遗传算法及其在图分割中的应用.pptVIP

目录 遗传算法简介 图像分割简介 一维最大熵阈值分割 二维最大熵阈值分割 遗传算法基本思想 从初始化的群体出发， 通过随机选择(复制)（使群体中优秀的个体有更多的机会传给下一代），交叉（体现了自然界中群体内个体之间的信息交换），和变异（在群体中引入新的变种确保群体中信息的多样性）等遗传操作，使最具有生存能力的染色体以最大可能生存, 群体一代一代地进化到有哪些信誉好的足球投注网站空间中越来越好的区域. 基本遗传算法的构成要素 基本遗传算法的形式化定义 基本遗传算法描述 基本遗传算法的实现 二）个体适应度评价 三）选择算子 选择算子 轮盘赌选择 特点：每次选择一个个体。 若要选择n个个体，则要单独运行n次。 轮盘选择示例 交叉算子 变异算子 实例：遗传算法求函数极值 图像分割 　 图像分割是自动目标识别的关键和首要步骤,其目的是将目标和背景分离,为计算机视觉的后续处理提供依据。 通常图像分割包括阈值法、边缘检测法和区域跟踪法。其中阈值法是图像分割的常用方法。 目前，已有众多的阈值分割方法，如最小误差阈值法、最大类别方差法(Otsu 法) 及最佳直方图熵法。 Kapur 等人所提出的最佳熵阈值方法 (简称为KSW熵法) ，不需要先验知识，而且对于非理想双峰直方图的图像也可以进行分割。但在确定阈值时，尤其是确定多阈值时，计算量很大。 遗传算法是一具有鲁棒性、并行性的优化算法,因此利用遗传算法实现KSW最佳熵阈值确定法，可以缩短寻找阈值的时间，从而有利于计算机视觉的后续处理。 图像分割简介 图像分割简介 阈值分割 阈值分割 阈值分割 最大熵阈值分割 基本思想 一维最大熵阈值分割 一维最大熵阈值分割 一维最大熵阈值分割 遗传算法实现 （1）编码：由于图像灰度值在0～255 之间，故将各个染色体编码为8 位二进制码，它代表某个分割阈值。 （2）初始种群：随机产生。初始种群的个体为随机产生的,其相应的适应度值也各有高低。设置种群大小为10 ，最大繁殖代数为50。 （3）解码：对二进制染色体数解码为0～255 之间的值，以计算其适应度值。 （4）适应度函数：采用上 式为适应度值函数。 （5）选择算子：进行轮盘赌算法。选择概率0.9。 （6）交叉算子：采用单点交叉，交叉概率为0.6。 （7）变异算子：变异概率为0. 01. （8）终止准则：当算法执行到最大代数时停止运行，具有最高适应度值的个体即为分割阈值。 实验结果 一维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 二维最大熵阈值分割 （1）编码：将单阈值分割中的8 位二进制码串改为16 位,前8 位表示一个门限值,后8 位表示另一个门限值. （2）初始种群：随机产生。初始种群的个体为随机产生的,其相应的适应度值也各有高低。设置种群大小为20 ，最大繁殖代数为100。 （3）解码：对二进制染色体数组解码为两个0～255 之间的数作为双阈值. （4）适应度函数：采用上 式为适应度值函数。 （5）选择算子：进行轮盘赌算法。选择概率0.9。 （6）交叉算子：采用双点交叉，随机产生的两个交叉点分别位于前8 位和后8 位。交叉概率为0. 6.。 （7）变异算子：变异概率为0. 01. （8）终止准则：当算法执行到最大代数时停止运行，具有最高适应度值的个体即为分割阈值。 实验结果 总结 遗传算法简介 图像分割简介 一维最大熵阈值分割 二维最大熵阈值分割 阈值化分割算法主要有两个步骤： (1) 确定需要的分割阈值； (2) 将分割阈值与像素值比较以划分像素。 将信息论中Shannon 熵概念用于图像分割，测量图像灰度直方图的熵，由此找出最佳阈值，其出发点是使图像中目标与背景分布的信息量最大。 利用图像的灰度分布密度函数定义图像的信息熵，根据假设的不同或视角的不同提出不同的熵准则，最后通过优化该准则得到阈值。 所谓灰度的一维熵最大：就是选择一个阈值，使图像用这个阈值分割出的两部分的一阶灰度统计的信息量最大。 根据Shannon 熵的概念,对于灰度范围{0 ,1 ,?, L- 1} 的图像直方图,其熵测量为 目标区域和背景区域的熵分别定义为： 其中 Pi i O B t 一维直方图 定义熵函数为： 其中 当熵函数取最大值时对应的灰度值 t* 就是所求的最佳阈值，即： 目标函数 0.073 118 穷举法 0.043 118 遗传算法 时间（s） 阈值 方法 原始图像 分割结果 缺点：由于一维最大熵阈值分割基于图像的原始直方图，仅仅利用了点灰度信息，而未充分利