《遗传算法新论文》由会员分享，可在线阅读，更多相关《遗传算法新论文（32页珍藏版）》请在金锄头文库上搜索。
1、学号 00708037密级学校代码 10126分类号本科毕业论文基于遗传算法的图像阈值分割学院、系数学科学学院计算数学系专业名称信息与计算科学年 级2007级学生姓名刘家祥指导教师曹军2011年5月20日内容摘要图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和 过程。图像的分割是以灰度值作为分割的依据，通过各个像素的灰度值和事先确 定的阈值的比较来分割图像。如何确定最合适的阈值是处理好图像分割的关键, 这自然成为一直以来分割算法研究的焦点。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
2、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。本文主要介绍基于遗传算法的最小误差阈值法、最大类间方差法（Otsu法） 以及最佳直方图熵法（KSW熵法）等三种方法分割图像。 关键词：图像分割，遗传算法，阈值分割AbstractImage segmentation refers to the image into regions each with characteristics and goals of the technology to extract and process of interest. Segmentation is a segmentation based
3、 on gray value, gray value of each pixel through the predetermined threshold value and comparing the image segmentation. How to determine the most appropriate threshold is the key to handling image segmentation, which has naturally become the focus of segmentation algorithms.Genetic algorithm is a b
4、iological theory of evolution and genetic mechanism of natural selection in biological evolution simulation method to calculate the optimal solution. Genetic algorithm has many advantages, such as robustness, parallel, adaptive, and fast convergence, can be used in the field of image processing imag
5、e segmentation technique to determine the split threshold.In this paper, genetic algorithm based on minimum error threshold, the largest class variance (Otsu method) and the best histogram entropy (KSW entropy method) are three ways to split the image.Keywords : Image segmentation, genetic algorithm
6、s, threshold目录第一章 绪论-1-第二章 遗传算法概述-2-2.1遗传算法的研究历史-2-2.2生物背景-2-2.3遗传算法的基本思想-3-2.4遗传算法的几个概念-4-2.4.1适应度函数-4-2.4.2遗传算法最常用的算子-4-2.5遗传算法运算的基本流程-5-第三章 图像分割的现状-7-3.1图像分割简介-7-3.2图像分割方法-8-3.2.1基于边缘检测的分割-8-3.2.2基于区域的分割-8-3.2.3边缘与区域相结合的分割-9-3.3阈值选取-9-第四章 基于遗传算法的图像阈值分割-10-4.1图像阈值-10-4.2阈值分割的原理-10-4.3 最小误差阈值法-11-4
7、.3.1最小误差法图像阈值分割-11-4.3.2利用遗传算法来改进最小误差法-12-4.4最大类间方差法（Otsu法）-13-4.4.1最大类间方差法（Otsu法）阈值分割-13-4.4.2 Otsu阈值分割的遗传算法设计-15-4.5 KSW 熵法-17-4.5.1 KSW熵阈值分割174.5.2 KSW单阈值分割的遗传算法设计-18-4.5.3 KSW双阈值分割的遗传算法设计-19-第五章 基于新的遗传算法的图像分割-25-5.1混沌遗传算法-25-5.2量子遗传算法-25-5.3免疫遗传算法-25-结论-26-致谢-27-参考文献：-28-内蒙古大学本科学年论文第-1 -页基于遗传算法的
8、图像阈值分割第一章绪论图像分割是图像处理与计算机视觉的基本问题之一，是图像处理到图像分析 的关键步骤。图像分割方法(包括阈值法、边缘检测法、区域跟踪法)的研究始 于上世纪50年代。随着越来越多人的研究，近年来涌现了许多新理论、新方法, 但是没有一种方法能满足所有图像分割领域。在众多的图像分割技术中，阈值化技术是基于区域的图像分割技术，是图像 分割中最重要而有效的技术之一。阈值法是一种传统的图像分割方法，因其实现 简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。 在实际应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影 响后续任务的有效性。其中阈值的选取是图
9、像阈值分割方法中的关键技术。遗传算法(genetic algorithm，GA)是基于进化论自然选择机制的、并行的、 统计的、随机化搜索方法。使用遗传算法求解科学研究工作和工程技术中各种组 合搜索和优化计算问题这一基本思想早在20世纪60年代初期就由美国Michigan 大学的H olland教授提出，其数学框架也于20世纪60年代中期形成。由于GA的整 体搜索策略和优化计算不依赖于梯度信息，所以它的应用范围非常广泛，尤其适 合于处理传统方法难以解决的高度复杂的非线性问题。在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的 最优值的求取过程中，优化计算是最重要的，把自然进化的特
10、征应用到计算机算 法中，将能解决很多困难。遗传算法的出现为解决这类问题提供了新而有效的方 法，它不仅可以得到全局最优解，而且大量缩短了计算时间。在图像分割过程中, 最关键的就是找到最优的阈值，遗传算法的整体搜索策略和优化搜索方法能够快 速准确地得到基于成个灰度图像的阈值最优解。内蒙古大学本科学年论文第-2-页第二章遗传算法概述1遗传算法的研究历史遗传算法是演化计算的一个分枝，也是人工智能发展的一个重要领域。它是受达尔文进化理论的思想而激发的一种用进化思想来解决问题的方法。遗传 算法研究的兴起是在80年代末和90年代初期，但它的历史起源可追溯至60年 代初期。早期的研究大多以对自然系统的计算机模
11、拟为主。如Fraser的模拟研究， 他提出了和现在的遗传算法十分相似的概念和思想；同时代，演化计算思想首先 是由I.Rechenberg于20世纪60年代在他的著作演化策略“Evolution strategies) 一书中提出来的，然后一些研究者发展了他们的思想。Holland和DeJong的创造 性研究成果改变了早期遗传算法研究的无目标性和理论指导的缺乏。其中， Holland于1975年出版的著名著作自然系统和人工系统的适配系统地阐述了 遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的 模式理论。这一理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。同年，De
12、Jong的重要论文遗传自适应系统的行为分析将Holland的模式 理论与他的计算实验结合起来，并提出了诸如代沟等新的遗传操作技术。可以认 为，De Jong所作的研究工作是遗传算法发展过程中的一个里程碑。进入80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研 究都成了十分热门的课题。此后至今遗传算法的应用领域不断扩大，遗传算法应 用研究已从初期的组合优化求解拓展到了许多更新，更工程化的应用方面。2. 生物背景达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。这种学说认 为，生物要生存下去，就必须进行生存斗争。生存斗争包括种内斗争、种间斗争 以及生物跟无机环境之间的斗争三个方面
13、。在生存斗争中，具有有利变异的个体 容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就 容易被淘汰，产生后代的机会也少得多。因此，凡是在生存斗争中获胜的个体都 是对环境适应性比较强的。达尔文把这种在生存斗争中适者生存，不适者淘汰的 过程叫做自然选择。它表明，遗传和变异是决定生物进化的内在因素。自然界中 的多种生物之所以能够适应环境而得以生存进化，是和遗传和变异生命现象分不 开的。正是生物的这种遗传特性，使生物界的物种能够保持相对的稳定；而生物 的变异特性，使生物个体产生新的性状，以致于形成新的物种，推动了生物的进 化和发展。遗传算法正是模拟达尔文的这种遗传选择和自然淘汰的生
14、物进化过程的计 算模型，是一种具有“生存+检测”的迭代过程的搜索算法。它以一种群体中的 所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索. 其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设 定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法 的核心内容；作为一种新的全局优化搜家算法，遗传算法以其简单通用、稳定性 强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取 得了良好效果，并逐渐成为重要的智能算法之一。3.遗传算法的基本思想生物在自然界中的生存繁衍，显示出了其对自然环境的自适应能力。受其启 发，人们致力于对
15、生物各种生存特性的机理研究和行为模拟，为人工自适应系统 的设计和开发提供了广阔的前景。遗传算法就是这种生物行为的计算机模拟中令 人瞩目的重要成果。基于对生物遗传和进化过程的计算机模拟，遗传算法使得各 种人工系统具有优良的自适应能力和优化能力。遗传算法所借鉴的生物学基础就 是生物的遗传和进化。遗传算法受到达尔文进化论的影响很大。在遗传算法中，问题的解是逐渐进 化得到的。遗传算法的计算从一组可能解开始，这组解被称作种群(Population)， 在算法中被表示成基因。我们又把种群中的解拿出来去构成新的一个种群，这是 因为我们期望新的种群要比旧的种群要好。当然，新的种群中的解要有这样的性 质，就必须按照它的适应度去选择，适应度越高，它参与构造新的种群的机会就 越大。这个过程一次又一次的重复，一直到我们所给的约束条件满足为止，比如 说种群中解得个数或者种群的良好程度。4.遗传算法的几个概念4.1适应度函数在遗传算法中使用适应度来度量群体中各个个体在优化计算中有可能达到 或接近或有助于找到最优解的优良程度。适应度较高的个体遗传到下一代的概率 就较大；而适应度较低的个体遗传到下一代的概率就相对小一些。度量个体适应 度的函数称为适应度函数。评价个体适应度的过程为：(1) 对个体编码
