logo资料库

基于遗传算法的图像分割毕业论文.doc

发布时间：2022-06-28 发布人：admin 分类：说明书 资料大小：0.08M 资料格式：doc 举报 版权申诉
第1页 / 共20页
第2页 / 共20页
第3页 / 共20页
第4页 / 共20页
第5页 / 共20页
第6页 / 共20页
第7页 / 共20页
第8页 / 共20页
资料共20页，剩余部分请下载后查看
    基于遗传算法的图像分割研究 摘要：遗传算法是对生物进化论中自然选择和遗传学机理中生物进化过程的模 拟来计算最优解的方法。遗传算法具有众多的优点,如鲁棒性、并行性、自适应 性和快速收敛,可以应用在图像处理技术领域中图像分割技术来确定分割阈值。 图像分割是图像处理技术的研究对象之一,它对于图像特征提取、图像识别等图 像处理技术等有着重要意义。主要研究基于遗传算法的图像分割效果,采用 Matlab 软件进行仿真实验,对不同图像分割算法的效果进行比较。实验表明,遗 传算法是处理图像分割的优秀算法,图像分割效果相比于传统的图像分割算法效 果更佳。 关键词:图像分割; 阈值计算; 遗传算法; 图像特征 指导老师签名：
    Study on Image segmentation based on genetic algorithm Abstract:Genetic algorithm is an optimal solution method of using natural selection in biological evolution and biological evolution in genetic mechanism. Genetic algorithm has many advantages such as robustness , parallel , adaptive , and fast convergence , can be used in the field of image processing to determine the threshold value. Image segmentation is one of the object s of image processing , it is meaningful to the image feature extraction , image recognition and other image processing technologies. The image segmentation effect based on genetic algorithm of using MATLAB software to simulate the different image segmentation algorithms and compare the result . Experiments indicate that the genetic algorithm is out standing to deal with the image segmentation ,the result s is more outstanding than traditional image segmentation algorithm. Keywords : image segmentation ;threshold computation ;genetic algorithm; image feature Signature of supervisor:
    第一章 绪论 1．1遗传算法 1．1．1遗传算法的提出 智能计算也有人称之为“软计算”，是人们受自然(生物界)规律的启迪，根 据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造， 这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用 仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多， 主要包括遗传算法、群体智能算法等。各种智能计算方法有以下一些共同的特点： (1)它们大都引入了随机因素，因此具有不确定性。不少计算过程实际上是在计 算机上作随机过程的模拟。 (2)它们大都具有自适应机制的动力体系或随机动力体系，有时在计算机过程中 体系结构还在不断调整。 (3)这些算法都是针对通用的一般目标而设计的，它们不同于针对特殊问题而设 计的算法。 (4)其中不少算法在低维或简单的情况下的效果不佳，但是到了高维复杂情况下 具有很强的竞争力。 1975年，美国密歇根大学的心理学教授、电子工程学与计算机科学知名教授 Holland和他的同事与学生共同研究了具有开创意义的遗传算法理论和方法。遗 传算法最初被研究的出发点不是为专门解决最优化问题而设计的，它与进化策 略、进化规划共同构成了进化算法的主要框架，都是为当时人工智能的发展服务 的。迄今为止，遗传算法是进化算法中最广为人知的算法。该算法是一种借鉴生 物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。概括地 讲，它使用了群体搜索技术，将种群代表一组问题解，通过对当前种群施加选择、 交叉和变异等一系列遗传操作，从而产生新一代的种群，并逐步使种群进化到包 含近似最优解的状态。由于其思想简单、易于实现以及表现出来的鲁棒性，遗传 算法广泛地渗透到许多应用领域，特别是近年来在问题求解、优化和搜索、机器 学习、智能控制、模式识别和人工生命等领域取得了许多令人鼓舞的成就。以遗 传算法为核心的进化计算，己与模糊系统理论、人工神经网络等一起成为计算智 能研究中的热点，受到广泛的关注。 1．1．2遗传算法研究概况 对遗传算法的研究主要集中在算法的理论基础，算法结构，算法参数选择，
    算法与其他算法的比较，算法的应用等方面。 在算法的数学基础研究方面，Holland的模式理论奠定了GA的数学基础，进 而Bertoni和Dorigo推广了此研究。模式定理中模式适合度是难以计算和分析的， Bethke运用了walsh函数和模式转换发展了有效的分析工具，Holland扩展了这种 算.Goldberg首先运用．walsh模式转换法设计出了最小GA一欺骗问题并进行了详 细分析。遗传算法全局收敛性的分析已经取得了突破，使用的主要数学工具是马 尔科夫链。Goldberg和Segrest首先使用了马尔科夫链分析了遗传算法，Eiben 等用马尔科夫链证明了保留最优个体的GA的概率性全局收敛，Rudolph用齐次有 限马尔科夫链证明了带有复制、交换、突变操作的标准遗传算法收敛不到全局最 优解，不适合于静态函数优化问题，建议改变复制策略以达到全局收敛用。Back 和Muhlenbein研究了达到全局最优解的遗传算法的时间复杂性问题。 遗传算法计算中的瓶颈是群体适合度函数的计算，为了克服群体数大造成的 计算费时，Krishnakumar提出了称为uGA的小群体方法，群体数取为五，其仿真 结果显示了较高的计算效率和适用于动态系统优化的潜力，但理论上的分析与更 严格的实验尚待进行。二进制编码的遗传算法进行数值优化时，有精度不高的缺 点。Schraudo1ph和Belew提出了参数动态编码(DPE)的策略，类似于Schaffe对搜 索空间尺度变换的方法，是一种提高GA精度的新的结构形式。遗传本质上是进行 无约束优化的；简单约束尚能处理，复杂约束问题尚待研究。Androulakis等提 出一种扩展遗传搜索算法(EGS)，采用实数编码，把搜索方向作为独立的变量处 理，文中报道对无约束和有约束问题均有较好结果，但无详细实验过程。为了克 服早熟收敛，Poths等提出了基于迁移和人工选择的遗传算法(GAMAS)，利用四组 群体进行宏进化，类似于并行实现的思想，结果显示了较好的性能。遗传算法具 有天然并行的结构，目前一般在串行机上实现。遗传算法并行实现的研究由来己 久并颇有前景，因为它的计算瓶颈是适合度的计算，Grefenstette全面研究了遗 传算法并行实现的结构问题，给出的结构形式有：同步主从式，半同步主从式， 非同步分布式及网络式等。 遗传算法的应用研究比理论研究更为丰富，已渗透到许多学科。遗传算法的 应用按其方式可分为三大部分，即基于遗传的优化计算，基于遗传的优化编程、 基于遗传的机器学习，分别简称为遗传计算，遗传编程，遗传学习。 遗传计算是GA最直接、最简单的应用，其面也最广。自De Jong起，函数优 化已成为经典的例子，常规采用二进制编程，目前使用实数编码的研究增多。与
    函数优化问题区别最大的是组合优化问题，使用序号编码，使用特殊的交换操作。 在自动控制学科中，Michalewic等用浮点数编码的GA研究了离散时间最优控制问 题；陈根社运用GA进行了Riccati方程求解。Murdock等用GA分析了控制系统的鲁 棒稳定问题, Krisnakumar等用GA进行了航空控制系统的优化。Potter等运用GA 研究了数字PID控制器的调节。Kristinsson和Dumant深入研究了连续和离散的系 统的参数辨识问题，用GA寻找零极点。Park等研究了一种新的基于遗传的模糊推 理系统，用于产生优化参数集，获得了良好的性能。自动控制是近年来GA应用的 活跃领域，由于GA有天然的增强式学习能力，因此在系统辨识、非模型控制系统 设计，模糊控制器设计等方面的研究将会更为深入。以上的研究大多只是原理性 的，面对实际应用对象的很少，以后的研究将会向实用性推进。在机器人学中， Davidor研究了把机器人当作模型未知的生物体，运用遗传算法优化机器人的连 续轨迹精度。Yun和Xi研究了在机器人关节空间运用遗传算法求最优轨迹。Pearce 用遗传算法学习机器人行为之间的协调参数。Parker和Goldberg研究了用GA求解 冗余度机器人的逆运动学方程。Uevama和Fukuda等运用GA研究了细胞机器人系统 的结构位形优化、运动规划以及行为协调。机器人是复杂的难以精确建模的系统， 可以自然地类比为生物体，运用GA对机器人结构、运动行为进行优化的研究将更 为活跃和深入。 遗传算法己渗透到了许多学科，如工程结构优化、计算数学、制造系统、航 空航天、交通、计算机科学、通信、电子学、电力、材料科学等。 1．2图像分割技术的研究现状 图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的 高度重视，至今已提出上千种分割算法。但因尚无通用的分割理论，现提出的分 割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。另外， 还没有制定出选择使用分割算法的标准，这给图像分割技术的应用带来许许多多 实际问题。最近几年又出现了许多新思路，新方法或改进算法。根据近年来的研 究情况，可将图像分割方法分为如下四类： 1．阈值分割方法． 阈值分割方法的历史可追溯到近40年前，现己提出了大量算法，对灰度图像 的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图 像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的象素分为 两类，这两类象素一般分属图像的两类区域，从而达到分割的目的。从该方法中
    可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值 确定的研究上。阈值分割方法根据图像本身的特点，可分为单阈值分割方法和多 阈值分割方法；也可分为基于象素值的阈值分割方法、基于区域性质的阈值分割 方法和基于坐标位置的阈值分割方法。若根据分割算法所有的特征或准则，还可 以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、 共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特 征空间聚类法、基于过渡区的阈值选取法等。 2．基于边缘的分割方法 图像最基本的特征是边缘，它是图像局部特性不连续(或突变)的结果。例如， 灰度值的突变、颜色的突变、纹理的突变等。边缘检测方法是利用图像一阶导数 的极值或二阶导数的过零点信息来提供判断边缘点的基本依据，经典的边缘检测 方法是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割，如Roben算子、 S0bel算子、Prewitt算子、Laplacian算子等。根据检测边缘采用方式的不同， 边缘检测方法大致包括以下几类：基于局部图像函数的方法、多尺度方法、图像 滤波法、基于反应一扩散方程的方法、多分辨分法、基于边界曲线拟合方法、状 态空间搜索法、动态规划法、边界跟踪法、哈夫变换法等。 3．基于区域的分割方法 区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的 分割区域。它利用了图像的局部空间信息，可有效的克服其它方法存在的图像分 割空间不连续的缺点，但它通常会造成图像的过度分割!。在此类方法中，如果 从全图出发，按区域属性特征一致的准则，决定每个像元的区域归属，形成区域 图，这常称之为区域生长的分割方法；如果从像元出发，按区域属性特征一致的 准则，将属性接近的连通像元聚集为区域是区域增长的分割方法；若综合利用上 述两种方法，就是分裂—合并的方法。区域生长法的基本思想是将具有相似性质 的象素合起来构成区域，具体做法是选给定图像中要分割的目标物体内的一个小 块或者说种子区域，再在种子区域的基础上不断将其周围的象素点以一定的规则 加入其中，达到最终将代表该物体的所有象素点结合成一个区域的目的，该方法 的关键是要选择合适的生长或相似准则。生长准则一般可分为3种：基于区域灰 度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则。分裂合并法 是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成 大区域，达到分割图像的目的。
    4．结合特定理论工具的分割方法 图像分割至今为止尚无通用的自身理论。近年来，随着各学科许多新理论和 新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技 术。 (1)基于数学形态学的分割技术：其基本思想是用具有一定形态的结构元素 去量度和提取图像中的对应形状以达到对图像分析和识别的目的。由于形态学对 图像分割具有优异的特性，使其在未来的图像分割中起主导作用。但该方法的主 要缺陷还不能很好地解决耗时问题，将其与一些节约时间的措施结合起来，是图 像分割的一种趋势。 (2)基于模糊技术的图像分割方法：基于模糊集合和逻辑的分割方法是以模 糊数学为基础，利用隶属决图像中由于信息不全面、不准确、含糊、矛盾等造成 的不确定性问题，该方法在医学图像分析中有广泛的应用。 (3)基于人工神经网络技术的图像分割方法：基于神经网络的分割方法的基本 思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对象素进行分 类来达到分割的目的。近年来，还出现了人工神经网络技术和模糊技术结合应用 于图像分割中。 (4)遗传算法在图像分割中的应用：遗传算法是基于进化论自然选择机制的、 并行的、统计的、随机化搜索方法。对此，科学家们进行了大量的研究工作，并 成功地将它们运用于各种类型的优化问题，在分割复杂的图像时，人们往往采用 多参量进行信息融合，在多参量参与的最优值的求取过程中，优化计算是最重要 的，把自然进化的特征应用到计算机算法中，将能解决很多困难。遗传算法的出 现为解决这类问题提供了新而有效的方法，它不仅可以得到全局最优解，而且大 量缩短了计算时间。 (5)基于小波分析和变换的分割技术：该方法是借助新出现的数学工具小波变换 来分割图像的一种方法，也是非常新的一种方法。小波变换是一种多尺度多通道 分析工具，比较适合对图像进行多尺度的边缘检测。例如，可利用高斯函数的一 阶或二阶导数作为小波函数，利用Mallat算法分解小波，然后基于马尔算子进行 多尺度边缘检测，这里小波分解的级数可以控制观察距离的“调焦”，而改变高 斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低，抗 噪声能力强。理论证明，以零点为对称点的对称二进小波适应检测屋顶状边缘， 而以零点为反对称点的反对称二进小波适合检测阶跃状边缘。近几年来多进制
    (Multi-Band)小波也开始用于边缘检测。另外，利用正交小波基的小波变换也可 提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型。 利用小波变换和其它方法结合起来用分割技术也是现在研究的热点。 虽然近年来研究成果越来越多，但由于图像分割本身所具有的难度，使研究 没有大的突破性的进展。仍然存在的问题主要有两个：其一是没有一种普遍使用 的分割算法；其二是没有一个好的通用的分割评价标准。 1．3主要研究内容 本课题在研究过程中，参考了大量中外文文献，并借鉴了现有的研究成果， 将遗传算法应用于图像分割的研究。本文的主要章节安排如下： 首先对遗传算法的研究现状及图像分割技术的研究现状进行了综述。 第二章对遗传算法进行研究，较全面的介绍了遗传算法，包括遗传算法的基 本原理、算法模型、算法特点。 第三章讨论了图像分割算法方法及其应用的研究进展，对多种类型的图像分 割方法进行归纳，分析各自特性。 第四章将遗传算法在图像分割中的应用研究阐述了基于遗传算法在图像分 割领域的应用现状，给出了遗传算法应用于图像分割的步骤。 最后总结了论文，提出今后有待于研究和探讨的问题。
    分享到：
    赞 收藏

    相关推荐

    资料库

    音视频

    共收录313份资料，累计4个分类，关注成员有19位，主要包括：图像识别,直播技术,编解码,图像处理

    热门标签

    图像识别 直播技术 编解码 图像处理

    最新资料