图像分割技术研究--毕业论文.doc

《图像分割技术研究--毕业论文.doc》由会员分享，可在线阅读，更多相关《图像分割技术研究--毕业论文.doc（39页珍藏版）》请在三一文库上搜索。

1、本本 科科 毕毕 业业 论论 文文 图像分割技术研究 Survey on the image segmentation 学院名称： 电气信息工程学院 专业班级： 电子信息工程 0601 班 2010 年 6 月 I 图像分割技术研究图像分割技术研究 摘要摘要 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部 分，也是图像处理、模式识别等多个领域中一个十分重要且又十分困难的问题。在图像 处理过程中，原有的图像分割方法都不可避免的会产生误差，这些误差会影响到图像处 理和识别的效果。 遗传算法作为一种求解问题的高效并行的全局搜索方法，以其固有的鲁棒性、并行性 和自适应性，使之非

2、常适于大规模搜索空间的寻优，已广泛应用许多学科及工程领域。 在计算机视觉领域中的应用也正日益受到重视，为图像分割问题提供了新而有效的方法。 本文对遗传算法的基本概念和研究进展进行了综述；重点阐述了基于遗传算法的最大 类间方差进行图像分割算法的原理、过程，并在 MATLAB 中进行了仿真实现。实验结果表 明基于遗传算法的最大类间方差方法的分割速度快，轮廓区域分割明显，分割质量高， 达到了预期目的。 关键字关键字： 图像分割；遗传算法；阈值分割 Survey on the image segmentation Abstract Image segmentation is the first ste

3、p of image processing and the basic of computer vision. It is an important part of the image, which is a very important and difficult problem in the field of image processing, pattern recognition.In image processing process, the original method of image segmentation can produce inevitable errors and

4、 these errors can affect the effect of image processing and identification . This paper discusses the current situation of the genetic algorithms used in the image segmentation and gives some kind of principles and the processes on genetic algorithm of image segmentationIn this paper.It also descrip

5、ts the basic concepts and research on genetic algorithms .It emphasizes the algorithm based on genetic and ostu and realizes the simulation on Matlab. The experimental results show that this method works well in segmentation speed， the outline of the division and separate areas of high quality and a

6、chieve the desired effect. Genetic algorithm (GA) is a sort of efficient，paralled，full search method with its inherent virtues of robustness，parallel and self-adaptive characters. It is suitable for searching the optimization result in the large search space. Now it has been applied widely and perfe

7、ctly in many study fields and engineering areas. In computer vision field GA is increasingly attached more importance. It provides the image segmentation a new and effective method. Key words image segmentation； genetic algorithm； image threshold segmentation 0 目录目录 第一章 绪论 1 1.1 本课题研究的背景、目的与意义 1 1.2

8、 本课题研究的现状与前景 2 1.3 本论文的主要工作及内容安排 3 第二章 图像分割基本理论 4 2.1 图像分割基本概念 4 2.2 图像分割的体系结构 4 2.3 图像分割方法分类 5 2.3.1 阈值分割方法 5 2.3.2 边缘检测方法 8 2.3.3 区域提取方法 9 2.3.4 结合特定理论工具的分割方法 .10 2.4 图像分割的质量评价 .11 第三章 遗传算法相关理论 .12 3.1 遗传算法的应用研究概况 .12 3.2 遗传算法的发展 .12 3.3 遗传算法的基本概念 .13 3.4 遗传算法基本流程 .14 3.5 遗传算法的构成 .14 3.5.1 编码 .14

9、3.5.2 确定初始群体 .14 3.5.3 适应度函数 .15 3.5.4 遗传操作 .15 3.5.5 控制参数 .17 3.6 遗传算法的特点 .18 第四章 MATLAB 相关知识.20 4.1 MATLAB 简介 20 1 4.2 MATLAB 的主要功能 20 4.3 MATLAB 的技术特点 21 4.4 遗传算工法具箱(SHEFFIELD工具箱) .22 第五章 基于遗传算法的最大类间方差图像分割算法 .24 5.1 最大类间方差法简介 .24 5.2 基于遗传算法的最大类间方差图像分割 .25 5.3 流程图 .26 5.4 实验结果 .27 第六章 总结与展望 .29 6.

10、1 全文工作总结 .29 6.2 展望 .29 致 谢.30 参考文献.31 附录.32 0 第一章第一章 绪论绪论 1.11.1 本课题研究的背景、目的与意义本课题研究的背景、目的与意义 数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理 和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但 却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的 基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视 觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需 求。 图像分割是图像分

11、析的第一步，是计算机视觉的基础，是图像理解的重要组成部分， 也是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题。 所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与 背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其他伪 目标中分离出来。由于这些被分割的区域在某些特性上相近，因而图像分割常用于模式 识别与图像理解以及图像压缩与编码两大类不同的应用目的。由分割产生的区域是图像 内容的一种表示，它是对图像进行视觉分析和模式识别的基本前提，分割结果的质量直 接影响到以后的图像分析、识别和解释的质量，具有重要的意义。图像分割的目的

12、在于 根据某些特征(如灰度级、频谱、纹理等)将一幅图像分成若干有意义的区域，使得这些 特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。 图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，如:工业自动化、 在线产品检验、生产过程控制、文档图像处理、图像编码、遥感和生物医学图像分析、 保安监视，以及军事、体育、农业工程等方面。在各种图像应用中，只要需对图像目标 进行提取、测量等都离不开图像分割。虽然人们对图像分割已进行了大量的研究，但还 没有一种适合于所有图像的通用的分割算法。所以，图像分割一直以来都是图像技术中 的研究热点。因此，从原理、应用和应用效果等方面来深入研究图像

13、分割技术，对于提 高图像分析和图像理解系统的性能以及提高图像处理技术的应用水平都具有十分重要的 意义。 通常图像具有不确定性，即模糊性，因此图像分割问题目前尚未对不同的图像形成 统一的能达到最优质量分割的方法。多年来，图像分割一直得到人们的高度重视，但它 的研究进展比较缓慢，被认为是计算机视觉中的一个瓶颈。 1 遗传算法是建立在达尔文(Darwin)的生物进化论和孟德尔(Mendel)的遗传学说基础 上的算法。生物体可以通过遗传和变异来适应于外界环境。在进化论中，每一物种在不 断的发展过程中都是越来越适应环境，物种的每个个体的基本特征被后代所继承，但后 代又不完全同于父代，这些新的变化，若适应

14、环境，则被保留下来，否则，就将被淘汰。 亦即适者生存，不适者被淘汰。在遗传学中认为，遗传是作为一种指令遗传码封装在每 个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的 性质。每个基因产生的个体对环境有一定的适应性。基因杂交和基因突变可能产生对环 境适应性强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来。 遗传算法就是模仿了生物的遗传、进化原理，并引用了随机统计理论而形成的。在 求解过程中，遗传算法从一个初始变量群体开始，一代一代地寻找问题的最优解，直至 满足收敛判据或预先设定的迭代次数为止。它作为一种求解问题的高效并行的全局搜索 方法，其主要特点是群体

15、搜索策略和群体中个体之间的信息交换，它能在搜索过程中自 动获取和积累有关搜索空间的知识，自适应的控制搜索过程以求得最优解或近似最优解， 即满意解。 遗传算法作为一种基于达尔文生物进化论的全局优化搜索方法，以其固有的鲁棒性、 并行性和自适应性，为图像分割问题提供了新而有效的方法。它不仅可以得到全局最优 解，而且大大缩短了计算时间。 1.21.2 本课题研究的现状与前景本课题研究的现状与前景 对图像分割方法，特别是近几年图像分割领域中出现的新思路、新方法，或对原有 方法的新的改进给出了一个比较全面的综述，希望能从整体上对这 一难题有一个清晰的 把握，从而对未来的工作有所启发。纵观图像分割技术在这些

16、年的发展，其中有几个明 显的趋势： 1.大量学者致力于将新的概念、新的方法引入图像分割领域，如这几年逐渐引起人 们重视的模糊算法、神经网络利遗传算法、小波分析、粗集理论、数学形态学等理论都 先后被应用于图像分割领域，为领域中的研究注入了新的活力，有效的解决了原有理论 的一部分缺陷，改善了分割效果，更重要的是为图像分割问题的最终解决开拓了新的思 路。随着基础理论研究的深化，这一趋势是必将会继续下去。 2.人们非常重视多种分割算法的有效结合，综合使用两种或两种以上的方法，能够 部分克服单独的图像分割算法难以对一般图像取得令人满意的分割效果的问题，占据了 分割领域中现有文献的大部分。而采取什么样的结

17、合方式才能体现各种方法的优点， 弥 2 补各自的不足， 取得好的预期效果，在未来将仍是人们关注的主要问题之一。 3.针对特定领域的特殊问题，利用这些领域的专业知识来辅助解决图像分割问题， 越来越多的吸引了研究人员的注意力，相应的，对图像分割作为一个统一对象的研究在 逐渐弱化。医学图像处理中的病理图像分割、工业图像分割、安全图像处理中的保密信 息提取、军事图像处理中的雷达图像分割及卫星图像分割、交通图像处理中的车牌识别 等都是近几年来图像分割领域中讨论较多的热点问题。 4.虽然对于彩色图像分割的研究已经有了许多成果， 但是与灰度图像分割方法的多 样性相比，其理论仍不够丰富，近几年，关于彩色图像分

18、割的文献有增加的趋势，有可 能成为一个新的热点方向。 1.31.3 本论文的主要工作及内容安排本论文的主要工作及内容安排 1.介绍分割技术，描述了边缘检测分割算法、区域跟踪分割法、阈值分割法及结合 特定理论工具的分割方法,着重描述了阈值分割法。 2.阐述遗传算法的发展历史、基本概念、基本流程、基本构成，特点以及其应用研 究概况。 3. 简单介绍了一下 MATLAB，包括它的功能跟技术特点，还有本文要用到的遗传算 工法具箱(Sheffield 工具箱) 4.详细介绍基于遗传算法的最大类间方差分割法的数学推导和它的求解步骤，得出 分割结果。 5.总结全文，并给出进一步研究方向及展望。 3 第二章第

19、二章 图像分割基本理论图像分割基本理论 2.12.1 图像分割基本概念图像分割基本概念 图像分割(Image Segmentation)就是将图像表示为物理上有意义的连通区域。人们一 般是通过对图像的不同特征如边缘、纹理、颜色、亮度等的分析达到图像分割的目的。 图像分割通常是为了进一步对图像进行分析、识别、跟踪、理解、压缩编码等，分割的 准确性直接影响后续任务的有效性，因此具有十分重要的意义。图像分割就是把图像分 成各具特性的区域并提取出感兴趣目标的技术和过程。图像分割在有些领域也称目标轮 廓、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术、目标跟踪技术 等。 图像分割是依据图像的

20、灰度、颜色或几何性质将图像中具有特殊含义的不同区域区 分开来，这些区域是互不相交的，每一个区域都满足特定的一致性。分割出来的区域应 该同时满足以下条件： 1.割出来的图像区域的均匀性和连通性。其中均匀性是指该区域中的所有像素点都 满足基于灰度、纹理、彩色等特征的某种相似性准则，连通性是指该区域内存在连接任 意两点的路径。 2.邻分割区域之间针对选定的某种差异显著性。 3.割区域边界应该规整，同时保证边缘的空间定位精度。 假设一幅图像中所有像素的集合为 F，有关均匀性的假设为 P()。分割定义把 F 划 分为若干子集S1，S2，Sn，其中每个子集都构成一个空间连通区域。于是以上条件 可用数学描述

21、如下： (1)FS n j j 1 (2) )(jiSS ji (3)TRUESP j )( (4)FALSESSP ji )( (5) 对于 i=1，2，n，S 是连通的区域 i 4 2.22.2 图像分割的体系结构图像分割的体系结构 图像工程可分三个层次:图像处理(像素)、图像分析(目标)和图像理解(符号)。图像 分割是从图像处理进到图像分析的关键步骤，也是进一步理解的基础。图像分割的体系 结构可以用图 2.1 表示。 基本分割算法 图像分割 分割技术 分割评价 现代分割算法 基本分割算法 现代分割算法 图 2.1 2.32.3 图像分割方法分类图像分割方法分类 图像分割方法有多种分类方式

22、，现将分割方法分为四类：(1)阈值分割方法； (2)边 缘检测方法； (3)区域提取方法； (4)结合特定理论工具的分割方法 2.3.1 阈值分割方法阈值分割方法 阈值分割法是一种简单有效的图像分割方法，最大的特点是计算简单。它用一个或 几个阈值将图像的灰度级分为几个部分，所有灰度值大于或等于某阈值的像素认为属于 物体，所有灰度值小于该阈值的像素认为属于背景。 设(x，y)是二维数字图像的平面坐标，图像灰度级的取值范围是 G=0，1，2，L-1(习惯上 0 代表最暗的像素点，L-1 代表最亮的像素点)，位于坐 标点(x，y)上的像素点的灰度级表示为 f(x，y)。设 tG 为分割阈值，B=b0

23、，bl代表一 个二值灰度级，并且 b0，blB。于是图像函数 f(x，y)在阈值 t 上的分割结果可以表示为： （2.1） tyxfb tyxfb yxf ),(, 1 ),(, 0 ),( 阈值分割法实际就是按某个准则函数求最优阈 t 的过程。阈值一般可写成如下的形式： 5 T=Tx，y，f(x，y)，p(x，y)（2.2） 其中 f(x，y)是在像素点(x，y)处的灰度值，p(x，y)是该点邻域的某种局部性质。借助 上式，将阈值分割方法分为 3 类: (l)全局阈值:T=Tp(x，y)，即仅根据 f(x，y)来选取阈值，阈值仅与各个图像像素 的本身性质有关。 (2)局部阈值:T=Tf(x，

24、y)，p(x，y)，阈值与图像像素的本身性质和局部区域性质 相关。 (3)动态阈值:T=Tx，y，f(x，y)，p(x，y)，阈值与像素坐标，图像像素的本身性质 和局部区域性质相关。 全局阈值对整幅图像仅设置一个分割阈值，通常在图像不太复杂、灰度分布较集 中的情况下采用；局部阈值则将图像划分为若干个子图像，并对每个子图像设定局部阈 值；动态阈值是根据空间信息和灰度信息确定。局部阈值分割法虽然能改善分割效果， 但存在几个缺点： (1)每幅子图像的尺寸不能太小，否则统计出的结果无意义。 (2)每幅图像的分割是任意的，如果有一幅子图像正好落在目标区域或背景区域，而 根据统计结果对其进行分割，也许会产

25、生更差的结果。 (3)局部阈值法对每一幅子图像都要进行统计，速度慢，难以适应实时性的要求。 全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割 图像。阈值分割的方法很多，本文针对实际应用情况，介绍几种常用的阈值分割方法。 1.P-tile 法 P-tile 法是早期的基于灰度直方图的自动阈值选择方法，它假设在亮(灰度级高)背景 中存在一个暗(灰度级低)目标，并且已知目标在整幅图像中所占面积比为 P%。该方法选 择阈值的原则是，依次累计灰度直方图，直到该累计值大于或等于目标物所占面积，此 时的灰度级即为所求的阈值。该方法计算简单，抗噪声性能较好。不足之处是要预先知 道给定目

26、标与整幅图像的面积比 P，因此在 P 未知或 P 随不同图像改变时，该方法不适用。 2.双峰法 假设图像中有明显的目标和背景，则其灰度直方图呈双峰分布，这时图像的直方图 呈双峰且有明显的谷，则将谷所对应的灰度值作为阈值。就可将目标从图像中分割出来。 对于双峰相差较大或谷底宽平的图像并不能有好的分割效果。 6 3.最佳熵自动阈值法 直方图熵法把信息论中“熵”的概念用于图像分割，最早是由 Pun 提出来的，Kapur 对 Pun 提出的熵法进行了改进，这里介绍 Kapur 等人提出的基于两个分布假设的 KSW 熵 方法。根据熵的概念，灰度范围在0， L-1的图像，其熵为 （2.3） 1 0 ln

27、L i ii ppH 其中 p 为灰度级 i 的出现概率。设有阈值 t 将图像划分为目标 W 与背景 B 两类,0， i t的分布和t+1， L-1的分布分别是: pt pt pt p pt p B,. 1 , 0 : ； t L t t t t p p p p p p W 1 ,., 1 , 1 : 121 其中 （2.4） t i it pp 0 令 （2.5） t i iit ppH 0 ln 每个分布对应的熵分别为和)(tHB)(tHW （2.6） t tB p tH ptH )( ln)( （2.7） t t tW p HH ptH 1 )1ln()( 图像的熵 H（t）当熵 H (

28、t)取最大值的 t，将为分割目标与背景两类的最佳阈值。 4.基于灰度期望值的阈值分割 数字图像中的每一个像素值均属于一个有限集，该集合为可能的灰度等级，像素的 取值不同，形成了不同的图像，因此可以用离散随机变量来描述任意一幅图像数据。 设图像的尺寸为 M*N，其灰度值为 L ，L ，L 用离散随机变量 X 来表示图像中 12l 任意像素 u，x1，2， ，M， y 1，2， ， N。图像的灰度分布情况可以 xy 7 用概率分布来描述。 各个灰度级的出现概率为: P =P(L )， P =P(L )， P =P(L )且有 1122ll 1 0 l i i p 对于这种随机变量，可以用下述密度矩

29、阵来描述: （2.8） l l P L P L P L Xp X . . )( 2 2 1 1 可以看出，对于不同的图像，其密度矩阵是不同的。 在对随机变量的统计过程中，期望值是一个十分重要的统计特征，它反映了随机变 量的平均取值。从力学观点来看它代表了物体的质量中心，是随机变量取值较为集中的 地方。由于灰度值在图像中是一个随机变量，所以灰度“中心”可以看作分割的一个最 佳平衡点，它使取黑像素的灰度值和白像素的灰度值均等。设 u 来表示阈值，则有: （2.9） l i ii LpLu 1 )( 若用 h(L )表示图像中灰度 L 出现的次数，则由上式可以推出: nn =（2.10） l i i

30、i LpLu 1 )( l i N j j ii Lh LhL 1 1 )( )( 它摆脱了传统基于直方图的闭值分割法对图像模型的假定，适用范围比较广泛，对 于具有不同灰度的图像均可应用。阈值方法的缺陷主要在于它仅仅考虑了图像的灰度信 息，而忽略了图像的空间信息，对于非此即彼的简单图像处理(如一些二值图像的处理) 是有效的， 但是对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大的重叠 的图像分割问题难以得到准确的分割效果。 2.3.22.3.2 边缘检测方法边缘检测方法 边缘检测分割法是先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分 割区域。边缘是指图像中像素灰度有阶跃变化或

31、屋顶状变化的那些像素的集合。它存在 于目标与背景、目标与目标、区域与区域、基元与基元之间。边缘是灰度值不连续的结 果，这种不连续常可利用求一阶和二阶导数方便地检测到。 实际上数字图像中求导数是利用差分近似微分来进行的，故边缘的检测常借助于空 域微分算子通过卷积完成。边缘检测算子检查每个像素的邻域并对灰度变化率进行量化， 8 通常也包括方向的确定。算子运算时是采取类似卷积的方式，将模板在图像上移动并在 每个位置计算对应中心像素的梯度值。 目前比较常用的有一阶导数算子如:罗伯特边缘(Robert cross)算子，它用的是 2*2 模 板。Robert 算子对具有陡峭的低噪声图像响应最好。为在检测

32、边缘的同时减少噪声的影响， 蒲瑞维特(Prewitt)算子加大了检测算子模板的大小，由 2*2 扩大到 3*3 模板。索贝尔 (Sobel)在 Prewitt 算子的基础上，采用带权的方法计算差分。拉普拉斯算子(Laplace)是不 依赖于边缘方向的二阶微分操作数，它是一个与方向无关的各向同性边缘检测算子。若 只关心边缘点的位置而不顾其周围的实际灰度差时，一般选择该算子。 虽然边缘检测的优点是边缘定位准确、运算速度快， 但它有两大难点限制了其在图 像分割中的应用， 即：不能保证边缘的连续性和封闭性；在高细节区存在大量的碎 边缘，难以形成一个大区域，但又不宜将高细节区分为小碎片。由于上述两个难点

33、，因 此无论采用什么方法，单独的边缘检测只能产生边缘点，而不是完整意义上的图像分割 过程，这也就是说，边缘点信息需要后续处理或与其它相关算法相结合，才能完成分割 任务。常见的方法是用边缘生长技术最大程度的保证边缘的封闭性，或用有向势能函数 (DPF ) 将有缺口的两边缘强制连接，得到封闭边缘图。 2.3.32.3.3 区域提取方法区域提取方法 区域提取法有两种基本形式：一种是从单个象素出发，逐渐合并以形成所需的分割 区域；另一种是从全图出发，逐渐分裂切割至所需的分割区域。在实际中使用的通常是 这两种基本形式的结合。根据以上两种基本形式，区域提取法可以分为区域生长法和分 裂合并法。 1.区域生长

34、方法：区域生长方法从若干种子点或种子区域出发，按照一定的生长准 则，对邻域像素点进行特征判别，将特征相似的相邻像素合并为同一区域；以合并像素 为生长点，继续重复以上操作，最终形成具有相似特征的像素的最大连通集合。其中种 子点可采用人机交互或自动方法设定。用于区分不同物体内像素的性质包括平均灰度值、 纹理或颜色信息。相似性准则可以取像素的灰度值与邻域的灰度均值比较，若差值在接 受范围内则进行合并。这种方法若不考虑像素间的连通性和邻近性，会出现毫无意义的 分类结果。这里依次用图像的每一个像素的灰度值和标准阈值相减，判断结果是否小于 标准差，是则将该点和种子点合并，不是则保持像素点的灰度值不变。 2

35、.区域分裂合并法：区域分裂合并法首先将图像分割为初始的区域，然后按性质相 9 似的准则，反复分开特性不一致的区域、合并具有一致特性的相邻区域，直至形成一张 区域图。这种方法能充分组合图像的全局和局部信息。下面给出一种用金字塔形四叉树 数据结构指导下的分割方法，其步骤如下： (1)确定均匀性测试准则 T，将原始图像构造成四叉树数据结构。 (2)将图像四叉树结构中的某一中间层作为初始的区域划分。如果对任何区域 R，有 T(R)=false，则把区域分裂成 4 个子区，若任一 1/4 子区 Ri，有 H(Ri )=false，则再将该子 区一分为 4 个区域。如果对任一恰当的 4 个子区有 H (R

36、a1U Ra2 U Ra3 U Ra4)=true，则再 把 4 个子区合并成一个区。重复上述操作，直到不可再分或再合为止。 (3)若有不同大小的两个相邻区域 Ri 和 Rj，满足 H(RiURj) =true，则合并这两个区域。 区域分裂一合并法能够较好的保持原图像的特性，这点优于区域增长法处理。但也 存在区域初始划分和选择区域性质一致性度量、边界模糊性度量两个重要的问题。而且 算法结构本身及对数据结构的要求都比较复杂，因此计算量很大。 区域提取法的缺点是往往会造成过度分割 ，即将图像分割成过多的区域 2.3.42.3.4 结合特定理论工具的分割方法结合特定理论工具的分割方法 图像分割技术的

37、发展与许多其他学科和领域如数学 、物理学 、生理学 、电子学 、计算机科学等密切相关。近年来 ，随着各学科新理论和方法的产生，人们也提出了许 多结合特定理论工具的分割方法，例如基于数学形态学的分割方法，基于统计模式识别 的分割方法，基于神经网络的分割方法，基于信息论的分割方法，基于模糊集合和逻辑 的分割方法，基于小波分析和变换的分割方法，基于遗传算法的分割方法等。基于数学 形态学分割方法的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。基于统计模式识别的分割方法的基本思想是将图像 中的象素根据测量结构分为不同的类，每个类都有相似或相近的特征，然后通

38、过学习或 训练，将图像分为不同的目标。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。基于信 息论的分割方法引入了熵的概念，大部分算法借助了求熵极值的方法来达到分割的目的。 基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属度来解决图像中由于信 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。 基于小波分析和变换的分割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，也是现在非常新的一种方法。小波变换是一种多尺度多通道分析工具， 10 比较适合对图像进行多尺度的边缘检测

39、。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 Matlab 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。基于遗传算法的分割方法的基本思想是利用遗传算法

40、具有能是一种迭代 式优化算法并具有合局搜索能力的优点，帮助确定分割阈值。 2.42.4 图像分割的质量评价图像分割的质量评价 一般认为对于图像分割方法的评价可以通过分析和实验两种方式来进行，因此，分 割评价方法可以分为分析法和实验法两大类。分析法是直接分析分割算法的原理及性能； 而实验法是通过对彩色图像的分割结果来评价算法。尽管利用分析法的评估可以免除一 些试验因素的影响，但是，并不是所有的性能都能够通过分析而得到， 而且仅仅从算法 本身的原理及性能出发的分析，往往缺乏足够的说服力，相对而言，实验评估的方法更 具有实际意义。 有关分割方法的实验已提出了不少，大致又可以分为“优度法”和“偏差法”

41、两类。 优度法是建立在人的视觉基础上的某些特性图像为依据的。偏差法则往往需要首先提供 一个理想的分割图像作为比较标准，依此来计算实际分割与理想分割的差别。 Chahnav 等人对图像分割算法的评价就是一种典型的“偏差法” 。其理想分割图像是 若干个操作人员的分割结果，以此为标准，比较计算机分割结果是否与这些标准一致。 实际中，由于目标图像的不可预知性以及能手工分割的专家分割差异的存在和专家的稀 缺性，可供比较的理想分割图像样本很难得到并被统一认定。因此，这类方法在使用上 有很大的局限性。 实验优度法在没有正确分割的先验知识的情况下， 根据分割图形计算某种优度量值 来评价分割算法的好坏。常用的优

42、度量值是区域一致性、区域对比度、区域形状参数等。 11 第三章第三章 遗传算法相关理论遗传算法相关理论 遗传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。其主要特点是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状态。由于其思想简单、易于实现以及表现出来的健壮性，遗 传算法已广泛应用于许多领域。 3.13.1 遗传算法的应用研究概况遗传算法的应用研究概况 目前，遗传算法在很多科学、工程领域得到了广泛的应用。下面列举了一些遗传算 法的应用领域： 1.优化

43、：遗传算法可用于各种优化问题。既包括数量优化问题，也包括组合优化问 题。 2.程序设计：遗传算法可以用于某些特殊任务的计算机程序设计，如元胞计算机。 3.机器学习：遗传算法可用于许多机器学习的应用，包括分类问题和预测问题等， 如预测天气或预测蛋白质的结构。 4.经济学：应用遗传算法对经济创新的过程建立模型，可以研究投标的策略，还可 以建立市场竟争的模型。 5.免疫系统：应用遗传算法可以对自然界中免疫系统的多个方面建立模型，研究个 体的生命过程中的突变现象以及发掘进化过程中的基因资源。 6.生态学：遗传算法可以应用于对生态学的一些现象进行建模，包括生物间的生存 竟争，宿主寄生物的共同进化，共生现

44、象，甚至包括生物学“军备竟赛” 。 7.进化现象和学习现象：遗传算法可以用来研究个体是如何学习生存技巧的，一个 物种的进化对其他物种会产生何种影响等等。 8.社会经济问题：遗传算法可以用来研究社会系统中的各种演化现象，例如在一个 多主体系统中，协作与交流的是如何演化出来的。 3.23.2 遗传算法的发展遗传算法的发展 遗传算法是由美国的 J. Holland 教授于 1975 年在他的专著自然界和人工系统的适 应性中首先提出的，当时并没有引起学术界的关注，因而发展比较缓慢。从 80 年代中 期开始，随着人工智能的发展和计算机技术的进步，遗传算法逐步成熟。遗传算法最初 12 被研究的出发点不是为

45、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。 目前，遗传算法已在组合优化问题求解、自适应控制、程序自动生成、机器学习、 神经网络训练、人工生命研究、经济组合等领域取得了令人著目的应用成果，遗传算法 也成为当前人工智能及其应用的热门课题。 3.33.3 遗传算法的基本概念遗传算法的基本概念 遗传算法是一种基于自然选择和群体遗传机理的搜索算法，它模拟了自然选择和自 然遗传过程中发生的繁殖、杂交和突变现象。在利用遗传算法求解问题时，问题的每个 可能的解都被编码成一个“染色体” ，即

46、个体，若干个个体构成了群体(所有可能解)。在 遗传算法开始时，总是随机地产生一些个体(即初始解)，根据预定的目标函数对每个个 体进行评价，给出了一个适应度值。基于此适应度值，选择个体用来复制下一代。选择 操作体现了“适者生存”原理， “好”的个体被选择用来复制，而“坏”的个体则被淘汰。 然后选择出来的个体经过交叉和变异算子进行再组合生成新的一代。这一群新个体由于 继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着更优解的方 向进化。因此，遗传算法可以看作是一个由可行解组成的群体逐代进化的过程。 遗传算法中的基础术语： 种群(population)和个体(individuals)

47、：遗传算法处理的是染色体，或者叫基因型个体， 通常以一维串结构资料来表现。一定数量的个体组成了种群(population)，或叫集团。 种群规模(population size)：种群中个体的数目称为种群大小，也叫种群规模。 适应度函数(fitness function )：各个个体对环境的适应程度叫做适应度。对于优化问 题，适应度函数就是目标函数。遗传算法对适应度函数并不要求可导等条件，只要求适 应度函数为可加以比较的非负函数。 选择（selection）：根据染色体对应的适应值和问题的要求，筛选种群中的染色体， 染色体的适应度越高，保存下来的概率越大，反之则越小，甚至被淘汰。 交叉（cro

48、ssover）：指在一定条件下两条染色体上的一个或几个基因相互交换位置。 交叉概率：判断是否满足交叉条件的一个小于 1 的阀值。 变异（mutation）：指在一定条件下随机改变一条染色体上的一个或几个基因值。 变异概率：判断是否满足变异条件的一个小于 1 的阀值。 后代：染色体经过交换或变异后形成的新的个体。 13 3.43.4 遗传算法基本流程遗传算法基本流程 遗传算法的主要步骤如下： (1)确定编码。 (2)随机产生初始群体。 (3)对染色体群体迭代地执行下面的步骤，直到满足停止准则；计算群体中每个染色 体的适应度值；应用选择、交叉和变异算子产生下一代群体。 (4)输出最佳个体，算法结束

49、。这个最佳个体做为结果可以表示问题的一个解(或近 似解)。 3.53.5 遗传算法的构成遗传算法的构成 遗传算法中包含了五个基本要素： (1)编码； (2)确定初始群体； (3)适应度函数设计； (4)遗传操作； (5)控制参数的设定 这五个要素构成了遗传算法的核心内容。 3.5.13.5.1 编码编码 在遗传算法中，编码方法是把问题的搜索空间中每个可能的点表示为确定长度的特 征串。编码方法的确定需要选择串长和字母表规模。 在染色体串和问题的搜索空间中的点之间选择映射有时容易实现，有时又非常困难。 选择一个便于遗传算法求解问题的编码方法经常需要对问题有深入的了解。二进制串是 遗传算法中常用的表示方法，即 0，1 字符串。例如：对于0，255之间的数，可用 8 位 二进制码串来表示，用 0000000011111111 来表示0，255之间的数。 3.5.23.5.2 确定初始群体确定初始群体 由多个染色体组成具