基于多粒度遗传算法的图像分割方法与流程

本发明涉及图像处理领域，特别是针对图像分割中寻找最优阈值的方法。

背景技术：

图像分割是图像分析的第一步，图像分割接下来的任务的好坏都取决于图像分割的质量，如特征提取、目标识别等。图像分割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。从数学的角度来看，图像分割是将数字图像划分成互不相交的区域的过程。这些区域互不相交，每个区域满足灰度、纹理、彩色等特征的某种相似性准则。基于阈值的分割方法是图像分割的一种常见方法，就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一类的像素属于同一物体。由于直接利用图像的灰度特性，因此计算方便简明、实用性强，但阈值分割方法的关键和难点是如何取得一个合适的阈值。遗传算法是一种模拟自然选择和遗传机制的搜索和优化的过程，它具有很强的全局优化能力，不受其他规则所限制，具有很强的鲁棒性。遗传算法的特性使得其常应用于图像分割中，尤其是阈值分割法。图像分割中的阈值法、边界检测法等都可以转化为函数优化问题并运用遗传算法进行求解。遗传算法的全局优化能力可以获得更优的阈值，从而提高图像分割的性能。但现有的遗传算法存在着计算效率低，局部搜索能力差，容易陷入局部最优等问题。现有这些算法几乎没有考虑已遍历粒子的空间分布情况。虽然每次迭代淘汰的是较差的个体，但是这些个体仍然具有使用价值。所以遗传算法容易陷入局部最优等缺点使得到的阈值可能并非全局最优阈值，从而影响图像分割的性能。

技术实现要素：

本发明充分利用已遍历粒子的空间分布情况来改进遗传算法，从而提高遗传算法的收敛速度和求解精度，以达到提高图像分割精度的目的。首先设计评价图像分割性能的适应度函数。然后通过多粒度遗传算法得到最优阈值。在多粒度遗传算法搜索过程中，当最优解发生变化时引入分层策略以充分利用种群中较优的个体，从而加速优秀个体的产生。同时，多粒度遗传算法利用多粒度空间策略增加算法在稀疏空间和当前最优解所在子空间的遍历概率，从而达到更快的遍历整个可行域和提高遗传算法的局部搜索能力的目的。基于多粒度遗传算法的图像分割优化了分割阈值，达到了提高图像分割精度的目的。

为了实现上述目的，本发明采用的技术方案是：基于多粒度遗传算法的图像分割方法，包括以下步骤：

步骤s1，根据输入的图像得到每个像素的灰度值，以最大化类间方差等目标设计评价图像分割性能的适应度函数；

步骤s2，输入种群大小、交叉和变异概率，初始化种群，并根据适应度函数计算个体适应度值；

步骤s3，判断当前种群是否分层；

步骤s4，若最优解发生变化，即连续两次迭代过程中的最优解不同，则采用分层策略将当前种群分成精英层和普通层；否则，不对当前种群进行分层操作；

步骤s5，根据当前种群的分层情况，分别进行遗传操作；

步骤s6，引入多粒度空间策略，利用随机树对可行域进行划分并根据划分情况执行迁移操作；

步骤s7，判断是否满足收敛条件；

步骤s8，若满足收敛条件，则结束迭代并输出最优解(即为图像分割的最优阈值)和迭代次数；否则，转到步骤s2；

步骤s9，根据获得的最优阈值对图像进行分割。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了基于多粒度遗传算法的图像分割方法。该方法首先需要获得评价图像分割性能的适应度函数，然后再利用多粒度遗传算法搜索最优阈值，最后根据所得的最优阈值进行图像分割。基于多粒度遗传算法的图像分割方法优化了阈值，从而提高了图像分割的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有算法描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明基于多粒度遗传算法的图像分割方法的流程图；

图2为多粒度遗传算法流程图；

图3为随机树划分可行域的过程图。

具体实施方式

本发明是基于多粒度遗传算法的图像分割方法，通过多粒度遗传算法对图像分割性能的评价函数进行优化操作，以获得最优阈值，并根据获得的最优阈值进行图像分割。在多粒度遗传算法过程中，当前最优解发生变化时，当前种群被划分为精英层和普通层。然后对种群执行遗传操作，若种群未分层，则对种群执行轮盘赌选择、中间重组和高斯变异操作；否则，对分别对去重的精英层和普通层去重后随机选择两个个体，并对其执行多父交叉操作和非均匀变异操作。最后，利用随机树将可行域划分成多个粒度，定义每个粒度包含的粒子数目与其大小的比值为稀疏度，比值越小，越稀疏。分别在稀疏空间和当前最优解所在子空间中随机产生新的个体并迁移到当前种群以替换种群中适应度值较差的个体。不断迭代，直到算法达到收敛条件。下面结合附图，对本发明中的多粒度遗传算法作进一步的详细说明。

如图1和图2所示，本发明中基于多粒度遗传算法的图像分割方法包括如下步骤：

步骤s1，根据输入的图像得到每个像素的灰度值，若为彩色图像则需转化为灰度图像；以最大化类间方差等目标设计评价图像分割性能的适应度函数；例如按图像所对应的类间方差最大化作为目标将图像分为a、b两类时，适应度函数可以通过类间方差表示为f(t)＝w1(t)×w2(t)×(u1(t)-u2(t))²,其中w1(t)为灰度值小于阈值t的像素数，w2(t)为灰度值大于阈值t的像素数，u1(t)、u2(t)分别为a、b中像素的平均灰度值；

步骤s2，输入种群大小、交叉和变异概率，初始化种群，并根据适应度函数计算个体适应度值；

步骤s3，判断当前种群是否分层；

步骤s4，若最优解发生变化，即连续两次迭代过程中的最优解不同，则采用分层策略将当前种群分成精英层和普通层；否则，不对当前种群进行分层操作；

步骤s5，根据当前种群的分层情况，分别进行遗传操作；

步骤s6，引入多粒度空间策略，利用随机树对可行域进行划分并根据划分情况执行迁移操作；

步骤s7，判断是否满足收敛条件；

步骤s8，若满足收敛条件，则结束迭代并输出最优解和迭代次数；否则，转到步骤s2；

步骤s9，根据获得的最优阈值对图像进行分割。

进一步，步骤s4所述采用分层策略将当前种群分成精英层和普通层包括以下步骤：

s4.1将上一次迭代过程中的最优解与当前最优解为边界而围成子空间作为当前最优解的近邻空间；

s4.2当前最优解的近邻空间中的个体被划分到精英层，种群中的其余个体被划分到普通层。

进一步，步骤s5所述根据分层情况分别进行遗传操作包括：

若当前最优解没有发生变化，即当前种群不分层，此时依次对当前种群执行轮盘赌选择操作、中间重组操作和高斯变异操作；否则，在去重后的精英层和普通层中随机选择两个个体，然后执行多父交叉操作和非均匀变异操作。

具体操作如下：

若种群未分层，执行轮盘赌选择操作；否则，分别在去重后的精英层和普通层中随机选择两个个体xi1,xi2和yj1,yj2。

若种群未分层，执行中间重组操作产生新的个体；否则，分别根据公式进行多父交叉操作以生成三个新个体，其中φ为[0,1]之间的随机数。

进一步，所述步骤s6具体包括以下步骤：

s6.1利用随机树将可行域划分成多个子空间，每个子空间表示一个粒度；

s6.2根据每个粒度包含的历史样本数和其大小的比值定义粒度的稀疏度，比值越小，越稀疏；

s6.3分别在稀疏空间和当前最优解所在的子空间中随机采样，并通过迁移操作来替换当前种群中适应度值较差的个体，即当迁移的粒子数为h时，替换前h个适应度值较小的个体。

更进一步，s6.3具体包括以下步骤：

若种群大小为n，随机产生一个不大于n/2的偶数h作为迁移的粒子数；

根据粒度的稀疏度的大小，在稀疏度较小的前h/2个子空间中分别随机产生一个新的个体以替换当前种群中适应度值较差的个体；在当前最优解所在的子空间中随机产生h/2个新个体以替换当前种群中适应度值较差的个体。

参照图3，多粒度遗传算法中随机树划分可行域的具体实现如下：

利用随机树将可行域划分成多个子空间，每个子空间表示一个粒度。随机选取划分点，当节点包含的历史个体数小于给定的值时停止划分，本发明将该值设定为迭代次数。为减少树的建立，只有当最优解发生变化时，才重新建树，否则直接采用上一次建树的结果。