遗传算法在二维熵图像分割中的应用

《遗传算法在二维熵图像分割中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、遗传算法在二维熵图像分割中的应用

2、第1内容加载中...　遗传算法在二维熵图像分割中的应用练玉来1，耿军雪2(1.绍兴托普信息技术学院浙江绍兴312000；2.西安工业学院陕西西安710032)摘　要：对改进遗传算法的二维熵图像分割方法进行了研究和实现，并用几幅经典图像的分割结果对比表明，本文方法可以有效的提高二维熵图像分割的计算速度，提高了图像处理的实时性。关键词：遗传算法；图像分割；二维熵；计算Applicationof2dEntropicSegmentionMethodBasedonGeicAlgrithmLIANYulai1，GENGJunx

3、ue2(1.TOPInstituteofInformation&TehnologyofShaoxing,Shaoxing,312000,China；2.Xi′anInstituteofTechnology,Xi′an，710032，China)Abstract：Inthispaper,the2dentropicsegmentionmethodbasedonimprovedgeicalgrithmethodsbyusesomeclassicalimagesTheexperimentresultshoentionbasedonimprovedgei

4、calgrithmishighercaculatequalityandimprovedtherealityofimageprocessKey；imagesegmention；2dentropic;caculate1引言图像分割是图像处理和前期视觉的基本技术［1］，而阈值法则是图像分割中最有效且实用的技术之一。目前二维熵阈值法由于其综合运用点灰度和区域灰度特征较好的表征图像的信息，已经广泛应用于图像分割中。传统的二维熵图像分割方法由于采用穷尽法搜索策略，实时性不好，限制了他的应用。遗传算法是一种通过模拟自然进化过程搜索最优解的方法［2］。隐含并行性和

5、对全局信息的有效利用能力是遗传算法的两大显著优点，前者使遗传算法只需检测少量结构就能反映搜索较大的区域，便于实时处理；后者使遗传算法具有较强的鲁棒性，可避免陷入局部最优。本文对简单遗传算法进行了改进并应用于二维熵图像分割中，通过试验验证其有效性。2二维熵图像分割法实现原理2.1二维阈值化对于一幅包含N×N个象素点的图像，G={1,2,…，L}为灰度取值范围，L为图像的最大灰度级，定义映射f:N×N→G，则位于坐标(x,y)象素的灰度值为f(x,y)。二维阈值化方法同时考虑象素的灰度值及其邻域灰度均值，象素(x,y)处的n×n邻域灰度均值为：其中：n≤

6、N，n一般取奇数，［n/2］表示对n/2取整。如以灰度、邻域灰度均值数据对［f(x,y),g(x,y)］来表示图像，并以二维矢量(S,T)分割图像，这里，1≤S，T≤L，L为图像的最大灰度级，则二维阈值化函数可以定义为：　设nij为图像中点灰度为i及其区域灰度均值为j的象素点数，pij为点灰度区域灰度均值对(i,j)发生的概率：其中N×N为图像的大小，则{pij,i,j=1~L}就是该图像关于点灰度区域灰度均值的二维直方图。如图1所示，直方图上共有L2个点，每个点的函数值即为pij。若图像的分割阈值矢量为(S，T)，从图中可以看出，直方图被分为4块

7、，点灰度区域灰度均值对的概率高峰主要分布在平面的对角线附近，并且在总体上呈现出双峰状态。这是由于图像的所有象素中，目标点和背景点所占比例最大，两个峰分别对应于目标和背景（图中A和B）。远离平面对角线的坐标处，峰的高度急剧下降，这部分反映图像的噪声点、边缘点和杂散点（图中C区和D区）。