[发明专利]一种基于自适应遗传算法和OTSU算法的图像分割方法

说明书

技术领域

本发明涉及一种基于自适应遗传算法和OTSU算法的图像分割方法。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，主要是对图像目标进行提取、测量，它是由图像处理到图像识别、分析的基础和关键步骤。

对于图像分割的方法，目前已有非常多的处理方法，例如边缘检测分割法、区域分割法、阈值分割法，其中阈值分割法应用比较广泛，但传统的阈值分割法在对图像进行多阈值分割时，运行速度慢。将标准遗传算法(Standard Genetic Algorithm,SGA)与OTSU算法(最大类间方差法)相结合对图像进行阈值分割，能提高传统的OTSU法对图像阈值分割的速度，但分割的精确度不够，易早熟。

发明内容

针对上述问题，本发明提供一种基于自适应遗传算法和OTSU算法的图像分割方法，采用自适应变化的交叉算子和变异算子，既能提高图像阈值分割的速度，又能提高图像分割的精确度。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于自适应遗传算法和OTSU算法的图像分割方法，其特征在于，包括如下步骤：

步骤S01：计算待分割图像的图像灰度直方图；

步骤S02：对图像的灰度值进行编码，随机产生M个初始种群；

步骤S03：根据OTSU算法计算每个个体的适应度值；

步骤S04：进行遗传操作，包括顺次执行的选择操作、交叉操作和变异操作，其中，

选择操作：将当代种群中的个体按照适应度值由大到小选择前M个个体，将它们复制到下一代种群中；

交叉操作：将上述选择操作产生的种群中的个体的交叉率P_c按照下述方法进行变化：

当个体适应度值高于平均适应度值时，随着个体适应度值的增加交叉率加速减小；

当个体适应度值小于平均适应度值时，随着个体适应度值的增加，交叉率减速减小；

按照交叉率P_c由大到小依次选择若干对个体进行交叉，并更新种群；

变异操作：将上述交叉操作产生的种群中的个体的变异率P_m按照下述方法进行变化：

当个体适应度值高于平均适应度值时，随着个体适应度值的增加变异率加速减小；

当个体适应度值小于平均适应度值时，随着个体适应度值的增加，变异率减速减小；

按照变异率P_m由大到小选择若干个变异率P_m大的个体进行变异，并更新种群；

步骤S05：判断新种群是否满足终止条件，若满足则结束，并获得分割阈值，否则，进入步骤S03；

步骤S06：根据分割阈值处理待分割图像。

本发明将自适应遗传算法(Adaptive Genetic Algorithm,AGA)与最大类间方差法(OTSU法)相结合对图像进行分割，首先读取图像信息并计算图像灰度直方图，可以将图像的灰度级用二进制进行编码，随机产生M个初始种群，解码并将十进制灰度值代入OTSU法准则函数，计算当代种群中各个体的适应度值，选择优秀的个体组成新的种群，对新种群中的个体依次进行交叉操作和变异操作，然后判断是否满足终止条件，若满足条件则输出分割阈值并按分割阈值分割图像，若不满足终止条件则继续进行遗传操作。

其中，交叉算子和变异算子在操作过程中做自适应调整，即交叉率和变异率与种群中个体适应度值相关，既避免了算法在进化过程中趋于纯粹的随机搜索，又能避免算法处于停滞不前的状态，克服了标准遗传算法(standard Genetic Algorithm,SGA)收敛速度慢、易早熟的缺点。将AGA与OTSU法相结合对图像进行阈值分割，能在较短的时间内收敛到最佳分割阈值，且图像分割的精确度更高。

本发明的有益效果是：本发明将自适应遗传算法与最大类间方差法相结合对图像进行分割，采用自适应变化的交叉算子和变异算子，既能提高图像阈值分割的速度，又能提高图像分割的精确度。可广泛应用于生物医学图像分析和遥感等领域中。

附图说明

图1是本发明一种基于自适应遗传算法和OTSU算法的图像分割方法的流程图；

图2是本发明遗传操作的具体流程图；

图3是本发明个体基因串单点交叉示意图；

图4是本发明AGA遗传算子变化的曲线图。

具体实施方式