一种基于改进遗传算法的图像分割算法应用的设计与实现

摘要

在图像处理到分析阶段，最核心的环节即为图像分割。所谓图像分割，即综合考虑图像的灰度、颜色以及几何状态等特征以后，将图像进行划分，划分后产生的每个区域都具有自己的特色，再将其中自己需求的部分分割出来;在通常情况下，我们主要运用以下三种方式进行图像分割，即阈值分割法，边缘检测法以及区域分割法等，在上述三种方法中，最常见的方法为第一种，这种方法中，最通用的确定阈值的方法即为最大类间方差准则，即OTSU。图像有其不同的复杂性，并不是所有图像在使用OTSU算法处理后都具有理想的分割效果，这也是图像分割技术存在的常见问题。
　　本文形成的成果及理论意义如下:首先，研究了一种改进的OTSU法，在该改进OTSU法中引进了一种新的度量，这种度量内聚性的变量是分割目标与图像背景间的平均方差。为了避免目标与背景类间距不够理想，本文引入两类平均方差的概念，力求使其值内聚性够理想，平衡类内像素匀值以达到较好的分割效果。
　　其次，对于传统遗传算法的缺点，提出了基于改进遗传算法的图像分割方法，优化了解决方案。尤其是自适应的变异算子选择，是考虑了遗传算法的特点，及算法实际运行效率而引入的。实验证明，改进的算法对于有噪声干扰的灰度图像有较好的分割质量，同时利用改进方案，与传统的分割方法相比明显提高了运行时间。
　　最后，本文形成了一种改进遗传算法与改进OTSU法相结合的图像分割算法。通过仿真实验，该算法能够在保持群体多样性的同时加快收敛速度，阈值计算时间比二维OTSU图像分割法缩短了约63％;比基本遗传算法缩短了约30％;提高了算法全局收敛的稳定性，阈值范围稳定在3个像素以内。此方法可应用于头部目标识别的图像处理初步，本文在实验中与传统算法准确进行了比对，证实改进后的算法在分析头部目标轮廓，分割图像效果及计算时间上更具有优势，具有较高实用价值。

目录

声明

摘要

第1章 绪论

1．1 论文的研究背景及意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内的研究现状

1．3 研究内容与方法

1．3．1 研究内容

1．3．2 研究方法

第2章 遗传算法概述

2．1 遗传算法发展历程

2．2 遗传算法的内涵与流程

2．2．1 遗传算法内涵

2．2．2 遗传算法基本流程

2．3 遗传算法的基本定理

2．3．1 模式定理

2．3．2 积木块假设

2．3．3 遗传算法收敛性

2．4 遗传算法的实际应用

2．4．1 遗传算法的应用范围

2．4．2 遗传算法应用中的关键问题

2．4．3 遗传算法应用于图像分割的研究方向

2．5 本章小结

第3章 图像分割及相关算法

3．1 图像处理基本理论

3．1．1 图像处理简介

3．1．2 图像处理方法

3．2 图像分割定义

3．3 多种图像分割方法

3．3．1 串行边界分割技术

3．3．2 串行区域分割技术

3．3．3 并行边界分割技术

3．3．4 并行区域分割技术

3．4 最大类间方差(OTSU)算法

3．4．1 OTSU算法的基本原理

3．4．2 二维OTSU分割方法

3．4．3 OTSU算法的多阈值分割

3．5 图像分割性能评估

3．6 本章小结

第4章 基于遗传算法的最大类间方差图像分割方法

4．1 引言

4．2 图像的阈值处理

4．3 基于遗传算法的图像分割方法及适应度选取

4．3．1 最大类间方差法及采用遗传算法的原因

4．3．2 算法设计流程

4．3．3 仿真结果与分析

4．4 本章小结

第5章 基于改进遗传算法的图像分割及应用实验

5．1 算法改进

5．1．1 改进的自适应遗传算法及其算子

5．1．2 改进自适应遗传算法性能测试

5．1．3 改进OTSU图像分割法

5．2 改进遗传算法IGA及其与改进OTSU法的结合应用

5．3 实验及应用结果

5．4 本章小结

结论

参考文献

攻读硕士学位期间所发表的论文

致谢

个人简历