基于遗传算法的最佳熵双阈值图像分割

[摘 要]本文首先介绍了最佳熵双阈值的确定方法，然后针对遗传算法早熟现象的问题，提出了一种基于遗传算法的最佳熵双阈值改进算法。该算法首先运用最佳熵双阈值分割算法确定阈值选取模型，然后利用改进的遗传算法对最终的阈值进行获取，最终完成图像分割，从而进一步改善了图像分割效果。对比实验表明，改进后的算法在视觉效果和处理时间2个方面都优于之前传统的基于遗传算法的最佳熵双阈值分割算法。

[关键词]遗传算法；图像阈值；图像分割

中图分类号：TP391.4 文献标识码：A 文章编号：1009-914X（2015）22-0317-01

遗传算法是基于进化论而出现的一种搜索方法，且当前诸多学者已经对这种搜索方法进行了较为深入的研究工作，实践中也将这些方法用到了各种优化问题之中[1-2]。在对复杂的图像进行分割时，以往我们多采用参数信息，而在多参数参与求取最值的过程中，优化计算显得十分重要，而如何将自然进化应用到计算机算法之中将有助于解决图像分割中解决的诸多问题[3]，遗传算法的诞生为这些问题的解决提供了有效的途径，并且大大缩短了计算时间。

1 最佳熵双阈值的确定方法

在对图像进行分割时，图像阈值的选取十分重要，将Shannon熵原理应用于图像分割，其目的就是将图像中背景与目标的分布信息量实现最大化、最优化，即找出最佳的分割阈值，根据灰度范围{0，1，…，L-1}的图像直方图熵的定义公式为：

2 遗传算法的改进

2.1 改进算法描述

遗传算法虽然可以实现最优化阈值的选取，但是在实现过程中会出现早熟现象，这会导致算法性能的下降，只能取得次优值[4]。为了解决这一问题，笔者对遗传算法进行了改进，通过改变算法变异概率提高了算法性能，该改进措施的前提是要计算群体的聚集程度，群体的聚集程度判断公式为：

注：Div：群体多样性；N：群体规模；fi：第i个个体适应度；f：群体平均适应度；fmax：群体最大适应度。

Pm1与Pm2的取值可以根据实际情况进行选择，通过大量实践证明Pm应在0-0.05之间，通过这样的算法，可以确保群体多样性维持在一定的水平之上，且可以防止算法出现早熟现象。

2.2 改进的基于遗传算法的最佳熵双阈值分割算法步骤

采用改进的基于遗传算法的最佳熵双阈值算法对图像进行分割时，可进行如下步骤操作：

（1）编码：采取二进制编码，染色体长度为十六位，前八位为门限值a，后八位为门限值b；

（2）群体设置：由于双阈值的优化问题必须要考虑到多参数，设置个体总数20，最大进化代数100；

（3）解码：将每一个二进制的染色体均解码为两个0-255的值为双阈值，即：门限值a为一个解码值，门限值b为另一个解码值；

（4）适应度函数：采用公式（9）计算分割的适应度值函数；

（5）选取：应用锦标赛方式根据适应度值从每个群体中随机选取两个个体；

（6）交叉：应用多点交叉在染色体的前八位与后八位产生两个交叉点，并设定交叉概率为0.7；

（7）变异：采取上文改进措施，并根据群体多样性动态设置变异；

将最后一代群体适应度最大的个体作为本优化算法的最优结果，对其进行反解码为（0，0）-（255，255）间的灰度值（s，t），并利用得到的二维阈值对图像进行最后的分割处理。

3 仿真实验结果及分析

仿真实验对比了简单遗传算法与优化遗传算法，具体实验设置为：二进制编码，染色体16位，交叉概率0.7，通过多点交叉在染色体前八位与后八位产生两个交叉点，变异概率0.1，并采取随机方法，每次选择一位，群体规模20，最大进化代数100。公式（12）中的div为0.1，每张图像每个方法随机执行20次。

4 结束语

在各种图像的应用中，只要需要对图像的目标进行测量与提取都会涉及到图像分割问题，图像分割作为图像处理最为基础的处理方式之一，应用十分广泛，同时它也是计算机视觉领域研究的重点课题[5-6]。仿真对比结果显示，采用优化后的遗传算法对图像进行最佳熵双阈值分割，能够取得更好的图像分割效果，对图像分割的实践应用具有一定的指导意义。

参考文献

[1] 颜学颖，焦李成.基于各向异性自适应高斯加权方向窗的非局部三维otsu图像门限分割[J].电子与信息学报，2012（11）：2672-2679.

[2] 刘军，齐华，汪振飞.基于边缘区域增长法的飞机图像目标分割研究[J].飞行力学，2008（02）：93-96.

[3] 赵凤，范九伦.融合非局部空间灰度信息的三维otsu法[J].计算机工程与应用，2013，49（3）：30-33.

[4] 吴一全，吴加明，占必超.一种可有效分割小目标图像的阈值选取方法[J].兵工学报，2011（04）：469-475.