OpenCV耦合遗传算法的图像分割优化应用与研究
基于改进型遗传算法的图像处理技术研究
基于改进型遗传算法的图像处理技术研究图像处理领域是计算机视觉领域中一个非常重要的领域，它涉及到多种算法和技术，可以用于在图像的采集、传输、存储和修改等方面。
随着图像处理技术的不断发展，越来越多的解决方案依赖于遗传算法的优化。
基于改进型遗传算法的图像处理技术研究成为了近年来图像处理领域中热门的研究课题之一。
本文将从遗传算法、图像处理技术及其优化方面，结合实例介绍基于改进型遗传算法的图像处理技术研究。
遗传算法遗传算法是一种源自生物学的计算机问题求解方法。
遗传算法的基本思想是通过模拟自然界中的遗传进化过程来解决一类复杂的最优化问题。
此类算法的优点是其针对大规模问题的并行搜索策略和不受局部最优解的影响。
遗传算法涉及到许多基本概念，如个体、适应度函数、选择、交叉、变异等等。
在遗传算法领域中，基于遗传算法的图像处理技术得到了广泛的应用和研究。
图像处理技术图像处理技术是计算机视觉领域一项非常重要的技术，其涉及到许多子领域，如图像滤波、图像增强、图像分割、图像识别等等。
在这些领域，遗传算法优化正逐渐成为总结算法优化的标准方法。
例如，在图像分割领域，许多基于遗传算法的图像分割算法已经被广泛研究。
更重要的是，这种算法可以避免由于色彩分布的复杂性和噪声的影响而引起分割精度偏差的问题。
在这些技术领域中，基于遗传算法的图像处理技术是充满挑战性和有远见性的。
基于改进型遗传算法的图像处理技术实际上，遗传算法本身是有局限性的。
例如，在选择个体时，随着进化的过程会使得多数个体都相对同质，丧失掉算法随机寻求全局最优解的发展趋势。
因此，出现了基于改进型遗传算法的图像处理技术研究。
通过对遗传算法进行改进和优化来适配图像处理技术的要求。
例如，Bit-Plane（所有像素点存储在灰度图像中）比特和像素选择策略的应用可以提高遗传算法的准确性并缩小解空间，进而提高图像处理的精度。
此外，基于GPU并行计算的图像处理技术也得到了越来越广泛的应用，此技术在大规模图像处理过程中能够显著地提高计算性能。
遗传算法在图像处理中的应用
遗传算法在图像处理中的应用一、引言图像处理一直是一个热门的话题，而遗传算法则是一个经过长时间磨练的计算机优化算法。
本篇文章将介绍遗传算法在图像处理领域的应用及其中的优缺点。
二、遗传算法基本原理遗传算法（Genetic Algorithm，简称GA）是一种模仿自然进化过程的优化算法。
在遗传算法中，将问题的解视为染色体，通过群体选择、交叉、变异等运算，逐步寻找最优解。
三、遗传算法在图像处理中的应用1.图像增强图像增强是图像处理领域中的一个重要问题，遗传算法可以通过求解图像的最优参数来达到增强图像的目的。
例如，在对图像进行直方图均衡化时，可以将直方图分成若干个区间，通过遗传算法来计算每个区间的最优分割点，从而得到增强后的图像。
2.图像分割图像分割是指将图像中具有相似特性的区域分离成一个一个的子图像。
遗传算法可以通过寻找图像中连续的像素点，将它们聚集成一个簇，从而实现图像分割的目的。
3.图像去噪在图像采集、传输过程中，常常会受到环境的影响而产生噪声。
遗传算法可以通过寻找图像中的最优参数、对图像进行滤波等手段，从而达到去噪的效果。
4.图像匹配在计算机视觉领域，图像匹配是一个非常重要的问题。
遗传算法可以通过求解图像之间的相似度、寻找最优的匹配角度等手段，从而实现图像之间的匹配。
5.图像识别在图像识别领域中，遗传算法可以通过训练神经网络、计算图像的特征向量等方式来实现图像的识别。
例如，在图像识别中，可以通过遗传算法来训练神经网络，从而实现数字识别、人脸识别等目的。
四、遗传算法在图像处理中的优缺点1.优点(1)寻找最优解在图像处理领域中，往往需要寻找图像的最优解。
遗传算法通过不断地进化、优胜劣汰的方式，能够快速寻找问题的最优解。
(2)并行计算遗传算法的并行计算能力较强，可以同时处理多个问题，从而提高了计算效率。
(3)自适应性遗传算法具有较强的自适应性，能够根据问题的变化来自动调整参数，从而得到更优的解。
2.缺点(1)对初始条件敏感遗传算法的效果受到初始条件的影响较大，如果初始条件不好，就会导致算法无法找到最优解。
图像分割算法的研究与优化
图像分割算法的研究与优化第一章概述随着计算机技术的不断发展，图像分割算法的研究与应用已越来越受到人们的关注。
图像分割算法是图像处理的一个重要研究领域，其主要目的是将数字图像分成不同的部分或对象，使得每个部分或对象具有在某种意义上的相似性。
图像分割在许多领域中都有重要的应用，比如医学图像分析、自动驾驶、机器人视觉、智能视频监控等。
本文将主要介绍图像分割算法的研究现状和优化方法。
第二章常见的图像分割算法2.1 阈值分割算法阈值分割算法是最基础的图像分割方法之一，其基本思想是通过一个或多个阈值将图像分成不同的区域，分割过程时基于像素灰度值进行。
不同的阈值会得到不同的分割结果，因此如何确定阈值是一个关键问题。
阈值分割算法简单易懂，但其适用性受限于图像质量，且对噪声等干扰非常敏感。
2.2 区域生长算法区域生长算法是一种基于区域的图像分割方法，其基本原理是以某个像素为种子点，将与该像素相连通的像素合并成一个区域，然后在该区域内搜索其相邻像素，继续合并，直到该区域不再扩张为止。
区域生长算法适用于对形状复杂、灰度变化不明显的图像分割，其分割结果的准确度较高，且对噪声具有较好的鲁棒性。
2.3 边缘检测算法边缘检测不是一种传统的分割方法，而是一种用于提取图像中目标边缘信息的方法。
然而，边缘提取也常被用于图像分割的前期处理，在边缘检测之后进行识别和分类。
常见的边缘检测算法有Sobel算子、Prewitt算子和Canny算子等。
2.4 分水岭算法分水岭算法是一种基于区域生长的图像分割方法，其基本思想是将图像看作地形图，较大亮度差异的位置表示为山峰，较小亮度差异的位置表示为山谷，然后将山谷之间的分水岭连成区域边界。
分水岭算法对图像内容、噪声等要求较高，且常常需要后期处理来优化分割结果。
第三章图像分割算法的优化对于各种图像分割算法，除了对算法本身进行优化，还可以通过图像预处理、后处理等手段提高分割质量。
3.1 图像预处理图像预处理是指在分割之前通过滤波、增强等手段对原图像进行处理，以降低噪声干扰、增强图像细节等。
基于遗传算法的图像阈值分割技术研究
基于遗传算法的图像阈值分割技术研究在图像处理领域中，图像阈值分割技术是非常重要的一种技术。
它常被用于将图像分成不同的部分，从而实现图像的目标检测、分割和分析。
然而，由于图像复杂度、亮度等因素的影响，传统的阈值分割方法存在着一定的局限性和不足之处。
因此，研究一种新的基于遗传算法的图像阈值分割技术具有重要的理论和实际意义。
一、图像阈值分割的概述图像阈值分割基于将灰度图像中的像素分成两个或多个不同的部分，以实现对图像信息的分割和处理。
经典的阈值分割方法包括三角阈值法、Otsu算法、最大熵阈值法等。
其中，Otsu算法是最经典和最常用的阈值分割方法之一。
Otsu算法利用了图像的灰度特征和灰度直方图，通过数学方法寻找最佳阈值，以实现图像分割。
然而，当图像复杂度过高、背景噪声等影响因素存在时，传统的阈值分割方法容易出现误差和漏检的情况。
二、遗传算法的概述遗传算法是一种基于自然选择和遗传学原理的模拟进化算法。
它的基本思想是通过模拟自然进化法则来搜索解空间中的最优解。
遗传算法的核心包括选择、交叉和变异三个操作，通过不断的迭代过程，不断的逼近全局最优解。
三、遗传算法在图像阈值分割中的应用传统的阈值分割方法通常利用灰度信息来确定阈值，然而遗传算法可以利用更多的特征信息，如像素的位置、颜色、形状等非灰度信息，以提高阈值分割精度。
同时，遗传算法具有搜索全局最优解的能力，可以在复杂场景下有效解决分割误差和漏检问题。
基于遗传算法的阈值分割方法与传统方法不同之处在于，它通过染色体编码、适应度函数等方法将图像阈值分割问题抽象成遗传算法所能处理的问题，然后利用遗传算法的基因重复、变异、选择等机制，构建一个适应度函数，从而以贪心策略搜索到全局最优解。
四、基于遗传算法的阈值分割方法研究现状近年来，随着计算机技术和图像处理算法的不断发展，利用遗传算法进行图像阈值分割的研究也越来越深入。
主流算法包括基于灰度差异因子的遗传算法分割法、基于颜色和灰度信息的遗传算法分割法等。
遗传算法在图像处理中的独特应用方法
遗传算法在图像处理中的独特应用方法随着科技的不断进步，图像处理技术在各个领域都得到了广泛的应用。
而其中，遗传算法作为一种优化算法，也被引入到图像处理中，为图像处理带来了独特的应用方法。
遗传算法是一种模拟自然进化过程的优化算法，其基本思想是通过模拟自然选择、交叉和变异的过程，不断优化目标函数的取值，从而得到最优解。
在图像处理中，遗传算法可以用于图像增强、图像分割、图像识别等方面。
首先，遗传算法在图像增强中的应用十分广泛。
图像增强是指通过对图像进行处理，使其在视觉上更加清晰、鲜明。
传统的图像增强方法往往需要人工干预，而遗传算法可以通过自动搜索最佳的增强参数，从而实现自动化的图像增强。
例如，在图像对比度增强中，遗传算法可以通过不断调整对比度参数，找到最佳的增强效果。
此外，遗传算法还可以用于图像去噪、图像锐化等方面，通过优化滤波器的参数，得到更好的图像增强效果。
其次，遗传算法在图像分割中也有独特的应用方法。
图像分割是指将图像划分成若干个具有独立特征的区域的过程。
传统的图像分割方法往往需要提前定义一些特征参数，而遗传算法可以通过自动搜索最佳的分割参数，从而实现自动化的图像分割。
例如，在基于颜色的图像分割中，遗传算法可以通过不断调整颜色阈值，找到最佳的分割效果。
此外，遗传算法还可以用于基于纹理、形状等特征的图像分割，通过优化分割算法的参数，得到更准确的图像分割结果。
最后，遗传算法在图像识别中也有独特的应用方法。
图像识别是指通过对图像进行分析和处理，从中提取出图像的特征，并将其与已知的模式进行比较，从而实现对图像内容的识别。
传统的图像识别方法往往需要提前定义一些特征参数，而遗传算法可以通过自动搜索最佳的特征参数，从而实现自动化的图像识别。
例如，在人脸识别中，遗传算法可以通过不断调整特征提取算法的参数，找到最佳的特征表示，从而提高人脸识别的准确率。
此外，遗传算法还可以用于目标检测、图像分类等方面，通过优化分类器的参数，得到更好的图像识别结果。
基于遗传算法的图像分割的研究
基于遗传算法的图像分割的研究作者：陈杰,阜艳来源：《现代电子技术》2010年第14期摘要:遗传算法是对生物进化论中自然选择和遗传学机理中生物进化过程的模拟来计算最优解的方法。
遗传算法具有众多的优点,如鲁棒性、并行性、自适应性和快速收敛,可以应用在图像处理技术领域中图像分割技术来确定分割阈值。
图像分割是图像处理技术的研究对象之一,它对于图像特征提取、图像识别等图像处理技术等有着重要意义。
主要研究基于遗传算法的图像分割效果,采用Matlab软件进行仿真实验,对不同图像分割算法的效果进行比较。
实验表明,遗传算法是处理图像分割的优秀算法,图像分割效果相比于传统的图像分割算法更加优秀。
关键词:图像分割; 阈值计算; 遗传算法; 图像特征中图分类号:TP919.8 文献标识码:A文章编号:1004-373X(2010)14-0042-03Image Segmentation Based on Genetic AlgorithmCHEN Jie, FU Yan(Guangdong Institute of Science & Technology, Guangzhou 510640, China)Abstract: Genetic algorithm is an optimal solution method of using natural selection in biological evolution and biological evolution in genetic mechanism. Genetic algorithm has many advantages such as robustness, parallel, adaptive, and fast convergence, can be used in the field of image processing to determine the threshold value. Image segmentation is one of the objects of image processing, it is meaningful to the image feature extraction, image recognition and other image processing technologies. The image segmentation effect based on genetic algorithm of usingresult .Experiments indicate that the genetic algorithm is outstanding to deal with the image segmentation ,the results is more outstanding than traditional image segmentation algorithm.Keywords: image segmentation;threshold computation;genetic algorithm; image feature0 引言图像分割是图像处理中的一项关键技术,随着世纪数字图像处理技术的兴起而受到人们的广泛深入的研究,提出了很多优秀的算法。
遗传算法在图像处理与识别中的应用案例
遗传算法在图像处理与识别中的应用案例随着计算机技术的不断发展，图像处理和识别已经成为了一个重要的研究领域。
而在这个领域中，遗传算法作为一种优化算法，也被广泛应用于图像处理和识别中。
本文将介绍一些遗传算法在图像处理与识别中的应用案例，以展示其在这一领域中的重要性和效果。
一、图像分割图像分割是图像处理中的一个重要任务，它的目标是将图像分成若干个具有一定意义的区域。
而遗传算法可以通过优化分割算法的参数，来获得更好的分割结果。
例如，研究人员可以使用遗传算法来优化基于阈值的分割算法中的阈值选择，以使得分割结果更加准确。
通过不断迭代和优化，遗传算法可以找到最佳的阈值组合，从而得到更好的分割效果。
二、目标检测目标检测是图像识别中的一个重要任务，它的目标是在图像中找到感兴趣的目标并进行识别。
而遗传算法可以通过优化目标检测算法的参数，来提高检测的准确性和效率。
例如，在基于特征的目标检测算法中，研究人员可以使用遗传算法来优化特征选择的过程，以找到最佳的特征组合。
通过不断迭代和优化，遗传算法可以找到最佳的特征组合，从而提高目标检测的准确性。
三、图像重建图像重建是图像处理中的一个重要任务，它的目标是根据给定的图像信息，恢复出原始图像的细节和结构。
而遗传算法可以通过优化图像重建算法的参数，来提高重建的质量和效率。
例如，在基于模型的图像重建算法中，研究人员可以使用遗传算法来优化模型参数的选择，以得到更好的重建结果。
通过不断迭代和优化，遗传算法可以找到最佳的参数组合，从而提高图像重建的质量。
四、图像分类图像分类是图像识别中的一个重要任务，它的目标是将图像分成不同的类别。
而遗传算法可以通过优化图像分类算法的参数，来提高分类的准确性和效率。
例如，在基于特征的图像分类算法中，研究人员可以使用遗传算法来优化特征权重的选择，以得到更好的分类结果。
通过不断迭代和优化，遗传算法可以找到最佳的特征权重组合，从而提高图像分类的准确性。
总结起来，遗传算法在图像处理与识别中的应用案例是多种多样的，从图像分割到目标检测，再到图像重建和图像分类，遗传算法都可以通过优化算法的参数来提高处理和识别的效果。
遗传算法优化归一化划分准则的图像分割
i Î A j Î B
å
w c (i j) 代表节点 i 和节点 j 之间的权值， 在图像 I c 中表示为区
域 i 与区域 j 之间的相似程度。权值定义为：
é I (i) - I ( j) 2ù 2ú w c (i j) = exp ê（8） ê ú σ l2 ë û 其中 I （i） 和I （j） 分别是第 i 个区域代表 vi 与第 j 个区域代表 v j σ l 为可调参数。 的灰度值，
148
2010， 46 （33）
Computer Engineering and Applications 计算机工程与应用
⦾图形、 图像、 模式识别⦾
遗传算法优化归一化划分准则的图像分割
翟艳鹏， 郭 敏， 马 苗， 贺 姣 ZHAI Yan-peng， GUO Min， MA Miao， HE Jiao
Ncut( Ac Bc) = cut( Ac Bc) cut( Ac Bc) + c c assoc( A V ) assoc( Bc V c)
i Î A j Î v
顶点的集合， E 是连接顶点的边的集合， 顶点之间边的连接权 值为 W (i j) ， 表示两点之间的相似程度。常见的权值计算方 法定义如下：
、 Ratio Cut 、 Av[4]
erage Cut 和 Min-max Cut 等， 其中 Shi 和 Malik 提出的 Normalized Cut 准则是一种规格化的形式。它得到的划分子图内 部的相似性最大， 而两个子图之间的相似性最小。 由于基于图论的分割方法属于 NP-hard 问题， 即随着图中 节点数的增大， 问题的求解将变得复杂耗时。所以目前并没 有精确求出 Normalized Cut 最优解的算法， 实际应用中常常 采用近似的求解算法。 Shi 和 Malik 提出的 SM 算法 [3] 考虑了 问题的连续放松形式， 将原问题转换成求解相似矩阵或 Laplacian 矩阵的谱分解， 通过求解广义特征方程， 得到对图划分准 则的逼近。 相似度矩阵的元素个数与图像尺寸有着直接的关系。当 矩阵规模很大时， SM 算法耗时严重。因此许多改进算法主要
基于OpenCV的图像处理算法研究与应用
基于OpenCV的图像处理算法研究与应用一、引言随着数字图像处理技术的不断发展，图像处理在各个领域得到了广泛的应用。
OpenCV作为一个开源的计算机视觉库，提供了丰富的图像处理算法和工具，为图像处理领域的研究和应用提供了便利。
本文将重点探讨基于OpenCV的图像处理算法研究与应用。
二、OpenCV简介OpenCV是一个跨平台的计算机视觉库，最初由Intel开发，现在由Willow Garage维护。
它包含了大量用于图像处理和计算机视觉的函数和工具。
OpenCV支持多种编程语言，如C++、Python等，使得开发者可以方便地使用其功能进行图像处理和分析。
三、图像处理算法研究1. 图像滤波图像滤波是图像处理中常用的技术之一，可以用来去除噪声、平滑图像或者增强图像特征。
OpenCV提供了各种滤波器，如均值滤波、高斯滤波、中值滤波等，开发者可以根据实际需求选择合适的滤波算法进行处理。
2. 边缘检测边缘检测是图像处理中的重要任务，可以帮助我们找到图像中物体的边界信息。
OpenCV提供了多种边缘检测算法，如Sobel算子、Canny边缘检测等，这些算法可以帮助我们准确地提取出图像中的边缘信息。
3. 物体检测与识别物体检测与识别是计算机视觉领域的热门研究方向之一。
OpenCV 提供了多种物体检测与识别算法，如Haar级联分类器、HOG特征+SVM 分类器等，这些算法可以帮助我们实现对图像中不同物体的检测和识别。
4. 图像分割图像分割是将图像划分成若干个具有独立意义的区域的过程。
OpenCV提供了多种图像分割算法，如基于阈值的分割、基于边缘的分割、基于区域的分割等，这些算法可以帮助我们实现对图像进行有效的分割和提取。
四、图像处理算法应用1. 医学影像处理在医学领域，图像处理技术被广泛应用于医学影像诊断、医学影像分析等方面。
基于OpenCV的图像处理算法可以帮助医生更准确地诊断疾病，并提高医学影像的质量和清晰度。
图像处理中的图像分割算法的优化技巧研究
图像处理中的图像分割算法的优化技巧研究图像分割是计算机视觉和图像处理领域中的一个重要任务。
它的目标是将一个图像划分成不同的区域，使得每个区域内的像素具有统一的特征。
图像分割在许多应用中都非常有用，如目标检测和跟踪、医学图像分析、人脸识别等。
在图像处理中，图像分割算法的优化技巧对于提高分割的准确性和效率至关重要。
下面将介绍一些常用的图像分割算法的优化技巧。
首先，基于颜色信息的图像分割算法是常用且有效的方法。
该类算法通过分析像素的颜色特征来实现分割，常用的方法包括阈值分割和区域生长。
针对颜色分布不均匀的图像，可以通过颜色空间的转换来优化算法的性能。
例如，将图像从RGB颜色空间转换到HSV颜色空间，可以提取出更具有区分度的颜色特征，从而改善分割的效果。
其次，基于纹理信息的图像分割算法也得到了广泛的应用。
纹理信息能够描述图像中的细节和结构特征，对于分割复杂纹理的图像尤为重要。
常用的纹理特征包括灰度共生矩阵、Gabor滤波器等。
在使用纹理特征进行分割时，可以采用多尺度的方法，即使用多个不同尺度的纹理特征进行融合，以捕捉不同层次的纹理信息。
另外，基于边缘信息的图像分割算法也是常见的方法。
边缘在图像中对目标的定位和分割具有重要作用。
常用的边缘检测算法包括Canny边缘检测、Sobel算子等。
在利用边缘信息进行分割时，可以采用分水岭算法来进一步提高分割的准确性。
分水岭算法基于图像中的边缘和灰度信息，通过模拟水流的蔓延来实现区域的分割。
此外，基于形状信息的图像分割算法也备受关注。
形状信息对于分割具有独特的特征，能够明确目标的边界和轮廓。
常用的形状特征包括边界曲率、角点和外接矩形等。
在分割图像时，可以利用形状特征进行目标的定位和分割，从而提高算法的准确性。
最后，深度学习在图像分割中也取得了显著的成果。
基于深度学习的图像分割算法采用卷积神经网络（CNN）或全卷积网络（FCN）来学习图像的特征表示和分割模型。
深度学习算法能够自动提取图像中的特征，并通过训练网络来不断优化分割的结果。
- 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)。
第３７卷第１期 兵器装备工程学报 ２０１６年１月 【信息科学与控制工程】 ｄｏｉ：１０．１１８０９／ｓｃｂｇｘｂ２０１６．０１．０２９ ＯｐｅｎＣＶ耦合遗传算法的图像分割优化应用与研究 王秋红，张金辉 （海口经济学院信息工程学院，海口５７０２０３） 摘要：为了解决当前遗传算法用于图像分割时存在效率低、计算量大等不足，引入ＯｐｅｎＣＶ，提出了ＯｐｅｎＣＶ耦合遗传 算法的图像分割技术；首先，对遗传算法特性、原理展开研究；针对其存在的不足，基于ＯｐｅｎＣＶ对算法进行优化，提 高了算法速度和用户体验；最后，对优化算法和传统算法进行对比实验，经过反复验证，优化算法在速度、性能上明 显优于传统算法，可以更好地应用于工程领域。 关键词：遗传算法；图像分割；ＯｐｅｎＣＶ；算法速度 本文引用格式：王秋红，张金辉．ＯｐｅｎＣＶ耦合遗传算法的图像分割优化应用与研究［Ｊ］．兵器装备工程学报，２０１６ （１）：１２１—１２４． Ｃｉ￣ｔｉｏｎ ｆｏｒｍａｔ：ＷＡＮＧ Ｑｉｕ－ｈｏｎｇ，ＺＨＡＮＧ Ｊｉｎ—ｈｕｉ．Ｒｅｓｅａｒｃｈ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｎ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＯｐｅｎＣＶ ａｎｄ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｏｒｄｎａｎｃｅ Ｅｑｕｉｐｍｅｎｔ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１６（１）：１２１—１２４． 中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１００６—０７０７（２０１６）０１—０１２１—０４
Ｒｅｓｅａｒｃｈ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｎ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＯｐｅｎＣＶ ａｎｄ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ＷＡＮＧ Ｑｉｕ—ｈｏｎｇ，ＺＨＡＮＧ Ｊｉｎ—ｈｕｉ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈａｉｋｏｕ Ｃｏｌｌｅｇｅ ｏｆ Ｅｃｏｎｏｍｉｃｓ，Ｈａｉｋｏｕ ５７０２０３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｈａｓ ｂｅｅｎ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ，ｓｕｃｈ ａｓ ｉｍａｇｅ ｓｅｇｍｅｎ— ｔａｔｉｏｎ，ｂｕｔ ｔｈｅ ｄｉｓａｄｖａｎｔａｇｅ ｉｓ ｔｈａｔ ｔｈｅ ａｍｏｕｎｔ ｏｆ ｃｏｍｐｕｔａｔｉｏｎ ｉｓ ｌａｒｇｅ ａｎｄ ｔｈｅ ｓｐｅｅｄ ｉｓ ｓｌｏｗ．Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｔｈｉｓ ｐａｐｅｒ ｆｉｒｓｔ ｓｔｕｄｉｅｄ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｐｒｉｎｃｉｐｌｅｓ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ ａｎｄ ｅｘ— ｐｅｒｉｍｅｎｔｓ．Ｂａｓｅｄ ｏｎ ｔｈｉｓ，ｔｈｅ ＯｐｅｎＣＶ ａｌｇｏｒｉｔｈｍ ｗａｓ ｏｐｔｉｍｉｚｅｄ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｓｐｅｅｄ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｎｄ ｔｈｅ ｕｓｅｒ ｅｘｐｅｒｉｅｎｃｅ．Ｆｉｎａｌｌｙ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ａｎｄ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ａｌｇｏｒｉｔｈｍ ｗｅｒｅ ｃｏｍｐａｒｅｄ，ａｎｄ ａｆｔｅｒ ｒｅｐｅａｔｅｄ ｖｅｒｉｆｉｃａｔｉｏｎ，ｔｈｉｓ ｐａｐｅｒ ｏｐｔｉｍｉｚｅｄ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｎ ｓｐｅｅｄ，ａｎｄ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ ｓｕｐｅｒｉｏｒ ｔｏ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈ ｃａｎ ｂｅ ｂｅｔｔｅｒ ｕｓｅｄ ｉｎ ｅｎｇｉｎｅｅｒｉｎｇ ｆｉｅｌｄ． Ｋｅｙ ｗｏｒｄｓ：ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ；ＯｐｅｎＣＶ；ａｌｇｏｒｉｔｈｍ ｓｐｅｅｄ
随着应用领域的扩展，遗传算法的研究出现了几个引人 注目的新动向：一是遗传算法正日益和神经网络、模糊推理 以及混沌理论等其它智能计算方法相互渗透和结合，这对开 拓２１世纪中新的智能计算技术具有重要的意义，二是并行 处理的遗传算法的研究十分活跃，这一研究不仅对遗传算法 本身的发展，而且对于新一代智能计算机体系结构的研究都 是十分重要的…。 遗传算法是一种启发式自适应式群体型概率性迭代式 的全局收敛搜索算法，其基本思想来源于生物进化论和群体 遗传学，体现了适者生存，优胜劣汰的进化原则 ｊ。随着国 内外专家和学者的研究深入，遗传算法应用的领域也越来越 多，涉及的领域有语音识别、科学计算、云计算、还有图像处 理。其中在图像处理方面的应用效果尤为明显，涉及的子领 域有：图像增强、图像匹配、图像识别、图像加密以及图像分 割等。其中图像分割在图像处理与分析中尤为重要，因为图 像分割的准确与否，将直接影响到后续的特征提取、特征分 析，乃至最后的图像分析结果，做好图像分割是完成一个出 色的图像处理系统最为关键的第一步。
收稿日期：２０１５—０７—１４；修回日期：２０１５—０８—２０ 作者简介：王秋红（１９８ｌ一），女，硕士，讲师，主要从事算法设计、软件开发与计算机应用研究。 １２２ 兵器装备工程学报ｈｔｔｐ：／／ｓｃｂｇ．ｑｋｓ．ｃｑｕｔ．ｅｄｕ．ｃｎ／ 简单而言，图像分割就是将图像中的目标和背景区分开 来的方法。目前主流的图像分割方法主要分为：基于阈值分 割、基于边缘分割、基于区域跟踪分割。遗传算法用于图像 分割领域一般有两种情况：一是帮助现存的图像分割算法在 参数空间内搜索参数；二是在候选的分割空间内搜索最优的 分割方案 。在以下文献中遗传算法已经成功的运用于图 像分割中，提高效率和精度。有采用Ｏｓｔｕ法进行图像分割 时的质量测试公式为适应度函数、有采用图像的最小误差概 率函数作为适应度函数来搜索最优阈值，其收敛性远远高于 传统的最小误差准则方法 。 但是由于遗传算法公式复杂，计算复杂，算法实现效率 往往比较低，从而影响了工程可应用性和用户体验。因此， 本文的主要工作就是对基于遗传算法的图像分割进行优化， 从而提高算法的效率和精度。本文先对遗传算法本身展开 深入研究，分析遗传算法与图像分割的交汇点，然后以此为 基点，引入ＯｐｅｎＣＶ技术，对算法进行优化，提出了一种 ＯｐｅｎＣＶ耦合遗传算法的图像分割优化解决方案。并测试了 本文技术的分割效率与性能。 ｌ遗传算法原理 遗传算法（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ）是模拟达尔文生物进化论 的自然选择和遗传学机理的生物进化过程的计算模型，是一 种通过模拟自然进化过程搜索最优解的方法 。遗传算法 是从代表问题可能潜在的解集的一个种群（ｐｏｐｕｌａｔｉｏｎ）开始 的，而一个种群则由经过基因（ｇｅｎｅ）编码的一定数目的个体 （ｉｎｄｉｖｉｄｕａ１）组成 。因为遗传算法中每一条染色体，对应着 遗传算法的一个解决方案，一般我们用适应性函数（ｆｉｔｎｅｓｓ ｆｕｎｃｔｉｏｎ）来衡量这个解决方案的优劣，所以从一个基因组到 其解的适应度形成一个映射，所以也可以把遗传算法的过程 看作是一个在多元函数里面求最优解的过程 ］。在这个多 维曲面里面也有数不清的“山峰”，而这些最优解所对应的就 是局部最优解，而其中也会有一个“山峰”的海拔最高的，那 么这个就是全局最优解，而遗传算法的任务就是尽量爬到最 高峰，而不是陷落在一些小山峰 “ 。 遗传算法基本步骤： １）随机选择初始种群Ｐ（ｔ）； ２）计算个体适应度函数值Ｆ（ｔ），如式（１）所示，在图像 分割中表示阈值的适应度函数值，ｉ为０～２５６范围内的某一 个阈值 为阈值ｉ在一张图像中出现的个数； Ｆ ：拿 （１） ∑ ｉ＝ｌ ３）若种群中最优个体所对应的适应度函数值足够大或 者算法已经连续运行多代，且个体的最佳适应度无明显改进 则转到第４）步； ４）ｔ＝ｔ＋１； ５）应用选择算子法从Ｐ（ｔ一１）中选择Ｐ（ｔ）； ６）对Ｐ（ｔ）进行交叉、变异操作，转到第３）步； 遗传算法的缺点是收敛很慢，容易受局部极小值干扰。 在计算机处理时需要将二进制数处理为十进制，这正是 遗传算法中不可避免的解码步骤之一。对此，本文对其进行 了改进：把一个二进制串（６。，ｂ ．－，６ ）转化为区间里面对 应的实数值。 ２２ （ ·ｂ２１ｂ：：） ＝（∑ｂｉ２‘） 。 （２）
２基于ＯｐｅｎＣＶ耦合遗传算法的图像分割 优化
本文对阈值分割中的最大类间分割算法进行研究，传统 的基于遗传算法获取阈值，从而完成图像分割的方法有一定 的分割效果，但是往往由于遗传算法运算复杂，计算量大，而 使算法运行时间很长，这在实际工程应用环境中是无法接受 的。同时，单纯的依靠遗传算法来搜索阈值，在目标与背景 的边缘交界处梯度分明不明显时，分割结果往往不是很准 确。基于此，本文在以上研究了遗传算法原理后，引入 ＯｐｅｎＣＶ技术，对一些步骤用ＯｐｅｎＣＶ实现，从而加快运行速 度，因为ＯｐｅｎＣＶ是经过优化的纯Ｃ代码。同时除了遗传算 法搜索阈值外，还用到ＯｐｅｎＣＶ的轮廓匹配函数来定位目 标，从而辅助图像分割的实现，最终实现ＯｐｅｎＣＶ耦合遗传 算法的图像分割。 首先快速读入图像到内存，采用ｃｖＬｏａｄｌｍａｇｅ函数。把 图像从三通道转换到单通道，采用ｃｖＣｏｎｖｅｒｔＳｃａｌｅ函数，从而 减少图像运算数据，提高速度。计算计算矩阵的平均值和标 准差，采用ｃｖＡｖｇＳｄｖ函数，在图像特征提取时使用。计算数 组中非０元素的个数采用ｃｖＣｏｕｎｔＮｏｎＺｅｒｏ函数。阈值分割 采用ｃｖＴｈｒｅｓｈｏｌｄ函数。以上函数基于Ｃ＋＋是实现，故运行 速度优于Ｍａｔｌａｂ平台或其他编程语言。最后增加ｅｖＭａｔｃｈ— Ｔｅｍｐｌａｔｅ函数，即轮廓搜索函数，予以辅助图像目标分割的 实现。 如图１所示，图像立体三角形为待分割图像，目标是分 割出外三角的边缘。如图２所示，为本文ＯｐｅｎＣＶ耦合遗传 算法分割效果图，可见，分割线紧贴外三角边缘，分割效果 很好。
图１ 原图 待分割