一种基于自适应遗传算法和OTSU算法的图像分割方法.pdf

《一种基于自适应遗传算法和OTSU算法的图像分割方法.pdf》由会员分享，可在线阅读，更多相关《一种基于自适应遗传算法和OTSU算法的图像分割方法.pdf（9页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104134221 A (43)申请公布日 2014.11.05 CN 104134221 A (21)申请号 201410416268.3 (22)申请日 2014.08.21 G06T 7/00(2006.01) G06T 5/40(2006.01) G06N 3/12(2006.01) (71)申请人 河海大学 地址 211100 江苏省南京市江宁区佛城西路 8 号 (72)发明人 李东新 封雪 (74)专利代理机构 南京纵横知识产权代理有限 公司 32224 代理人 董建林 (54) 发明名称 一种基于自适应遗传算法和 OTSU 算法的图 像分割方法 (57)。

2、 摘要 本发明公开了一种基于自适应遗传算法和 OTSU 算法的图像分割方法， 与现有技术相比， 传 统的阈值分割法在对图像进行多阈值分割时， 运 行速度慢， 将标准的遗传算法(Standard Genetic Algorithm， SGA)与OTSU法相结合， 能提高传统的 OTSU 法对图像阈值分割的速度， 但分割的精确度 不够。本发明将自适应遗传算法与最大类间方差 法相结合对图像进行分割， 采用自适应变化的交 叉算子和变异算子， 既能提高图像阈值分割的速 度， 又能提高图像分割的精确度。 能在较短的时间 内收敛到最佳分割阈值， 可广泛应用于生物医学 图像分析和遥感等领域中。 (51)Int。

3、.Cl. 权利要求书 1 页 说明书 4 页 附图 3 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书4页 附图3页 (10)申请公布号 CN 104134221 A CN 104134221 A 1/1 页 2 1. 一种基于自适应遗传算法和 OTSU 算法的图像分割方法， 其特征在于， 包括如下步 骤 ： 步骤 S01 ： 计算待分割图像的图像灰度直方图 ； 步骤 S02 ： 对图像的灰度值进行编码， 随机产生 M 个初始种群 ； 步骤 S03 ： 根据 OTSU 算法计算每个个体的适应度值 ； 步骤 S04 ： 进行遗传操作， 包括顺次执行的选择操。

4、作、 交叉操作和变异操作， 其中， 选择操作 ： 将当代种群中的个体按照适应度值由大到小选择前 M 个个体， 将它们复制 到下一代种群中 ； 交叉操作 ： 将上述选择操作产生的种群中的个体的交叉率 Pc按照下述方法进行变化 ： 当个体适应度值高于平均适应度值时， 随着个体适应度值的增加交叉率加速减小 ； 当个体适应度值小于平均适应度值时， 随着个体适应度值的增加， 交叉率减速减小 ； 按照交叉率 Pc由大到小依次选择若干对个体进行交叉， 并更新种群 ； 变异操作 ： 将上述交叉操作产生的种群中的个体的变异率 Pm按照下述方法进行变化 ： 当个体适应度值高于平均适应度值时， 随着个体适应度值的增。

5、加变异率加速减小 ； 当个体适应度值小于平均适应度值时， 随着个体适应度值的增加， 变异率减速减小 ； 按照变异率 Pm由大到小选择若干个变异率 Pm大的个体进行变异， 并更新种群 ； 步骤 S05 ： 判断新种群是否满足终止条件， 若满足则结束， 并获得分割阈值， 否则， 进入 步骤 S03 ； 步骤 S06 ： 根据分割阈值处理待分割图像。 2.根据权利要求1所述的一种基于自适应遗传算法和OTSU算法的图像分割方法， 其特 征在于， 在步骤 S04 中， 进行交叉的次数次。 3.根据权利要求1所述的一种基于自适应遗传算法和OTSU算法的图像分割方法， 其特 征在于， 在步骤 S04 中， 。

6、进行变异的次数 PmM 次。 4.根据权利要求1所述的一种基于自适应遗传算法和OTSU算法的图像分割方法， 其特 征在于， 在步骤 S02 中， 对范围为 0-255 的图像灰度级用 8 位二进制码串进行编码。 5.根据权利要求4所述的一种基于自适应遗传算法和OTSU算法的图像分割方法， 其特 征在于， 在步骤 S03 中， OTSU 算法以准则函数计算适应度值， 式中， 设二进制码串解码后得到的阈值 t 将待分割图像分为 C0类和 C1类， 其中 0、 1 分别为 C0类、 C1类内像素点出现的概率， 0、 1分别为 C0类、 C1类内像素点的平均灰度值， 即是二进制码串解码后得到的阈值 t。

7、 对应的适应度值。 6.根据权利要求5所述的一种基于自适应遗传算法和OTSU算法的图像分割方法， 其特 征在于， 在步骤 S05 中， 若满足最大迭代次数或种群中个体的最大适应度值不再发生变化， 则算法终止并输出结果， 否则继续进行遗传操作。 权 利 要 求 书 CN 104134221 A 2 1/4 页 3 一种基于自适应遗传算法和 OTSU 算法的图像分割方法 技术领域 0001 本发明涉及一种基于自适应遗传算法和 OTSU 算法的图像分割方法。 背景技术 0002 图像分割就是把图像分成若干个特定的、 具有独特性质的区域并提出感兴趣目标 的技术和过程， 主要是对图像目标进行提取、 测量。

8、， 它是由图像处理到图像识别、 分析的基 础和关键步骤。 0003 对于图像分割的方法， 目前已有非常多的处理方法， 例如边缘检测分割法、 区域分 割法、 阈值分割法， 其中阈值分割法应用比较广泛， 但传统的阈值分割法在对图像进行多阈 值分割时， 运行速度慢。将标准遗传算法 (Standard Genetic Algorithm,SGA) 与 OTSU 算 法 ( 最大类间方差法 ) 相结合对图像进行阈值分割， 能提高传统的 OTSU 法对图像阈值分割 的速度， 但分割的精确度不够， 易早熟。 发明内容 0004 针对上述问题， 本发明提供一种基于自适应遗传算法和 OTSU 算法的图像分割方 。

9、法， 采用自适应变化的交叉算子和变异算子， 既能提高图像阈值分割的速度， 又能提高图像 分割的精确度。 0005 为实现上述技术目的， 达到上述技术效果， 本发明通过以下技术方案实现 ： 0006 一种基于自适应遗传算法和 OTSU 算法的图像分割方法， 其特征在于， 包括如下步 骤 ： 0007 步骤 S01 ： 计算待分割图像的图像灰度直方图 ； 0008 步骤 S02 ： 对图像的灰度值进行编码， 随机产生 M 个初始种群 ； 0009 步骤 S03 ： 根据 OTSU 算法计算每个个体的适应度值 ； 0010 步骤 S04 ： 进行遗传操作， 包括顺次执行的选择操作、 交叉操作和变异操。

10、作， 其中， 0011 选择操作 ： 将当代种群中的个体按照适应度值由大到小选择前 M 个个体， 将它们 复制到下一代种群中 ； 0012 交叉操作 ： 将上述选择操作产生的种群中的个体的交叉率Pc按照下述方法进行变 化 ： 0013 当个体适应度值高于平均适应度值时， 随着个体适应度值的增加交叉率加速减 小 ； 0014 当个体适应度值小于平均适应度值时， 随着个体适应度值的增加， 交叉率减速减 小 ； 0015 按照交叉率 Pc由大到小依次选择若干对个体进行交叉， 并更新种群 ； 0016 变异操作 ： 将上述交叉操作产生的种群中的个体的变异率Pm按照下述方法进行变 化 ： 0017 当个。

11、体适应度值高于平均适应度值时， 随着个体适应度值的增加变异率加速减 说 明 书 CN 104134221 A 3 2/4 页 4 小 ； 0018 当个体适应度值小于平均适应度值时， 随着个体适应度值的增加， 变异率减速减 小 ； 0019 按照变异率 Pm由大到小选择若干个变异率 Pm大的个体进行变异， 并更新种群 ； 0020 步骤 S05 ： 判断新种群是否满足终止条件， 若满足则结束， 并获得分割阈值， 否则， 进入步骤 S03 ； 0021 步骤 S06 ： 根据分割阈值处理待分割图像。 0022 本发明将自适应遗传算法 (Adaptive Genetic Algorithm,AGA。

12、) 与最大类间方差 法(OTSU法)相结合对图像进行分割， 首先读取图像信息并计算图像灰度直方图， 可以将图 像的灰度级用二进制进行编码， 随机产生 M 个初始种群， 解码并将十进制灰度值代入 OTSU 法准则函数， 计算当代种群中各个体的适应度值， 选择优秀的个体组成新的种群， 对新种群 中的个体依次进行交叉操作和变异操作， 然后判断是否满足终止条件， 若满足条件则输出 分割阈值并按分割阈值分割图像， 若不满足终止条件则继续进行遗传操作。 0023 其中， 交叉算子和变异算子在操作过程中做自适应调整， 即交叉率和变异率与种 群中个体适应度值相关， 既避免了算法在进化过程中趋于纯粹的随机搜索，。

13、 又能避免算法 处于停滞不前的状态， 克服了标准遗传算法(standard Genetic Algorithm,SGA)收敛速度 慢、 易早熟的缺点。将 AGA 与 OTSU 法相结合对图像进行阈值分割， 能在较短的时间内收敛 到最佳分割阈值， 且图像分割的精确度更高。 0024 本发明的有益效果是 ： 本发明将自适应遗传算法与最大类间方差法相结合对图像 进行分割， 采用自适应变化的交叉算子和变异算子， 既能提高图像阈值分割的速度， 又能提 高图像分割的精确度。可广泛应用于生物医学图像分析和遥感等领域中。 附图说明 0025 图 1 是本发明一种基于自适应遗传算法和 OTSU 算法的图像分割方。

14、法的流程图 ； 0026 图 2 是本发明遗传操作的具体流程图 ； 0027 图 3 是本发明个体基因串单点交叉示意图 ； 0028 图 4 是本发明 AGA 遗传算子变化的曲线图。 具体实施方式 0029 下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述， 以使本领 域的技术人员可以更好的理解本发明并能予以实施， 但所举实施例不作为对本发明的限 定。 0030 如图 1 所示， 其中 G 代表迭代次数， 设初始迭代次数是 0， 每操作完一次遗传操作， 迭代次数 G 加 1。一种基于自适应遗传算法和 OTSU 算法的图像分割方法， 包括如下步骤 ： 0031 步骤 S01 ： 读取。

15、图像信息并计算待分割图像的图像灰度直方图。 0032 步骤 S02 ： 对图像的灰度值进行编码， 优选， 图像的灰度范围为 0-255， 对范围为 0-255 的图像灰度级用 8 位二进制码串进行编码， 编码范围为 00000000-11111111。随机产 生第 0 代 M 个初始种群。 0033 步骤 S03 ： 解码并根据 OTSU 算法计算每个个体的适应度值。 说 明 书 CN 104134221 A 4 3/4 页 5 0034 其中， OTSU 算法以准则函数计算适应度值， 式中， 设二进制 码串解码后得到的阈值 t 将待分割图像分为 C0类和 C1类， 其中 0、 1分别为 C0。

16、类、 C1类 内像素点出现的概率， 0、 1分别为 C0类、 C1类内像素点的平均灰度值，即是二进制 码串解码后得到的阈值 t 对应的个体的适应度值。 0035 步骤 S04 ： 进行遗传操作， 具体如图 2 所示， 包括顺次执行的选择操作、 交叉操作和 变异操作， 其中， 选择操作采用的是精英选择策略， 交叉和变异操作采用的是自适应变化的 交叉算子和变异算子。具体为 ： 0036 选择操作 ： 将当代种群中的个体按照适应度值由大到小选择前 M 个个体， 将它们 复制到下一代种群中。 即选择适应度值大的优秀个体， 将它们复制到下一代种群中， 淘汰适 应度值小的较差个体。 0037 交叉操作 ：。

17、 将上述选择操作产生的种群中的个体的交叉率Pc按照下述内容进行变 化， 见图 4 的 (a) 曲线 ： 0038 当个体适应度值高于平均适应度值 (favg) 时， 随着个体适应度值的增加交叉率 加速减小 ； 0039 当个体适应度值小于平均适应度值 (favg) 时， 随着个体适应度值的增加， 交叉率 减速减小 ； 0040 当然， 适应度值也有自己的最大值 fmax 和最小值 fmin， 交叉率有自己的最大值 pcmax 和最小值 pcmin， 可以根据需要自行设定相应的范围。 0041 按照交叉率 Pc由大到小依次选择若干对个体进行交叉， 即两两交叉， 并更新种群， 将交叉后的个体代替交。

18、叉前的个体。 0042 交叉算子将两个被选中的个体的基因串的某一部分进行交叉和互换操作， 从而得 到两个新的个体。交叉算子在实施时是按照一定的概率 Pc来进行交叉操作， 并且交叉的位 置也是随机进行选择的。可以进行单点交叉， 单点交叉是指在两个待交叉个体基因串中选 择一个交叉点， 将该点后部分的基因串相互交换组成两个新的个体。令 “” 为交叉点， 执 行过程如图 3 所示。 0043 变异操作 ： 将上述交叉操作产生的种群中的个体的变异率Pm按照下述内容进行变 化， 见图 4 的 (b) 曲线 ： 0044 当个体适应度值高于平均适应度值时， 随着个体适应度值的增加变异率加速减 小 ； 004。

19、5 当个体适应度值小于平均适应度值时， 随着个体适应度值的增加， 变异率减速减 小 ； 0046 同样的， 变异率有自己的最大值 pmmax 和最小值 pmmin， 可以根据需要自行设定相 应的范围。 0047 按照变异率 Pm由大到小顺次选择若干个变异率 Pm大的个体进行变异， 并更新种 群， 即变异后的个体替代变异前的个体。 0048 至此， 完成一次完整的遗传操作。 0049 当个体适应度值低于平均适应度值时， 随着个体适应度值的增加， 交叉率和变异 率减速减小， 低适应度值个体能够保持快速进化， 相对较优的个体进化速度大大减慢， 解决 说 明 书 CN 104134221 A 5 4/。

20、4 页 6 了种群 “盲目进化” 的问题， 节省了时间 ； 当个体适应度值高于平均适应度值时， 随着个体适 应度值的增加， 交叉率和变异率加速减小， 适应度值大的个体能够保持稳定地进化， 交叉率 和变异率的最小值都不为零， 这样保证了种群中任何个体都有一定的概率进行交叉和变异 操作， 不会出现近似停滞不前的情况。 0050 其中， 在进行选择操作、 交叉操作和变异操作时， 分别对选择操作的次数 a、 交叉 操作的个体数 b( 由于每次交叉操作是操作两个个体， 所以， 每操作一次交叉， b 加 2)、 变异 操作的次数 c 进行计数， 当 a M 时， 选择操作结束。优选交叉的次数次， 即当 b。

21、 PcM 时， 交叉操作结束， 变异的次数 PmM 次， 变异操作结束， 图 2 中均采用操作次 数最大值进行遗传操作。 0051 步骤 S05 ： 判断新种群是否满足终止条件， 若满足则结束， 并获得分割阈值， 否则， 进入步骤 S03， 其中， 若满足最大迭代次数或种群中个体的最大适应度值不再发生变化， 则 算法终止并输出结果， 否则继续进行遗传操作。 0052 步骤 S06 ： 根据分割阈值处理待分割图像。 0053 与现有技术相比， 传统的阈值分割法在对图像进行多阈值分割时， 运行速度慢， 将 标准的遗传算法 (Standard Genetic Algorithm,SGA) 与 OTS。

22、U 法相结合， 能提高传统的 OTSU 法对图像阈值分割的速度， 但分割的精确度不够。本发明将自适应遗传算法与最大类 间方差法相结合对图像进行分割， 采用自适应变化的交叉算子和变异算子， 既能提高图像 阈值分割的速度， 又能提高图像分割的精确度。 能在较短的时间内收敛到最佳分割阈值， 可 广泛应用于生物医学图像分析和遥感等领域中。 0054 以上仅为本发明的优选实施例， 并非因此限制本发明的专利范围， 凡是利用本发 明说明书及附图内容所作的等效结构或者等效流程变换， 或者直接或间接运用在其他相关 的技术领域， 均同理包括在本发明的专利保护范围内。 说 明 书 CN 104134221 A 6 1/3 页 7 图 1 说 明 书 附 图 CN 104134221 A 7 2/3 页 8 图 2 图 3 说 明 书 附 图 CN 104134221 A 8 3/3 页 9 图 4 说 明 书 附 图 CN 104134221 A 9 。