一种医学图像的轮廓提取方法
图像特征提取方法详解(Ⅲ)
图像特征提取方法详解图像特征提取是计算机视觉和图像处理领域中的一个重要任务，它是对图像中的信息进行分析和提取，以便进行后续的图像识别、分类和分析。
在图像处理和计算机视觉应用中，图像特征提取是至关重要的一步，因为它直接影响了后续处理的结果。
一、图像特征的概念图像特征是指图像中能够表征其内容和结构的可测量属性。
常见的图像特征包括颜色、纹理、形状、边缘等。
这些特征可以帮助我们理解图像的含义，区分不同的物体、场景和结构。
二、图像特征提取的方法1. 颜色特征提取颜色是图像中最直观和重要的特征之一。
常用的颜色特征提取方法包括直方图统计、颜色矩和颜色空间转换。
直方图统计是通过统计图像中每种颜色出现的频率来提取颜色特征，它可以帮助我们了解图像中的主要颜色分布。
颜色矩是一种用于描述颜色分布和颜色相关性的方法，它可以帮助我们定量地比较不同图像之间的颜色特征。
颜色空间转换则是将图像的RGB颜色空间转换为其他颜色空间（如HSV、Lab等），以便更好地提取颜色特征。
2. 纹理特征提取纹理是图像中的重要特征之一，它可以帮助我们理解图像中的细节和结构。
常见的纹理特征提取方法包括灰度共生矩阵、小波变换和局部二值模式。
灰度共生矩阵是一种用于描述图像纹理结构的统计方法，它可以帮助我们了解图像中不同区域的纹理分布。
小波变换是一种多尺度分析方法，它可以帮助我们提取图像中不同尺度和方向的纹理特征。
局部二值模式是一种用于描述图像局部纹理特征的方法，它可以帮助我们快速提取图像中的纹理信息。
3. 形状特征提取形状是图像中的重要特征之一，它可以帮助我们理解图像中的对象和结构。
常见的形状特征提取方法包括边缘检测、轮廓提取和形状描述子。
边缘检测是一种用于提取图像中边缘信息的方法，它可以帮助我们理解图像中的对象轮廓和结构。
轮廓提取是一种用于提取图像中对象轮廓信息的方法，它可以帮助我们理解图像中的对象形状和结构。
形状描述子是一种用于描述图像对象形状特征的方法，它可以帮助我们快速提取图像中的形状信息。
轮廓测试是什么原理的应用
轮廓测试是什么原理的应用一、什么是轮廓测试轮廓测试是一种用来检测图像边缘的技术，它可以识别出图像中的目标物体，并将其边缘提取出来。
轮廓测试使用图像处理算法，通过对图像进行一系列形态学操作和阈值处理，来寻找物体的边界。
二、轮廓测试的原理轮廓测试基于边缘提取的原理，通过计算图像中每个像素点的梯度和方向，来找到边缘上的像素点。
这些像素点连起来就形成了物体的轮廓。
轮廓测试的具体步骤如下：1.将原始图像转换为灰度图像：由于灰度图像只有一个通道，更容易进行后续处理。
2.对图像进行高斯滤波：通过高斯滤波可以减少图像中的噪声，使得边缘检测更加准确。
3.进行边缘检测：常用的边缘检测算法有Sobel算子、Canny算子等。
这些算法根据图像中像素点的梯度和方向来确定是否为边缘点。
4.对检测到的边缘进行形态学操作：形态学操作包括膨胀和腐蚀，可以滤除边缘之间的噪声，并将断开的边缘点连接起来。
5.进行轮廓检测：根据图像中的边缘点，利用连通域分析算法，可以找到物体的轮廓。
轮廓是由一组像素点所组成的闭合曲线。
三、轮廓测试的应用轮廓测试可以应用于许多领域，下面列举了一些常见的应用场景：1.目标检测：通过轮廓测试可以识别图像中的目标物体，并对其进行定位和测量。
这在计算机视觉、机器人学等领域是一个重要的应用，可以用于机器人的控制和导航。
2.物体计数：在一幅图像中，可以利用轮廓测试来计数目标物体的个数。
这在监控系统、智能交通系统等领域非常有用。
3.缺陷检测：轮廓测试可以用于检测产品的缺陷，例如电子元件、制造业产品等。
通过分析物体的轮廓形状和面积，可以检测出缺陷并进行分类。
4.手势识别：通过利用轮廓测试，可以识别手的形状和动作，实现手势控制。
这在虚拟现实、游戏和人机交互等领域具有广泛的应用。
5.图像分割：轮廓测试可以帮助将图像分割成不同的区域，用于图像分析和处理。
例如，在医学图像中，可以利用轮廓测试将人体器官和肿瘤分离出来，进行进一步的分析与诊断。
医学图像处理中的边缘检测与分割算法
医学图像处理中的边缘检测与分割算法边缘检测与分割是医学图像处理中的重要部分，被广泛应用于疾病诊断、医学影像分析和手术辅助等领域。
边缘检测算法用于提取图像中的边缘信息，而分割算法则可以将图像划分为不同的区域，有助于医生对图像进行进一步分析和诊断。
一、边缘检测算法在医学图像处理中，常用的边缘检测算法包括基于梯度的方法、基于模型的方法和基于机器学习的方法。
1. 基于梯度的方法基于梯度的边缘检测算法通过计算图像中像素点的梯度值来确定边缘位置。
常用的算法包括Sobel算子、Prewitt算子和Canny算子。
Sobel算子是一种常用的离散微分算子，通过在图像中对每个像素点应用Sobel算子矩阵，可以得到图像的x方向和y方向的梯度图像。
通过计算梯度幅值和方向，可以得到边缘的位置和方向。
Prewitt算子与Sobel算子类似，也是一种基于梯度的边缘检测算子。
它通过将图像中的每个像素点与Prewitt算子矩阵进行卷积运算，得到图像的x方向和y方向的梯度图像。
进一步计算梯度幅值和方向，可以确定边缘的位置和方向。
Canny算子是一种经典的边缘检测算法，它采用多步骤的方法来检测边缘。
首先，对图像进行高斯滤波来减少噪声。
然后，计算图像的梯度幅值和方向，进一步剔除非最大值的梯度。
最后，通过设置双阈值来确定真正的边缘。
2. 基于模型的方法基于模型的边缘检测算法借助数学模型来描述边缘的形状和特征。
常用的算法包括基于边缘模型的Snake算法和基于边缘模型的Active Contour算法。
Snake算法（也称为活动轮廓模型）是一种基于曲线的边缘检测算法。
它通过将一条初始曲线沿着图像中的边缘移动，使得曲线更好地贴合真实边缘。
Snake算法考虑了边缘的连续性、平滑性和能量最小化，可以获得较为准确的边缘。
Active Contour算法是Snake算法的进一步发展，引入了图像能量函数。
通过最小化能量函数，可以得到最佳的边缘位置。
Active Contour算法可以自动调整曲线的形状和位置，适应复杂的图像边缘。
轮廓分析的概念
轮廓分析的概念轮廓分析是一种用于分析和描述物体形状的方法。
它是计算机视觉和图像处理领域的重要技术之一，被广泛应用于物体识别、形状检测、轮廓提取等任务中。
在轮廓分析中，轮廓是指物体边缘所形成的曲线或连续像素点集合。
轮廓分析的目的是通过分析和提取轮廓信息，获取物体的几何特征，比如形状、大小、拓扑结构等，并用于后续的物体识别、测量、分类等任务中。
轮廓分析的基本步骤包括轮廓提取、轮廓拟合和轮廓描述三个主要过程。
首先是轮廓提取。
轮廓提取是从图像中提取出物体边缘的过程。
常见的方法包括基于边缘检测的方法（如Canny边缘检测算法）、基于区域生长的方法（如基于阈值分割的方法）和基于边缘链接的方法等。
不同的方法适用于不同类型的图像和物体。
接下来是轮廓拟合。
由于从图像中提取出的轮廓一般是不完整和存在噪声的，因此需要进行轮廓拟合来得到更精确和光滑的轮廓曲线。
常见的方法有最小二乘法、Bezier曲线拟合和B样条曲线拟合等。
拟合后的轮廓能够更好地描述物体的形状特征。
最后是轮廓描述。
轮廓描述是将轮廓表示为一组数学特征的过程，以便后续的处理和分析。
常见的轮廓描述算法有形状上下文（Shape Context）、傅立叶描述子（Fourier Descriptors）和Zernike矩（Zernike Moments）等。
这些描述子可以提取出轮廓的局部和全局特征，用于对物体进行匹配、分类和识别等任务。
轮廓分析在实际应用中具有广泛的应用价值。
例如在医学图像处理中，可以通过轮廓分析来识别和测量病灶的形状和大小，辅助医生进行诊断。
在工业自动化中，可以通过轮廓分析来检测产品的缺陷和形状异常，提高产品质量。
在机器人视觉中，可以利用轮廓分析来实现物体的抓取和定位。
总而言之，轮廓分析是一种用于分析和描述物体形状的重要方法。
通过轮廓提取、轮廓拟合和轮廓描述等步骤，可以从图像中获取物体的几何特征，并应用于物体识别、形状检测和轮廓提取等任务中。
它在计算机视觉和图像处理领域具有广泛的应用前景。
人脸傅里叶频域信息
人脸傅里叶频域信息1.引言1.1 概述概述人脸傅里叶频域信息是一种用于描述人脸图像特征的方法。
它基于傅里叶变换的原理，将人脸图像转化为频域信息，从而提取出人脸图像中重要的频率成分。
这些频率成分对于人脸识别、表情识别和性别识别等领域具有重要的意义。
人脸傅里叶频域信息的提取是通过对人脸图像进行傅里叶变换来实现的。
傅里叶变换可以将一个信号分解为不同频率的成分，而在人脸图像的应用中，这些频率成分代表了不同的人脸特征信息。
通过提取这些频域信息，我们可以获取到人脸的结构特征、纹理特征、形态特征等重要信息，从而实现对人脸图像的分析和识别。
人脸傅里叶频域信息的提取方法包括主要有两种：基于离散傅里叶变换的方法和基于小波变换的方法。
在基于离散傅里叶变换的方法中，人脸图像先经过离散傅里叶变换得到频谱图像，然后通过对频谱图像进行滤波和降维等处理，提取出关键的频域信息。
而在基于小波变换的方法中，人脸图像通过小波变换将其分解为不同的频带，然后选择适当的频带进行特征提取，以达到更好的效果。
人脸傅里叶频域信息的应用前景广阔。
它在人脸识别领域中可以用于提高人脸识别的准确性和鲁棒性；在表情识别和情绪分析中可以用于提取人脸表情的频域信息，从而实现对不同表情的识别；在性别识别中可以通过提取人脸图像的频域信息来判断人脸所属的性别。
此外，人脸傅里叶频域信息还可以应用于人脸图像压缩、人脸图像修复、人脸图像的变形等领域。
综上所述，人脸傅里叶频域信息是一种重要的描述人脸图像特征的方法，它通过傅里叶变换将人脸图像转化为频域信息，从而提取出人脸的重要特征。
其应用前景广阔，有望在人脸识别、表情识别、性别识别等领域发挥重要作用。
在接下来的章节中，我们将详细介绍人脸傅里叶频域信息的定义和概念，以及其提取方法。
1.2文章结构1.2 文章结构本文主要围绕人脸傅里叶频域信息展开讨论，内容结构如下：第一部分为引言，介绍了本篇文章的背景和目的。
其中，1.1 概述部分将简要介绍人脸傅里叶频域信息的重要性和应用领域，为读者提供一个整体的认识；1.2 文章结构部分详细介绍了本文的章节安排和内容逻辑，让读者对接下来的内容有一个清晰的了解；1.3 目的部分明确了本文的主要研究目标和意义，为后续分析做好铺垫。
肺部CT图像分割及特征提取算法研究
肺部CT图像分割及特征提取算法研究随着医疗技术的不断发展，肺部CT图像的应用越来越广泛。
在医学影像诊断中，肺部CT图像分割和特征提取算法的研究非常重要。
本文将探讨肺部CT图像分割及特征提取算法的研究现状和未来发展趋势。
一、肺部CT图像分割算法肺部CT图像分割是医学影像诊断中的一个重要步骤，主要目的是将图像中的肺部区域和非肺部区域进行分离。
常见的肺部CT图像分割方法有基于阈值分割、基于边缘检测、基于区域生长、基于图像分割模型等。
1、基于阈值分割基于阈值分割的方法是将图像像素值与预设的阈值进行比较，将像素值大于或小于阈值的像素划分到不同的区域中。
在肺部CT图像中，肺部区域的像素值范围一般比较明显，因此可以通过这种方法比较准确地分割出肺部区域。
2、基于边缘检测基于边缘检测的方法是通过检测图像中的边缘信息进行分割。
在肺部CT图像中，肺部和胸腔的边缘一般比较明显，可以采用这种方法进行分割。
常用的边缘检测算法有Sobel算子、Canny算子等。
3、基于区域生长基于区域生长的方法是从某一种种子点出发，不断扩大区域，直到周围像素的灰度值和它的像素值差异不大为止。
在肺部CT图像中，可以用这种方法将肺部区域生长出来。
4、基于图像分割模型基于图像分割模型的方法是建立数学模型，通过优化算法来进行分割。
常用的图像分割模型有基于能量函数的模型、基于统计形状的模型等。
在肺部CT图像中，可以使用ACWE模型、level set模型等进行分割。
以上方法各有优缺点，可根据具体情况选择合适的方法进行分割。
二、肺部CT图像特征提取算法肺部CT图像特征提取是对图像信息进行处理、分析和提取，从而提取出与疾病相关的特征。
常用的特征提取方法有基于形态学的方法、基于统计的方法、基于机器学习的方法等。
1、基于形态学的方法基于形态学的方法是利用形态学运算对图像进行处理，提取特定的形态特征。
在肺部CT图像中，可以利用形态学方法提取肺部的形态特征，如平均密度、面积、轮廓等。
医学成像技术中的医学图像处理
医学成像技术中的医学图像处理医学成像技术是一种用于获得人体内部结构或功能信息的技术。
医学成像技术主要可以分为三种：X射线成像技术、磁共振成像技术和核医学成像技术。
医学图像处理是医学成像技术中的主要环节，其质量好坏直接决定了临床医生的判断和决策。
在医学图像处理中，医学图像的质量、分辨率、噪声等参数都需要被优化，以便于临床应用和科研研究。
因此，医学图像处理技术是医学成像技术中至关重要的一部分。
医学图像处理技术的主要作用是通过数字图像处理和图像分析技术来获取和计算图像特征和相关参数。
医学图像处理技术的发展历程可以追溯到20世纪60年代。
以前，医学图像处理技术主要采用手工检测和手工分析的方法。
这种方法需要手工选择特定的区域和特征根据医生的经验进行分析，效率低下，并且易出现误差。
随着计算机技术的飞速发展，医学图像处理技术有了长足的进步。
计算机辅助诊断（CAD）技术，由于其高效、准确、重复性好的特点，已经成为医学图像处理技术的主流。
目前，CAD技术主要包括图像预处理、特征提取和分类诊断等步骤。
关键是要采取适当的图像处理和计算机算法来分析和识别医学图像中的异常区域。
对于不同的医学图像，需要采用不同的图像处理和算法来获得最佳的处理效果。
医学图像预处理是医学图像处理的第一步。
医学图像预处理可以消除图像中的噪声和伪像，提高图像的对比度和分辨率。
医学图像预处理过程包括图像平滑、去噪、增强和标准化等步骤。
图像平滑可以去除图像中的噪声和伪像。
去噪可以消除图像中的各种噪声。
增强可以提高图像的对比度和分辨率。
标准化可以对每个像素的强度进行规范化，使像素点之间的差异更加明显。
特征提取是医学图像中最重要的一步。
特征提取是指从图像中提取出具有鉴别力的特征，以便将正常组织与异常组织进行区分。
特征提取技术可以从图像中提取出形状、纹理和强度等多种特征用于分类诊断。
形状特征可以通过分析图像中的边缘和轮廓来提取。
纹理特征可以通过分析图像中的图案和结构来提取。
轮廓跟踪算法
轮廓跟踪算法
轮廓跟踪算法是图像处理和计算机视觉领域中常用的技术。
它可以在图像中提取出物体的边缘轮廓，并且将其进行分析和处理，从而达到目的。
轮廓跟踪算法的基本原理是基于图像中的颜色、形状、纹理等特征，通过对物体的边缘进行分析，得出物体的轮廓。
这个过程中的关键步骤就是找出图像中边缘的像素点，从而构成边缘的曲线。
常见的轮廓跟踪算法主要有追踪边缘算法和链码算法。
追踪边缘算法主要是从图像中选取一点作为起点，然后按照一定的规则，向周围的像素点扩展，直到找到完整的轮廓。
常用的方法是从上、下、左、右四个方向依次扫描像素点，找到第一个黑色像素点，作为起点。
然后对该点进行扩展，分别向各个方向寻找与该点相邻的边缘像素点，不断迭代并记录下轮廓上的点集，直到回到起点为止。
这种算法简单易用，适用于大部分图像。
综上所述，轮廓跟踪算法是一种能够在图像中检测物体轮廓的有效方法。
它的应用广泛，包括医学影像、自动驾驶、机器视觉和计算机图形处理等领域。
虽然这些算法相对简单，但它们仍然是最常用和最有效的轮廓识别技术之一，未来仍有很大的研究发展空间。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
—218— ·图形图36卷 第5期ol.36 No.5 2010年3月March 2010像处理· 文章编号：1000—3428(2010)05—0218—03文献标识码：A中图分类号：TP391一种医学图像的轮廓提取方法罗三定，王建军(中南大学信息科学与工程学院，长沙 410083)摘 要：针对医学图像的模糊性和灰度不均导致目标轮廓难以准确提取的问题，提出使用改进的遗传算法控制主动轮廓模型完成边界提取的方法。
采用保优算子保留遗传性状，选择适当的交叉算子，在进化后期可实现由整体寻优到局部寻优的转变。
实验结果证明，该方法在提取目标轮廓时抗模糊能力强、鲁棒性好。
关键词：主动轮廓模型；轮廓提取；改进的遗传算法Contour Extraction Method for Medical ImagesLUO San-ding, WANG Jian-jun(School of Information Science and Engineering, Central South University, Changsha 410083)【Abstract 】Medical images with fuzzy and non-uniform characteristics make it difficult to accurately extract target contour, aiming at this problem, this paper adopts an improved genetic algorithm to make active contour model finish boundary extraction. It adopts prepotent operator to keep inheritance of quantitative characteristic and select proper crossover operator. In the anaphase stage of the improved genetic algorithm, it solves its changeover from global optimization to local optimization. Experimental results show that it is anti-fuzzy with good robustness in extracting contour of targets.【Key words 】active contour model; contour extraction; improved genetic algorithm计 算 机 工 程 Computer Engineering 第V 1 概述医学图像由于其成像方式及特定环境的原因，具有模糊和不均匀的特点，主要体现为在同一组织中密度值和均匀度出现大幅度的变化。
医学图像的几何性状较为模糊，在感兴趣区域的边界位置、拐角以及凸出点难以精确描述，边缘无法明确确定，这在很大程度上影响了图像的分割。
在计算机视觉系统中，医学图像分割的方法主要分为阈值分割方法、区域生长法、结合特定理论工具的方法和基于主动轮廓模型的方法。
阈值分割法是处理分离目标与背景的最常见的图像处理方法，采用单一的全局阈值难以正确完成感兴趣区域的分割。
基于直方图法的全局阈值分割是图像分割[1]的常用方法，直方图反映了图像全局的灰度分布，在目标和背景的灰度有明显差别时效果较好。
局部阈值分割法是在局部范围内求取各子块的最佳阈值，经典OTSU 法的阈值求取计算量较大，不能很好地处理部分灰度均匀的区域，且区域划分大小难以 确定。
文献[2]的区域生长法根据预定义的标准，提取图像中相互连通的区域。
该方法一般应用于序列图像处理过程，描绘面积小且拓扑结构简单的区域，但在提取每个区域的过程中，必须人工相应给出一个种子点。
这种方法对噪声很敏感，可能会产生孔状或不连续的区域；局部影响较大的地方也可能会使原本应该连通的区域分离开来。
结合特定理论工具的分割方法有模式识别、模糊技术等。
模式识别虽有较高的效率，但需要人工交互的方式获得训练数据，对大量的图像数据使用相同的训练样本而没有考虑不同的物理特性可能导致结果不准确。
模糊技术的方法不考虑空间建模，对噪声和非同质的灰度很敏感[3]。
基于主动轮廓模型的方法[4]的特点是将图像数据、初始轮廓、收敛轮廓和基于先验知识的约束条件统一于特征提取的过程中。
本文对医学图像的特征进行研究分析后，采用改进的遗传算法作为外部约束力，控制曲线在能量最小化的作用下收敛，直至提取目标边缘。
2 Snake 模型主动轮廓模型又称为Snake 模型，主要思想是定义一条初始能量函数曲线，将其初始化在待分割轮廓周围，在能量函数的极小值条件约束下，经过不断地演化曲线，最终收敛到图像轮廓[4-5]。
Snake 模型定义为[][]()(),(); 0,1v s x s y s s =∈ (1)它由一组控制点组成，这些点首尾相连构成轮廓线。
其中()x s 和表示每个控制点在图像中的坐标位置，()y s s 是以傅里叶变换形式描述边界的自变量。
在控制点上定义的能量函数为2221image total20()()()()(())d E s v s s v s E v s s s αβs ⎧⎫∂∂⎪⎪=++∫⎨⎬∂∂⎪⎪⎩⎭ (2)222()()s v s sβ∂∂为弯曲能量，是的二阶导数的模；弹性能量和弯曲能量合称内部能量(内部力)，用于控制轮廓线的弹性形变，保证曲线的光滑与连续；()v s image (())E v s 是外部能量(外部力)，使主动轮廓向目标边缘移动。
3 基于改进遗传算法的Snake 模型传统的Snake 模型采用局部优化方法，在目标边缘有严重凹凸时，不能跳出局部搜索的缺陷。
文献[6]将传统遗传算法应用于Snake 模型中，对收敛算法进行改进，应用具有全局寻优特点的遗传算法，使曲线更好地逼近目标边缘。
但基于传统遗传算法的主动轮廓模型在收敛中存在着早熟收敛、后期收敛速度慢等问题。
为解决传统算法易陷入局部最小值和收敛不佳的问题并提高目标提取成功率，本文提出基于改进遗传算法的Snake 模型。
该方法对外部约束条件的算法进行改进。
算法采用保优算子、改进的轮盘赌选择方法以及施加罚函数的遗传策略，在全局范围内分别同时寻找各个局部极值，加快收敛速度和提高准确性。
在设定的变异规则下，完成由全局搜索到局部搜索的转变。
3.1 新算法的改进本文将改进的遗传算法应用于Snake 模型解的优化。
该算法主要与控制点，即基因的数目、初始种群的选择、算子的选择和终止准则的选择有关。
3.1.1 初始种群的构造初始种群的构造过程如下：(1)获取Snake 模型已离散化的初始轮廓，在每个控制点的邻域内随机取点。
(0,1,,1)i v i N =L −(2)在每个邻域内随机选择一个点，这个点构成一个染色体。
i v N (3)重复步骤(2)M 次，得到M 个染色体，在这样构成的种群中，每个染色体包含的节点个数都相同。
3.1.2 目标函数的选择目标函数选用Snake 能量函数，使其最小化，即收敛轮廓线无限接近图像的真实边缘轮廓。
目标函数E s 为2int 11int 101int 2101(,,)(,,)(,,)N s i i i N N N i E E v v v E v v v E v v v −−+−−−==++∑ (3)适应度函数为s f M E =−，其中，M 是个足够大的数，使，轮廓收敛的过程就是求适应度函数最大值的过程。
0s M E −>实验对选中的每个染色体进行实数编码，把曲线中对应的离散点按顺序对横、纵坐标进行实数编码。
如第个染色体可以编码为。
i 0011(,,,,,,)i M N x y x y x y L M 3.1.3 遗传算子的构造(1)选择算子选择的本质就是染色体的复制，作用是从目前的种群中选择个体，并复制到下一代的种群中，它是生物能够保持性状而达到物种稳定的最主要原因。
本文采用改进的轮盘赌选择法作为选择算子，某个体被选择的概率为1()()()()i i i i nk k n X F X P Y X F X ===∑ (4)其中，为由被选中的个体组成的新种群；12{,,,}n Y Y Y L (i i )P Y X =表示当前种群中个体i X 被选中的概率；为个体X i 在当前种群中的数量；表示个体()i n X ()i F X i X 的适应值，1()nk k F X =∑则表示所有个体适应值的总和。
算法先将当前群体中的个体按适应值由大到小进行等级排序。
为防止出现种群退化的情况，采用保优算子保持其遗传性状，将适应值最高的个体保存起来，标记为当代最优个体。
当下一代种群产生后，再找出下一代的最优个体，然后与父代最优个体进行比较，若子代的适应值较高，即子代最优个体比父代最优个体更为优秀，则将该子代最优个体取代父代最优个体，反之则不做任何替换。
除去当代最优个体，其余染色体采用小生境遗传算法的思想进行处理：比较2个染色体之间的适应度值的大小，对适应值小于均值一半的个体施加较强的罚函数，极大地降低其适应度。
如此处理后，该个体适应度变得更差，在后面的进化过程中被淘汰的概率就变得极大，使得适应度较好的个体保留的机率增大。
F (2)交叉算子多点交叉的方式为1212'(1)'(1)i i i i i i x x x y y y αααα=+−=+− 1212''(1)''(1)i i i i i i x x x y y αααα=−+=−+y其中，α在0~1之间；'i x 表示子代个体x 坐标；1i x 父代的个体x 坐标，1代表第一条染色体，i 代表染色体中的第i 个点，其他以此类推。
交叉概率一般取值在0.7~0.9之间。
(3)变异算子变异的本质是修改变异的染色体上的某个点或多个点的坐标值。
变异概率很小，根据式(5)在不同阶段自主设定。
mutation kP f=Δ (5) 其中，f Δ表示适应值的差值；是常数。
k 在进化过程中，变异概率自行调整，刺激对真实轮廓的搜索，实现从整体搜索到局部搜索的转换。
先把适应值最低的10%染色体记录下来，使其不能继续向现有的进化方向进化，促使向另外的方向发展，以消除早熟现象。
同时保留每一代的最优适应值，与当代的每个染色体的适应值比较，根据差值确定交叉概率。
在进化前期，个体差异较大，变异概率较小。
在进化后期，染色体基本集中在最优解空间的附近区域，轮廓线已经非常接近图像的真实轮廓。