基于分层抽样和遗传算法的自动多阈值图像分割.docVIP

基于分层抽样和遗传算法的自动多阈值图像分割 姜允志1　郝志峰1,2 林智勇3 袁淦钊1 (1. 华南理工大学 计算机科学与工程学院, 广东 广州 510006; 2. 广东工业大学 计算机学院,广东 广州 510006;3. 广东技术师范学院 计算机科学学院 广东 广州 510665 图像分割是把图像分割成若干具有独特性质的区域并从中提取出感兴趣目标的过程.在对图像的研究和应用中,人们往往仅对图像的某些部分感兴趣(目标或背景),这些部分对应于图像中特定的、具有独特性质的区域.为了分析和识别目标,需要把它们分割并提取出来.图像分割是通往图像分析与理解的一个关键步骤,它在实际中己得到广泛的应用,其中包括工业自动化、在线产品检测、文档图像处理、遥感和生物医学图像分析、保安检测以及军事、体育和农业工程等方面. 图像分割方法主要可以分为三类:阈值分割、基于边缘检测和连接的分割以及区域分割.其中,阈值分割是最基本和应用最广泛的分割技术:其实现简单、计算量小且性能较稳定.阈值分割可进一步分为单阈值和多阈值分割.直至目前,出现了大量的阈值分割算法,而且这些算法也成功地应用于许多领域.但是,图像分割仍然是一个公认的难题.此外,随着图像技术的发展,人们对更高效、更精确的分割算法的需求也越来越迫切. 文献[1]总结了2003年以前的40种经典的阈值分割方法,它们被按照分割时考虑的图像信息而分为六类：直方图形状、测试空间聚集度、熵、目标属性、空间相关性和局部灰度面. 但是这些方法一般是根据某个特定的优化函数在整个灰度范围内有哪些信誉好的足球投注网站最优阈值.它们对单阈值分割很有效,但是对多阈值分割就会出现有哪些信誉好的足球投注网站空间大、计算复杂度高的问题.另外,多阈值分割阈值数的选择一直是困扰人们的难点,究竟多少个阈值及需如何选取才能得到最佳的分割效果, 这是至今仍未解决的公开难题. 多阈值分割实质是一个优化问题.最近几十年发展起来的以遗传算法等为代表的智能优化算法[2]是一类高效的优化技术,在诸多工程领域得到成功应用;它们具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理及大规模空间寻优的优点,这正好适用于解决多阈值分割中所遇到的难题.于是,近几年涌现了一批基于智能优化算法的多阈值分割算法,其中有代表性的包括：基于遗传算法的[3-11]、基于粒子群算法的[12-15]、基于蚁群算法的[16-17]、基于神经网络的[18-19]、基于模糊计算的[20-22]以及基于模拟退火算法的[23]等等.这些基于智能优化的分割算法具有以下特点：1)优化函数多数采用Otsu方法[1,15]、熵函数[5,8,13,17,25]或最小贝叶斯误差函数等;2)通过设计一些独特的计算技巧来提高算法性能[11,29];3)通过拟合直方图的概率分布得到相应的优化函数[9,14];4)运用智能优化的主要目的是为了求解所要分割图像的优化函数. 其中文献[3]先用小波变换进行直方图约简以减少计算时间,然后采用ATC优化准则[24]做为适应值函数.此外文献[3]还对2007年以前用智能优化算法解决多阈值分割问题的背景做了简要的介绍. 除此之外,近期基于其他方法的多阈值分割算法也取得了较好的效果,比如文献[26]基于粗糙集理论和[27]基于相关向量机的分割算法. 在本文的工作中,我们研究基于分层抽样和遗传算法的自动多阈值分割(AMT-SSGA).与现有的算法不同,它没有采用传统的Otsu优化函数或熵函数,而是采用一种新的局部优化函数. AMT-SSGA通过分层抽样和遗传算法(GA)相结合的方法先对阈值数和阈值进行初步的预测,然后通过一个确定性的算法对他们进行优化.GA只是用来优化子样本的选取并且仅使用了变异算子,这使得算法的这一阶段非常适合并行处理.此外,AMT-SSGA还具有如下特点:1)无需事先考虑图像的纹理和分割数等先验信息,具有较高的易用性;2)算法的计算复杂性对图像阈值个数不敏感;3)无需进行灰度直方图分析;4)在Berkeley图像分割数据集上的大量仿真实验表明,算法能获得准确、快速和稳定的图像分割. 本文的结构如下:详细的算法原理和流程将在第一部分阐述;第二部分对算法的抽样方法、优化方法及算法复杂度做了分析;第三部分是仿真实验;第四部分给出总结与展望. 1 算法原理与流程 AMT-SSGA由如下相继的4个步骤组成:1)将一副图像看成是由像素值组成的总体,运用分层抽样得到若干子样本;2)在每一个子样本中运用遗传算法以极大化样本的均值与方差比;3)基于获得的样本信息对阈值数目和阈值进行自动预测;4)对阈值数和阈值作进一步的优化.图1是AMT-SSGA的流程图.接下来,我们将对各个步骤进行详细描述. 图1 AMT-SSGA流程图 1)分层抽样 分层抽样是先将总体中的所有单位按照某种特征或标志划分成