0 引言

    圖像分割是圖像處理中的一個關(guān)鍵步驟，也是圖像分析和理解的基礎(chǔ)，對圖像目標(biāo)進行提取、測量都離不開圖像分割^[1]。

    目前，國內(nèi)外學(xué)者采用不同方法對圖像分割問題做了大量研究^[2-3]，這些方法各有優(yōu)勢，也存在一些問題。例如，基于圖論的圖像分割是一個研究熱點，但此法屬于NP-hard問題，也就是隨著圖中節(jié)點數(shù)的增大，問題的求解將變得復(fù)雜耗時。另外，目前還沒有能夠精確求出最優(yōu)解的算法，實際中一般采用近似的求解算法，這使得圖像分割中不可避免地存在一些誤差，從而影響圖像處理的效果。而遺傳算法能使這些誤差最小，從而使計算機視覺達到實用化的要求。而且，遺傳算法進行圖像處理時不像傳統(tǒng)算法那樣局限于鄰域特性的最佳，而是考慮整幅圖像的最佳，使圖像處理效果接近人眼的觀察效果^[4-6]。

1 使用遺傳算法進行圖像分割的思路

    圖像分割關(guān)鍵因素是獲得灰度圖片的分割閾值。因此，在用遺傳算法處理時，首先要用染色體表示閾值，目標(biāo)是選出最佳閾值染色體。同時，應(yīng)確立最佳閾值的評價指標(biāo)，也就是適應(yīng)度函數(shù)的建立。

    圍繞這個主題，首先要建立染色體初始種群；而后，調(diào)用適應(yīng)度計算模塊，計算種群中各個染色體的適應(yīng)度值，接著按照適應(yīng)度值對種群中的染色體進行排序，并記錄該代種群的最佳閾值；在選擇步驟中，按照一定規(guī)則用上一代適應(yīng)度大的個體替代當(dāng)前代適應(yīng)度小的個體組成新的種群；進入交叉處理環(huán)節(jié)后，按照設(shè)定的比例采用某種方式（例如隨機方式）選擇需要進行交叉的染色體對，在此過程中將產(chǎn)生不同于前輩的新的染色體個體；執(zhí)行變異步驟，在此步，將按照設(shè)定的概率，以一定的方式（例如隨機）找出發(fā)生變異的染色體基因位置，這個過程同樣會產(chǎn)生全新的個體；當(dāng)變異步驟執(zhí)行完后，再次回到適應(yīng)度計算步驟循環(huán)進行，直到達到設(shè)定的遺傳代數(shù)^[7-8]；最后，依據(jù)算法給出的最佳閾值對圖片進行處理并顯示。算法的流程如圖1所示。

2 算法中主要模塊的設(shè)計

2.1 預(yù)處理和初始種群生成模塊

    在預(yù)處理步驟中需要設(shè)計染色體表示方法。由于本文中灰度圖的閾值最高限為255，是一個數(shù)值，因此這里采用二進制表示法即可^[9]。二進制的位數(shù)由式(1)確定。

其中，b_j、a_j分別表示染色體描述變量區(qū)間的最大和最小值，m_j表示采用的二進制位數(shù)。本文中閾值的取值范圍為[0，255]，代入式(1)可以求得m_j=8，也即本文中用8位二進制表示染色體個體。為考慮整幅圖像最佳，這里判別染色體個體優(yōu)劣的適應(yīng)度函數(shù)采用式(2)來描述。

其中，p₁、p₂分別表示目標(biāo)像素和背景像素的個數(shù)，μ₁、μ₂分別表示目標(biāo)像素和背景像素的平均灰度值，f表示適應(yīng)度值。

    在算法的初始化操作中，采用隨機生成的方案隨機生成10個8位的染色體，構(gòu)成初始種群。交叉概率和變異概率分別設(shè)置為0.7和0.2。

2.2 適應(yīng)度計算模塊

    在此操作過程中要設(shè)置代溝，這里設(shè)置為0.9，也就是將要淘汰10%的較差個體^[10]。在第二代以后的群體中，將90%的更優(yōu)秀的個體保留進入后續(xù)處理程序；對群體中保留下來的個體計算其對應(yīng)的閾值；分別統(tǒng)計低于和高于閾值的灰度值的總個數(shù)和總和，繼而求出兩類灰度的平均值，根據(jù)式(2)計算出對應(yīng)于每條染色體的適應(yīng)度值；對于本代和上一代，根據(jù)適應(yīng)度值由小到大對染色體進行排序；統(tǒng)計每一代的最佳閾值和最佳適應(yīng)度值。閾值到灰度值的轉(zhuǎn)化見式(3)。

式中，h是灰度值，c是染色體對應(yīng)的十進制數(shù)值，l是二進制染色體長度。

    本步驟的算法流程如圖2所示。

2.3 選擇模塊、交叉模塊和變異模塊

    在選擇步驟中，首先計算前一代中適應(yīng)度值比當(dāng)前群體適應(yīng)度值大的個體及其數(shù)量；而后，用上一代適應(yīng)度比當(dāng)前代更大的個體隨機取代當(dāng)前代的個體；最后，將當(dāng)前代的各項數(shù)據(jù)保存。

    在交叉操作中，首先依據(jù)交叉概率隨機地選出參與交叉的染色體對；然后，按照隨機選擇方案選出交叉點位置進行交叉，這里的交叉選用單點交叉即可^[11]。

    在變異操作中^[12]，首先依據(jù)設(shè)置的變異概率計算出在群體中所有的基因里參與變異的基因數(shù)量；使用隨機選取的方式確定變異基因所在的行列位置，然后對選擇的變異基因進行取反操作；保存處理過的種群；最后，用上一代中最優(yōu)的染色體補充到當(dāng)前代群體中，以維持種群中染色體的數(shù)量。

    上述幾部分操作的流程圖如圖3所示。

3 使用傳統(tǒng)遺傳算法進行圖像分割的實例

    為驗證上述傳統(tǒng)遺傳算法的效果，應(yīng)用該法對某帶有底部噪聲的電力電子逆變系統(tǒng)圖片進行了處理。

    原始圖像如圖4所示，處理后的圖像如圖5所示，最佳適應(yīng)度值進化曲線如圖6所示。

    由處理結(jié)果可見，傳統(tǒng)遺傳算法在進化過程執(zhí)行到20代左右就已經(jīng)收斂到最佳值了，而且能將底部顏色和文字噪聲徹底清除，比較清晰地分割出目標(biāo)圖像。但是，傳統(tǒng)算法處理的時間過長，系統(tǒng)顯示運算時間為7.416 s，這么長的處理時間是無法滿足需求的。

4 遺傳算法的改進及算法改進前后圖像實際處理效果的比較

4.1 算法的改進

    遺傳算法若要收斂到全局最優(yōu)解必須具備拓展性和收斂性，而這些性能與交叉概率p_c和變異概率p_m密切相關(guān)^[13-14]。增大p_c的值，雖然加強了對新的解空間拓展能力，但增大了高適應(yīng)度的染色體結(jié)構(gòu)被破壞的可能性；反之則會減緩算法的搜索進程，甚至停滯。如果p_m的值設(shè)定得過小，則可能造成早熟收斂；反之，則會使算法變成一個純粹的隨機過程。傳統(tǒng)遺傳算法的p_c和p_m值在算法的運行過程中是固定不變的。同時，從上面的算例可以看出，傳統(tǒng)的遺傳算法在圖像分割中用時較長，難以滿足現(xiàn)代社會對高效運行的需求。因此，為了提高運算效果和效率，需要對算法做出改進。

    為了克服存在的問題，在前人工作的基礎(chǔ)上，運用一種自適應(yīng)方法對傳統(tǒng)算法進行了改進^[15]。它根據(jù)進化的代數(shù)自適應(yīng)地調(diào)整種群的p_c和p_m。在進化初期取較大p_c的值，利用其全局搜索能力加強對新的解空間的拓展，從而使種群進行全局進化；隨著進化的進行，高性能的解開始增多，這時應(yīng)逐步減少pc值以減少對這些解的破壞，同時，應(yīng)逐步提高p_m的值來維持種群的多樣性，避免收斂到局部最優(yōu)解；在進化后期，搜索已經(jīng)接近最優(yōu)解鄰域，這時應(yīng)主要利用p_m的局部搜索能力，使種群在局部重點進化，加速算法向最優(yōu)解收斂。

    同時，p_c和p_m還應(yīng)與個體的適應(yīng)度值相關(guān)。對于同一代中的所有個體，適應(yīng)度高的和低的個體發(fā)生交叉和變異的可能性應(yīng)有差異。這能避免一些問題，例如，高性能的解不會和其他解一樣受到同樣的破壞，低性能的解不會和其他解一樣被保留，這樣就就確保了遺傳算法能如預(yù)期一樣在交叉的作用下接近最優(yōu)解鄰域，再在變異的作用下收斂到最優(yōu)解。為此，應(yīng)根據(jù)遺傳代數(shù)和適應(yīng)度值共同自適應(yīng)地調(diào)整p_c、p_m。對于適應(yīng)度高于種群平均水平的個體，應(yīng)設(shè)定較小的p_c和p_m，使它們在進化中能得到較好的保護；反之亦然，使低適應(yīng)度個體在進化中更可能被淘汰。

    在用傳統(tǒng)算法進行圖片處理時發(fā)現(xiàn)p_c和p_m的設(shè)置大小對運行速度影響較大，尤其是p_m。因此，若開始p_m較小，會加快算法的運算速度。結(jié)合上述分析，這里給出改進后的自適應(yīng)遺傳算子(p_c和p_m)的計算公式如式(4)、式(5)所示。

    另外，為了使進化過程更好地體現(xiàn)優(yōu)勝劣汰，并加快算法的收斂速度，在選擇模塊，根據(jù)進化代數(shù)分段選擇了替換染色體的方法。具體為，在前三分之一代，采用最優(yōu)個體隨機替換前代個體的方法；在中間進化段，采用前代最優(yōu)個體替換當(dāng)代最差個體的方法；在后三分之一代，使用上一代一半最優(yōu)個體替代當(dāng)前代中最差的一半的方法，加速算法尋優(yōu)過程。

4.2 圖像處理實例及算法改進前后處理效果的比較

    為驗證改進后的遺傳算法的效果，仍然使用圖4所示原始照片，并應(yīng)用改進后的算法對圖片進行處理。處理后的圖像和圖5相似，目標(biāo)圖像被完全剔除了噪聲，變得非常清晰。改進算法的最佳適應(yīng)度值進化曲線如圖7所示。

    由處理結(jié)果可知，改進后的遺傳算法在進化過程執(zhí)行到8代左右就已經(jīng)收斂到最佳值了，收斂更快。相比較前面的分割效果而言，處理的時間較短，僅為0.751 s，運算效率提高了近10倍，改進效果顯著。

5 結(jié)束語

    本文結(jié)合圖像分割詳細(xì)闡述了傳統(tǒng)遺傳算法的設(shè)計思想及其主要構(gòu)成模塊的工作機制。在此基礎(chǔ)上，結(jié)合前人的工作給出了遺傳算法的改進算法。傳統(tǒng)遺傳算法對噪聲圖片的分割處理表明遺傳算法可以將目標(biāo)圖像從存在噪聲和底色的背景中分離出來，而改進的遺傳算法則擁有更好的效果和更高的效率。這說明遺傳算法可以成功應(yīng)用于圖像處理技術(shù)中，改進的遺傳算法可以有效地應(yīng)用于更為深入的圖像處理研究中。

參考文獻

[1] 周莉莉，姜楓.圖像分割方法綜述研究[J].計算機應(yīng)用研究,2017，34(7)：1921-1928.

[2] 唐思源，楊敏，苗玥，等.區(qū)域生長和水平集相融合的肺部CT圖像分割[J].電子技術(shù)應(yīng)用，2018，44(5)：135-139.

[3] 張瑞華.基于ECCC的細(xì)胞圖像分割算法[J].電子技術(shù)應(yīng)用，2016，42(7)：126-129.

[4] LI Q，URAL S，ANDERSON J，et al.A fuzzy Mean-Shift approach to lidar waveform decomposition[J].IEEE Transactions on Geoscience & Remote Sensing，2016，54(12)：7112-7121.

[5] DU Z，ZHANG G，WANG C.Research on algorithm of small target detection and preprocessing in infrared image[J].Computer & Digital Engineering，2003(4)：31-34.

[6] HU X.Image segmentation based on graph theory in multicolor space for maize leaf disease[J].Transactions of the Chinese Society for Agricultural Machinery，2013，44(2)：177-181.

[7] YANG J A，TAO L，ZHUANG Z，et al.Research and realization of image separation method based on independent component analysis and genetic algorithm[J].Proceedings of SPIE，2002，4875(2)：575-582.

[8] GOLDBERG D E.Genetic algorithms in search, optimization and machine learning[M].Addison-Wesley Professional，1989.

[9] TIAN F，YAO A M，SUN X P，et al.Dual population genetic algorithm based on individual similarity[J].Computer Engineering and Design，2011，32(5)：1989-1993.

[10] ANDERSON-COOK C M.Practical genetic algorithms[J].Publications of the American Statistical Association，2004，100(471)：1099-1099.

[11] ZENG X Y，CHEN Y W，NAKAO Z，et al.Signal separation by independent component analysis based on a genetic algorithm[C].International Conference on Signal Processing.IEEE，2000.

[12] SRINIVAS M，PATNAIK L M.Adaptive probabilities of crossover and mutation in genetic algorithms[J].IEEE Transactions on Systems Man & Cybernetics，2002，24(4)：656-667.

[13] 游培寒，畢篤彥，馬時平.自適應(yīng)權(quán)值調(diào)整GS圖像分割算法[J].中國圖象圖形學(xué)報，2018，11(7)：959-964.

[14] WANG B，YAN P，ZHOU Q，et al.State recognition method for machining process of a large spot welder based on improved genetic algorithm and hidden Markov model[J].Proceedings of the Institution of Mechanical Engineers，2017，231(11)：2135-2146.

[15] CANTU-PAZ E.On random numbers and the performance of genetic algorithms[J].Computer Science Preprint Archive，2002(10)：203-210.

作者信息:

安  霆

(臨沂大學(xué) 自動化與電氣工程學(xué)院，山東 臨沂276000)