论文部分内容阅读
图像分割是依据图像的灰度、颜色、或几何性质将图像中具有特殊意义的不同区域分开,而且这些区域互不相交,每个区域都是满足特定区域的一致性。但对图像进行分割在一般意义下十分因难,目前的图像分割算法都是针对分割对象的技术,与具体问题相关。因此,研究有效的图像分割算法至关重要。
在图像分割中,由于图像信息本身的复杂性和它们之间有较强的相关性,在处理过程中分割的准确性很可能受到影响,因此将遗传聚类方法应用于图像分割,在一些场合比传统分割方法具有更好的效果。
遗传算法作为一种智能优化算法,是借鉴自然界选择和遗传机制的随机化搜索算法,其主要特点是在搜索空间中同时在很多点进行求解,利用随机规则引导搜索,且搜索不依赖于梯度信息,尤其适用于处理传统搜索方法难于解决的复杂和非线性问题。而聚类是一种无监督学习方法,目的是将一个数据集合划分成若干个类,使同一个类中的对象尽可能地相似,而在不同类中的对象间差异尽可能大。图像分割就是将图像中感兴趣部分提取出来,即将图像进行分类,因此可以将图像分割视为一种聚类。K-均值聚类算法具有较强的局部搜索能力,但它对初始聚类中心非常敏感,而且容易陷入局部最小值。将遗传算法和K-均值聚类算法结合起来,利用遗传算法的全局寻优能力和K-均值聚类算法的局部搜索能力,以得到易于处理、分割精度高和实用性强的解决方案,是一种具有发展潜力的图像分割方法。
本论文围绕遗传聚类算法的改进及其在图像分割中的应用主要做了以下工作。
(1)针对传统遗传算法早熟收敛或不收敛现象,提出一种基于改进遗传算法最大类间方差的图像分割算法,把类间方差作为适应度函数,利用遗传算法的全局搜索性来寻找最大类间方差而实现图像分割。该算法首先将每一代种群中的局部最优个体都保存起来,作为全局最优解的候选解,同时也将它无条件进入下一代,并不替换当前种群中适应度最低的个体。然后利用待分割图像的直方图作为先验知识,缩小初始种群的选取范围,避免了传统遗传算法因缺少先验知识向盲目地随机产生初始种群的缺点。最后采用“双自适应交义概率”进行交叉操作,即利用基于染色体的交叉概率和基于基因位的交叉概率实现交叉概率自适应地变化,并且每迭代一次都对其概率值进行归一化,不但有效地保护优秀个体、及时淘汰劣势个体,而且充分体现了各个基因位的重要性不是等同的。
(2)为了克服上述最大类间方差图像分割方法的局限性以及实现对噪声图像的分割,将K一均值聚类算法和改进的遗传算法结合起来,提出一种改进的遗传K-均值聚类算法实现图像分割。像素的特征向量充分考虑了灰度信息和空间信息,根据需要可以方便地对像素的特征向量进行扩充。算法对特征分量设定权系数,实现其可调性,以增强分割效果和实用性。利用二进制编码的染色体与隶属矩阵之间的相互关系,得到隶属矩阵的快速计算方法,避免传统聚类算法求解隶属矩阵速度慢的缺点。实验结果表明改进后的遗传K-均值聚类算法能快速收敛到全局最优,取得了较好的分割结果,同时算法对加有高斯噪声的图像也具有较好的抗噪能力。