算机视觉领域的一个重要而且基本的问题，其内容是根据图 像中不同目标的特性，将图像分解成不同的区域的技术。它是从图像处理到图 像分析的一个关键步骤。对它的研究一直都是图像技术研究中的热点和焦点之 一。 首先本文研究分析常用的图像分割技术，比较它们的优劣，并将这些分割 方法结合遗传算法做了较深入的研究，然后提出了对彩色柑橘图像进行分割的 新算法。其采用改进的遗传算法结合改进的阈值分割方法。由于传统的遗传算 法存在收敛性差、容易早熟这些问题，本文将遗传算法进行改进，设计能够依 据适应度大小进行自动调整交叉概率和变异概率的改进遗传算法。另外，根据 图像分割效果好坏直接体现在不同类别对象之间的差别越大越好，同一类别对 象之间的差别越小越好的特点，结合类间距离和类内方差提出了一种有效的最 佳阈值的计算方法。 通过仿真实验，本文所提出的算法得出的阈值范围更加稳定，而且对分割 图像的边缘处理得更细致，这样就更能满足柑橘表面破损自动检测系统对于柑 橘图像分割质量和分割速度及实时性这些要求。同时该算法可以应用于各种图 像的实时处理与分析，具有较高的通用性和实用性。 关键词：柑橘：阈值分割；类内方差；改进遗传算法 a b s t r a c t c o m p u t e rv i s i o nt e c h n o l o g yi sw i d e l yu s e di na g r i c u l t u r a lp r o d u c t si n s p e c t i o ni n r e c e n ty e a r s ，w h i c hm a k e sm o d e ma g r i c u l t u r em o r es p e c i a l i z e d t h et h e s i sm a i n l y f o c u s e so nt h ec o n c r e t ea l g o r i t h mo fc i t r u si m a g es e g m e n t a t i o n ，w h i c hi sav e r y i m p o r t a n tl i n k i ns u b je c tr e s e a r c hn a m e da u t o m a t i ci n s p e c t i o ns y s t e mo fc i t r u s c o a t i n gd a m a g e t h ea u t o m a t i ci n s p e c t i o ns y s t e mo fc i t r u sc o a t i n gd a m a g ea d o p t s c o m p u t e rv i s i o nt e c h n o l o g y c o m p a r e d w i t hm a n u a ls e l e c t i o n ，t h e i n s p e c t i o n p r e c i s i o no fc o m p u t e rv i s i o nt e c h n o l o g yh a si m p r o v e dal o t w h e t h e rt h ea l g o r i t h m o fc i t r u si m a g es e g m e n t a t i o ni sg o o do rn o t ，i tw i l ld i r e c t l yi n f l u e n c ed a m a g e p r e c i s i o no fc i t r u sc o a t i n gi n s p e c t i o n t h et h e s i sp u t sf o r w a r daf u l l s e to fc i t r u s i m a g es e g m e n t a t i o na l g o r i t h m i m a g es e g m e n t a t i o ni sa ni m p o r t a n ta n dp r i m a r yp r o b l e mi nt h ef i e l do fc o m p u t e r v i s i o n ，w h i c hm e a n sd e c o m p o s i n gi m a g ei n t or e g i o n so fv a r i o u sc h a r a c t e r i s t i c s ，a n d e x t r a c t i n gt h ei n t e r e s t i n gt a r g e t i m a g es e g m e n t a t i o ni s ak e ys t e pf r o mi m a g e p r o c e s st oi m a g ea n a l y s i s ，w h i c hi sa l w a y so n eo ft h eh o tp r o b l e m si nt h er e s e a r c ho f i m a g et e c h n o l o g y f i r s to fa l l ，t h et h e s i ss t u d i e st h ec o m m o ni m a g es e g m e n t a t i o nt e c h n o l o g i e s ， c o m p a r e st h e i ra d v a n t a g e sa n dd i s a d v a n t a g e s ，a n dm a k e sf u r t h e rr e s e a r c ho nt h e s e s e g m e n t a t i o nm e t h o d sc o m b i n i n gw i t hg e n e t i ca l g o r i t h m f u r t h e r m o r e ，t h et h e s i s p u t sf o r w a r dan e wa l g o r i t h mf o r m u l t i c o l o rc i t r u s i m a g es e g m e n t a t i o n ，w h i c h a d o p t si m p r o v e dg e n e t i ca l g o r i t h mc o m b i n i n gw i t hi m p r o v e dt h r e s h o l dm e t h o d t h e t h e s i sh a s i m p r o v e d t h eg e n e t i c a l g o r i t h mb e c a u s e o ft h ep r o b l e mo fp o o r c o n v e r g e n c ea n dp r e m a t u r e o c c u r r e n c ei nt h et r a d i t i o n a l g e n e t i ca l g o r i t h m ，a n d w o r k so u ta ni m p r o v e dg e n e t i ca l g o r i t h mw h i c hc a na u t o m a t i c a l l ya d j u s tc r o s s o v e r p r o b a b i l i t ya n dm u t a t i o np r o b a b i l i t ya c c o r d i n gt ot h ef i t n e s sv a l u e so fi n d i v i d u a l s i n a d d i t i o n ，t h et h e s i si sb a s e do nt h ef o l l o w i n gc h a r a c t e r i s t i c ：t h em o r ed i f f e r e n c e b e t w e e nd i v e r g e n tt y p e so fo b je c t si s ，t h eb e t t e ri m a g es e g m e n t a t i o ne f f e c tw i l lb e b u tt ot h es a m et y p eo fo b j e c t ，t h ei m a g es e g m e n t a t i o ne f f e c tw i l lb eb e t t e rw i t h l i t t l ed i f f e r e n c e c o m b i n gb e t w e e n c l a s sd i s t a n c ew i t hi n t e r c l a s sv a r i a n c e ，t h et h e s i s a d v a n c e sa ne f f e c t i v ea l g o r i t h mo fo p t i m u mt h r e s h o l d t h et h e s i s ，t h r o u g hs i m u l a t i o ne x p e r i m e n t ，b r i n g sf o r w a r dt h r e s h o l ds c o p ew h i c h i sm o r es t a b l e ，a n dm a k e st h ei m a g es e g m e n t a t i o ne d g e sm o r ed e d i c a t e d ，w h i c h f u r t h e rs a t i s f i e st h e s er e q u i r e m e n t sp u t t i n gf o r w a r db ya u t o m a t i ci n s p e c t i o ns y s t e m o fc i t r u ss u r f a c ed a m a g e ，s u c ha sc i t r u si m a g es e g m e n t a t i o nq u a l i t y , t h es p e e do f s e g m e n t a t i o na n di m m e d i a c y a tt h es a m et i m e ，t h ea l g o r i t h mc a nb eu s e di nk i n d s o fi m a g er e a l t i m ep r o c e s s i n ga n da n a l y z i n g ，w h i c hb o a s t sh i g h l yp r a c t i c a b i l i t ya n d p o p u l a r i t y k e yw o r d s ：c i t r u s ；t h r e s h o l ds e g m e n t a t i o n ；i n t e r c l a s sv a r i a n c e ；i m p r o v e d g e n e t i ca l g o r i t h m i 目录 摘要i a b s t r a c t i i 第一章绪论1 l - 1 课题研究目的及意义1 1 2 遗传算法在图像分割中的应用的研究现状3 1 3 本文主要研究的工作和创新点4 1 - 4 本文的内容和组织结构5 第二章图像分割基本理论和方法6 2 1 图像分割定义6 2 2 图像类型6 2 2 1 灰度图像6 2 2 2 纹理图像7 2 3 图像分割常用方法7 2 3 1 基于阈值的分割法7 2 3 2 基于边界的分割法1 0 2 3 3 基于区域的分割法1 1 2 3 4 结合特定理论工具的分割方法1 1 第三章遗传算法1 4 3 1 遗传算法的基本概念1 4 3 2 遗传算法的特点1 4 3 3 遗传算法的关键参数与操作的设计15 3 3 1 确定问题的编码方案1 5 3 3 2 初始群体的选取与规模1 5 3 3 3 确定适应度函数1 6 3 3 4 控制参数选择1 6 3 3 5 遗传算子1 7 3 3 6 停止准则1 9 3 4 遗传算法的基本流程1 9 3 5 小结2 0 第四章基于遗传算法的图像分割技术研究2 l 4 1 基于遗传算法最大类间方差的图像分割方法2 1 4 2 基于遗传算法直方图熵的图像分割方法2 2 第五章柑橘图像处理与分割2 5 5 1 系统简介2 5 5 2 柑橘图像分割2 5 5 2 1 改进的遗传算法2 5 5 2 2 改进的类类距离法2 6 5 2 3 改进的柑橘图像分割算法设计流程2 7 5 2 4 实验结果及分析2 8 第六章结论与展望3 4 6 1 结论3 4 6 2 展望3 4 参考文献一3 7 附录a ( 攻读硕士学位期间发表论文目录) 4 0 附录b ( 攻读硕士学位期间所参加的学术活动) 4 1 第一章绪论 随着信息科学的不断发展和深入，人类对计算机利用更广泛了，通过计算 机可以更多的获取与处理各种各样的信息。据统计，人类从外界获得的大部分 信息主要是来自于视觉，其中就包括静态的图像信息。图像包含的信息量大、 表现直观，因而在多媒体中占据了重要的地位。对于我们获得的图像，我们会 进一步把图像中感兴趣的目标和背景进行划分，将其分为若干个互不相交的有 意义区域，这就是图像分割技术。其应用非常广泛，例如文字识别，农业、医 学图像分析，在线产品检验，生产过程控制以及军事目标锁定等。图像分割是 从图像处理到图像分析的关键步骤，是计算机视觉中的一个研究热点。 1 1 课题研究目的及意义 我国水果的生产在整个农产品的生产中占有很大的比例，是重要的外贸出 口产品。但实际情况却是，我国在大多数水果质量并不比国外水果的质量差， 但却经常面临着销售难、价格低的困境n 1 。而造成我国水果在国际市场上缺乏竞 争力的一个主要原因就是：国内水果的产后处理不够、产后处理的技术偏低。 我国水果产后分级一般都采用人工分级操作，主观因素导致对农产品的品质， 如形状、大小、色泽等难以做到统一标准的检测； 近年来，人们开始研究利用计算机视觉识别技术来代替人的视觉进行农产 品分级，将人从繁重单调的劳动中解放出来，同时采用这样的办法还能排除人 的主观因素的干扰，避免了因人而异的分选结果心1 。另外还能完成人工或机械化 分级机难以胜任的工作，其具有的优越性是不言而喻的。 国外已经实现了水果外部品质和内部品质的无损检测，且能达到实时速度。 在国内，水果的品质检测研究9 0 年代初才刚刚起步，且仅停留在外部的品质检 测上，远没达到实时检测分级的水平。 计算机视觉技术先将获得的图像转化成数据矩阵，再利用计算机进行分析 研究，进而完成与视觉的相关任务。近年来在农业生产自动化领域中研究人员 利用该技术开展了多方面的研究。目前，在农业领域的应用主要有以下几个方 面：( 1 ) 农产品的品质无损检测：蔬菜、水果的外观检测与分级；肉食类、禽蛋 第l 页共5 0 页 的检测与分级；谷物籽粒优劣的检测与分级，如花生、大豆、大米等。( 2 ) 采摘 机器人：如摘水果、收割谷物、除草机器人。( 3 ) 精细农业：所谓精细农业( 3 s 农业) 即把全球定位系统( g p s ) ，地理信息系统( g i s ) 及遥感技术( r s ) 有机组装 在一起并应用到现代农业中，这是未来农业发展的方向。在3 s 农业中，机器视 觉技术也起着重要作用，如杂草识别技术，为植保服务的病、虫害识别与预报 技术、秧苗移栽机的视觉技术等。( 4 ) 生物生长状态的监控技术：利用计算机视 觉进行植物生长状态的检测与控制、动物行为的监控、水产养殖中鱼苗及虾苗 的监控，农业基础研究中生物细胞的检测及组织培养的检测等。 图像分割是任何图像分析及视觉系统的必不可少的组成环节，其结果的好 坏，直接影响着特征提取和目标识别的效果口1 。图像分割是计算机视觉研究中的 一个极具挑战性的问题。 图像分割的目的是把图像中感兴趣的目标和背景进行划分，将图像分为若 干个互不相交的有意义区域h 1 ，其应用非常广泛。由于图像分割的研究是一个具 有两面性的矛盾问题，首先图像分割的目的是为了更好的理解，但分割之前却 要求事先对图像进行理解嵋1 。因为这种矛盾的存在，图像分割问题成了计算机视 觉研究中的一个瓶颈问题，同时它也是一个热点问题。由于计算机技术迅速发 展，同时加之人类对自身的视觉机理进行不断的深入研究，图像分割问题的解 决途径就更广泛了。 “图像处理图像分析一一图像理解是图像信息的研究的三个步骤h 1 。 第一步图像处理：对所获图像进行一些基本的变换，目的是改善图像视觉的效 果，减少传输时间，减少存储容量哺1 等等，这些操作是比较低层的。所采用的操 作主要是停留在图像像素级层面。比如对图像进行增强、分割、对图像数据进 行压缩编码怕1 。第二步图像分析：即用模式识别和人工智能方法对物景进行分析、 描述、分类和解释的技术，又称景物分析或图像理解引。这属于中层的操作。 第三步图像理解：有了图像分析做基础，图像理解进一步分析研究图像中目标 的性质与图像本身之间的相互关系n 。整个图像信息的处理过程和方法与人类 思维推理往往有不少类似之处。 从图像处理到图像分析，图像分割是最关键的步骤。目前图像分割也在很 多领域中使用到。比如在线产品检测、工业自动化、文档图像处理、现代农业 第2 页共5 0 页 工程等方面n 2 q4 1 。总而言之，在各种图像中如果需要提取、测量图像目标，都会 用到图像分割技术。 1 2 遗传算法在图像分割中的应用的研究现状 图像分割是图像特征提取和识别的基础，它本身的研究意义及其它对图形 图像学其他研究方向的有力推动，使得多年来其算法的研究一直成为人们热衷 的焦点。 由于图像信息所具有的特殊性，图像分割的算法也一直在推陈出新。但在 各式各样的图像分割算法中，最简单，效率最高，最有效的还是阈值法n 朝。这 种算法的关键是确定最佳阈值。但在一个数据量非常大，图形目标和背景比较 复杂的情况下，要去寻找最佳阈值，或者一个闽值或者多个闽值组合，以此得 到比较准确的分割结果，工作量将变得非常大，解决问题将变得非常耗时。这 对图像分割的实时性要求将是一个瓶颈，会严重阻碍其发展。这就需要寻找更 有效，更强大有力的优化手段。于是这个时候研究者想到了遗传算法。鲁棒性， 并行性和自适应性这些特点使得遗传算法成为全局优化搜索算法之一n 引。它的 引入为图像分割算法研究注入了新鲜血液。实践证明，遗传算法的加入，不仅 可以在较短的时间内得到全局最优解，分割的效果也非常好。遗传算法在图像 分割中的应用现状大致分为下列这样几种情况。 最先应用在图像分割算法中的是基本遗传算法。由于图像像素比较多，求 最佳阈值需要大量运算，遗传算法因其并行性，使用它能保证搜索寻优能力强， 搜索速度快，分割的时间短，分割的精度高n 刀。具有代表性的研究有：a r iv i s a 和c h a n gt s u n 1 i 提出了把遗传算法应用到纹理图像的分割中去，取得了比较好 的分割效果。s a n gb o o n 将遗传算法与传统的h o u g h 变换法、灰度值法进行 比较，证明了图像分割中采用遗传算法，其分割效率比其他的方法高很多。西 安电子科技大学的吴成柯在这一方面也有非常成功的研究。他将遗传算法与最 大类间方差分割法结合，与普通的最大类间方差分割法相比较，同时应用到同 一图像的分割上，前者大大缩短了分割的运行时间。 随着计算机的发展和各学科许多新理论和新方法的提出，人们不再满足于 将基本的遗传算法直接应用到图像分割中去，研究者对遗传算法本身进行改进， 第3 页共5 0 页 或者将新理论、新手段、新工具注入到基本的遗传算法中去，让传统算法焕发 活力，以便更好的去适应要求越来越高的图像分割。具有代表性的研究有：学 者e y k i m 直接对遗传算法本身进行改进，将传统算法中交叉率和变异率的不 变化调整成能随适应度函数值变化而自动修改。在视频图像的分割中运用此改 进算法，得到较少的迭代的次数和较短的分割的时间。将遗传算法与其他新方 法进行结合使用的代表研究有：结合最大模糊熵值法的s i n g a p o r e 的x i nw a n g ； 结合人工神经网络的薛景浩；与t - s n a k e 相结合的研究者张建伟；结合蚁群算 法的张锋等。实践证明这些研究都在算法的收敛速度和分割效果上得到了很好 的结果。 虽然近年来对图像分割的研究越来越多，但由于图像分割本身所具有的难 度，分割算法改进没有大的突破。仍然存在这两个问题：其一是没有通用的分割 算法；其二对图像分割效果好坏没有统一的评价标准。 1 3 本文主要研究的工作和创新点 本论文对图像分割的现行技术进行分析比较，重点对基于遗传算法的图像 分割算法进行了比较系统的研究。针对传统遗传算法的不足，提出了一些改进 措施，并且设计新的阈值确定方法一一类类距离法，将两者结合共同运用到图 像分割中，得到了比较好的效果。主要工作如下： 1 在图像分割中运用遗传算法，并对其进行改进。将遗传算法中的交叉概 率和变异概率设计成随适应度大小自动调整。 2 提出了新的阈值确定法一一类类距离法。其设计思想是：背景与目标之 间的区分在于其类间距越大越好，类内距越小越好。这样目标和背景就分得越 开，分割效果就越好。 3 将改进的遗传算法与改进阈值确定法相结合运用到彩色图像的分割中。 通过仿真实验验证，本文设计的新算法在这些方面较传统的分割算法更有 优势： 1 能够保持群体多样性。 第4 页共5 0 页 2 阈值计算时间明显比常用的图像分割法缩短了，而且其选择范围稳定在 4 个像素以内。 3 本论文设计的算法能够快速准确地分割图像，而且对图像的边缘处理效 果较好，柑橘有破损的地方也能进行显示。 1 4 本文的内容和组织结构 本课题在研究过程中，阅读了大量中外文文献，并借鉴了已有的研究成果， 将遗传算法应用于图像分割的研究，并对其提出了一定的改进，取得了较好的 设计效果。本文的主要结构安排如下： 第一章对课题研究目的及意义进行综述。 第二章对图像分割的原理及常用的分割方法进行的描述和分析。 第三章对遗传算法进行较全面的介绍，包括遗传算法的基本原理、算法模 型、算法特点以及基本思想。 第四章介绍遗传算法在图像分割中的应用研究。 第五章结合本系统的具体情况，对基本遗传算法进行改进，提高其搜索的 收敛性，结合新设计的类类距离确定分割阈值。并给出遗传算法应用于图像分 割的详细步骤以及分割结果分析研究。 第六章总结全文，提出今后有待于研究和探讨的问题。 第5 页共5 0 页 第二章图像分割基本理论和方法 图像分割就是将图像中不同性质的目标进行区分，这里所指的性质是指灰 度、颜色、纹理等特性。我们以此为依据对数字图像进行分割。分割后特性越 明显，目标越明确，表明分割的效果越好。 2 1 图像分割定义 图像分割多年来一直得到人们的高度重视。在大量研究报道中，如下解释 是公认的图像分割的定义： 集合r 表示整个图像区域，对r 的分割可以看作是将r 分成若干个满足以 下五个条件的非空子集( 子区域) 墨，恐，b ： ( 1 ) 罗冠= r ： i _ z = l ( 2 ) 对所有的i 和j ，i j 有足n 尺，= ； ( 3 ) 对i = 1 ，2 ，1 3 ，有尸( 局) = t r u e ； ( 4 ) 对i j ，有尸( rur , ) - - f a l s e ； ( 5 ) 对i = 1 ，2 ，n ，足是连通的区域。 其中p ( 足) 是代表所有在集合r 中元素的某种性质，是空集。 上述条件( 1 ) 指出图像分割后所得的子目标组合起来就是原图像，强调分割 后不能造成数据丢失；条件( 2 ) 指出图像分割后各个目标之间不能有所覆盖。目 标之间应该有非常明显的界限。条件( 3 ) 指出图像分割后同一物体应该具有相同 的特性；条件( 4 ) 指出图像分割后不同目标之间的共性为零；条件( 5 ) 要求同一 个目标内的像素应该是连通的。 2 2 图像类型 2 2 1 灰度图像 在灰度图像中灰度级是一个非常重要的指标。不同的区域有着不同的灰度 级，它区分着目标与背景。根据分割时所利用图像信息的不同，灰度图像分割 算法大致可分为两类： 第6 页共5 0 页 ( 1 ) 根据图像灰度是否一致，进行图像分割。其中包括：基于图像灰度统计 信息的直方图门限化法；由于图像灰度区域不同，其边界处灰度信息也随之变 化，于是我们还可以采用边缘检测算法。 ( 2 ) 由于不同图像其空间域信息不同，于是对图像进行分割的方法还包括： 区域分裂、合并法；区域增长法、区域松弛迭代法等。 2 2 2 纹理图像 纹理图像是以纹理特性为主导特性的图像，较灰度图像复杂。在不同的区 域，纹理图像呈现不规则性，但其在整体上却仍然体现着某种规律性。什么是 纹理，至今还没有为众人所公认的定义。习惯上人们把纹理定义为：图像中出 现的局部不规则、而宏观有规律的特性。统计方法和结构方法是两类传统的纹 理分割方法： ( 1 ) 统计方法：图像特征值由其统计特性求出，然后基于图像特征空间一致 性对图像进行分割，这是目前研究较多、比较成熟的一种方法。 ( 2 ) 结构方法：对于规则性较强的人工纹理采用此方法。首先假设由一系列 纹理基元有规律的排列组成了纹理。图像中有了纹理基元，就可以以基元的特 征和其排列的规则作为特征进行纹理分割，实验证明，其应用有一定程度的限 制。 2 3 图像分割常用方法 图像处理技术的关键是图像分割，人们一直对其高度重视，研究报道不断， 至今已经提出上千种图像分割的算法。但由于图像的特殊性，针对具体图像， 针对具体问题，分割算法就不一样，至今还没有找到通用的分割理论，也没有 找到对所有图像都适合的通用分割算法。另外，针对不同图像，如何选择分割 算法，其标准还没有制定出来。有非常多的实际问题出现在图像分割技术的应 用领域。但基于图像分割的重要性，人们对其研究仍然热情高涨。新思路，新 方法或改进算法层出不穷。 2 3 1 基于阈值的分割法 阈值分割方法n 町多应用于灰度图像，其具体办法是：在图像灰度取值范围 第7 页共5 0 页 之内，选取一个灰度值作为对此灰度图像分割的阈值，然后再将此图像中每个 像素的灰度值与这个阈值作比较，根据图像中每个像素的灰度值大于或者小于 该阈值，来进行图像分割。此方法最重要，最关键的一点就是如何确定一个最 优阈值。阈值如何确定成为了研究的热点。 ( 1 ) 基于灰度直方图的峰谷法n 一一它适用于图像的灰度直方图为双峰分 布的情况，其选择的阂值为两峰间的谷底点； ( 2 ) 最大熵阈值分割法乜们熵是信息论中对不确定性的度量，是对数据中 所含信息量大小的度量。熵取最大时，表明获得的信息量最大。基于最大熵原 则选择阈值的方法的设计思想是，选择适当的阈值将图像分成两类，两类的平 均熵之和为最大时，可以从图像中获得最大信息量，以此来确定最佳阈值。 根据上面的原理，最大熵方法的具体步骤如下： l - i 只为灰度i 出现的概率，f o ，1 ，2 ，l - l ，只- 1 设初始分割阈值为t ，将图像分割成g 和c 两类 分别计算两个类的平均相对熵： e o = 一乏 f b ) l n ( p f b ) ( 2 1 ) 巨= 一z ( p i ( 1 一a ) ) l n ( p f ( 1 一b ) ) ( 2 2 ) 其中p ，- z p ， 选择最佳的阈值，使得图像按照该阈值分为c o 和q 两类后，晶- t - 互的值最 大 ( 3 ) 最大方差分割法一一最大方差阈值也叫大津阈值，是在差别与最小二 乘法原理的基础上推导出来的，算法较为简单，可以得到较好的结果。此方法 由于其简便性和分割准确性在图像分割中被大量采用。 基本思路：从统计意义上讲，方差是表征数据分布不均衡性的统计量，要 通过阈值对两类问题进行分割，适当的闽值使得两类数据间的方差越来越大， 表明该阈值的确将两类不同的问题区分开了。 基本步骤：首先，计算基于直方图得到各分割特征值的发生概率，给定初 始阈值变量t 将图像分为两类，然后求出每一类的类内方差及类间方差，选取 第8 页共5 0 页 使得类间方差最大的t 作为最佳阈值。具体步骤如下： 设原始灰度图像灰度级为l ，灰度级为i 的像素点数目为，则图像的全部 像素数为： n = n o + 珥+ + ，屯一l 各灰度值的概率为： 挖 b 2 百- t 然后按阈值t 可将所有像素划分两类： c o = ( o ，1 ，2 ，f ) 和 g = ( ，+ 1 ，t + 2 ，l - 1 ) ，其中： c o 产生的概率为： = p = 以r ) ( 2 3 ) c l 产生的概率为： m = p t = 1 - w ( t ) ( 2 4 ) c 0 的平均值为： 心= 喜薏= 铬 组5 ， f t o7 y ow v ， c l 的平均值为： h = t 窆* t + l 警= 错 泣6 ，h = 警= 絮( 2 6 7 1l ， 式中：所= i p , 是整体图像的灰度平均值；( ，) = i p , 是阈值为t 时的灰 度平均值，所以全部采样的灰度平均值为：脾= 觞+ 嵋鸽，w o + = 1 c o 和c l 类的方差： 露= 喜半 ( 2 7 ) ，l o 砰：l - ! 坠世1 ( 2 8 ) 砰2 三鼍p ( 2 8 ) l z “l 7 y l 类内方差为： 砖= w o 露+ w l 砰 ( 2 9 ) 类间方差为： 以= ( 鸬一心) 2 ( 2 1 0 ) 从卜l 一1 改变t ，求类间方差以为最大值时的t ，此时的t 便是我们要求的 第9 页共5 0 页 阈值。 ( 4 ) p 一参数法一一预先已知图像中目标物体所占比例，选择一个值t h ，使得 前景目标所占毕竟为p ，背景所占比例为1 - p ； ( 5 ) 均匀性度量法一一假设当图像被分为目标物和背景两个类别时，属于同 一类别内的像素值分布应该是均匀的。关于像素间的均匀性，我们采用方差来 度量； 2 3 2 基于边界的分割法 边界是图像中最基本的特征之一，区域之间的边界往往具有灰度不连续性， 当人们看到一个有边缘的物体时，最先看到的就是边缘。一个区域的结束和开 始都取决于其边缘。基于边界分割的方法就是利用灰度的不连续性这个特性。 图像的边缘具有两个属性一一方向和幅度。图像中的像素沿边缘方向变化平缓， 垂直于边缘的方向变化剧烈。这种变化可以用微分算子检测出来。在边界检测 方法中，我们通过计算一阶导数或二阶导数( 一阶导数的幅度值来检测边缘的 存在，二阶导数的过零点来确定边缘的中心位置) 来检测图像中每个像素在其 领域内的灰度变化，从而判断边缘点。基于一阶导数的边缘检测算子包括s o b e l 算子、r o b e r t s 算子、l a p l a c i a n 算子、p r e w i t t 算子等。在图像中的用梯度算子计 算一阶导数，拉普拉斯算子计算二阶导数。 梯度算子 v = 针 对 出 动 砂 ( 2 1 1 ) 拉普拉斯算子 v 2 = 警+ 孑 有一点值得注意的是：边缘检测不能得到最终的分割结果，因为单独的边 缘检测只能产生边缘点，而不是一个完整意义上的图像分割过程，这样边缘点 信息需要后续处理或与其他分割算法结合起来，才能完成分割任务。 第l o 页共5 0 页 2 3 3 基于区域的分割法 此方法的原理是：把图像中具有某种相似性质的像素连通起来构成最终图 像中要分割的区域。比较其他的分割方法在分割空间上存在不连续的缺点，此 方法充分利用了所获图像的局部空间信息，克服了分割不连续问题。但它在一 定程度上会使得图像过度分割。基于区域的分割方法包含两种情况： ( 1 ) 区域生长一一它从全图出发，查找每个像元的区域归属，其根据区域特 征一致性的标准，来分割子区域；首先我们找图像中一个像素作种，然后在种 子附近的区域去找和种子具有相同或者相近性质的像素进行合并，接着将这些 新像素当做新种子继续之前的过程，直到没有可以接受的领域像素就停止生长。 种子的正确选择，如何定义像素的相似性，什么是停止生长的条件和准则等因 素都会影响区域生长法的使用效果。我们可以从这些方面来进行设置相关的因 素。选择的种子可以是单个的也可以是若干个像素的区域。一般情况种子的选 取需要先验知识；相似性考虑灰度的相似性、纹理的相似性、梯度的相似性等； ( 2 ) 区域分裂与合并一一将图像分成多个子区域，然后对每个子区域进行分 析，用灰度均值、方差来计算此区域是否满足一致性原则，如果不满足，就将 此区域进一步分裂成更小的子区域，如果满足就不再分裂。同时我们还对相邻 的两个子区域进行判断，看它们是否满足某个相似性准则，如果满足就将它们 进行合并，不满足就不合并；这样的分裂和合并一直做下去，直到没有可以分 裂和合并的子区域为止。使用分裂合并法可以实现图像自动细化分割运算，不 同目标的区域和边界用分裂算法可以找出。同一物体的领域通过合并运算被合 并，这样虚假的边界也可以被消除。分裂合并可以分开进行也可以同时进行。 它对比较负责的图像分割效果较好。 区域生长法获得种子点需要人工交互，需要在每个要进行分割的区域植入 一个种子点；区域分裂合并法不需要事先植入种子点； 2 3 4 结合特定理论工具的分割方法 近年来，随着各学科许多新理论和新方法的提出，人们也开始尝试对传统 的图像分割算法进行改进，除了对算法本身所涉及的理论进行深入探讨，更热 衷于把新理论、新手段、新工具注入到传统算法中去，让传统算法焕发活力， 更好的去适应要求越来越高的图像分割。 第1 1 页共5 0 页 ( 1 ) 基于数学形态学的图像分割方法幢卜2 2 1 ：分析图像中各个目标的形状，用 相似形状的结构元素去进行比对，达到提取和识别相应物体的目的。这种分割 算法的不足是耗时较多； ( 2 ) 基于模糊技术的图像分割方法乜3 2 4 1 ：随着模糊数学在各个领域的应用 发展，它的重要性也越来越被人们认识。在图像分割研究领域，由于获取的图 像本身有可能存在的信息不全面，不准确，这些不确定因素会直接影响图像分 割的效果，于是研究者将模糊数学引入到了图像分割领域，特别是在一些医学 图像上应用比较多。 ( 3 ) 基于人工神经网络技术的图像分割方法瞳5 1 ：使用神经网络来进行知识， 得到一个决策函数，再用此决策函数对分割图像中每个像素进行分类，以此来 达到分割图像的目的。神经网络对传统聚类方法进行了挑战，为寻找聚类创造 了新手段。目前使用的神经网络模型有s o f m 神经网络、l e g i o n 神经网络 模型、前向反馈神经网络等。神经网络在解决如c t 图像、遥感图像、声纳图 像等一系列复杂的图像分割方面显示了其特有的优势，但解决问题的机理很难 理解，网络节点个数、网络层数等的设计还缺乏比较系统的理论指导。 ( 4 ) 基于遗传算法的图像分割方法乜们：图像分割的实质是在众多的参量中去 寻找一个最优参量，以此作为分隔的依据。由于遗传算法在搜索方面具有很强 的优势，人们已经将它应用到了各种类型的优化问题上，并取得了很好的效果。 图像分割中引入遗传算法去求取最佳阈值，可以大大提高传统阈值方法的分割 效率。 ( 5 ) 基于小波分析和变换的图像分割方法：由于边缘上图像的灰度级不连 续，具有奇异性。基于小波变换的边缘检测进行图像分割的方法，是利用小波 系数的多分辨率特征，小波分析的局部化特性，获得不同尺度下领域特征。根 据这些小波特征可以进行模式分类，图像分割。另外，利用小波分解后的高频 信息，还可以进行多尺度边缘检测。 目前，基于小波分析的图像分割与边缘检测可以分为两大类：一类是基于 滤波器尺度的多尺度图像分割方法；或是直接构造边缘算子作用于原图像函数 以检测边缘；或是先通过小波变换获得图像地多尺度特征，然后对像素进行分 类和分割。另一种是构造基于像素点外的尺寸及灰度级差的多尺度函数，并以 第1 2 页共5 0 页 此函数构造边缘映射。这种方法集成了边界和区域处的特征信息，具有潜在的 研究价值。 第1 3 页共5 0 页 第三章遗传算法 美国m i c h i g a n 大学的j o h n h h o l l a n d 等人在二十世纪七十年代首次提出 了遗传算法乜刀( g e n e t i ca l g o r i t h m s ，g a ) ，g a 是以d a r w i n 的生物进化论为基础， 模拟自然界中优胜劣汰、自然选择、适者生存和物种遗传的思想来搜索求解空 间的最优解。 3 1 遗传算法的基本概念 遗传算法( g a ) 是一种借鉴生物界自然选择和进化机制的随机搜索算法。 它具有高度并行、随机、自适应搜索等特点。它起源于对生物系统所进行的计 算机模拟研究，结合了生物遗传特点和进化机制，适合复杂系统的优化乜引。 生物进化的主要过程是染色体进行交叉、变异以此得到新的染色体，构建 新的生物个体。遗传算法的研究者针对所研究的问题，采用合适的编码方式进 行编码来表示问题的可行解，再结合选择、交叉、变异等遗传算子妇钉来模拟生 物进化过程，达到寻求最佳解的目的。遗传算法是一种高效、并行、全局搜索 的方法