[发明专利]基于Arnold变换的混沌遗传BP神经网络图像分割方法

说明书

本发明涉及基于Arnold变换的混沌遗传BP神经网络图像分割方法，该方法包括采用混沌遗传算法优化BP神经网络，利用训练好的BP神经网络进行图像分割；所述混沌遗传算法的具体过程为：①初始化种群：以混沌映射产生大小两个种群x、y，以小种群x作为初始种群，大种群y备用；②计算初始种群x中的个体适应度值；将初始种群x中的个体适应度值后设定个数的个体替换为大种群y中的个体，并计算替换后个体的适应度值；③根据计算出的个体适应度值，对初始种群x中个体进行选择、交叉及混沌变异操作直至达到最大进化次数或最大适应度不再发生变化，算法终止。本发明能有效确保种群进化过程的遍历性，加快神经网络训练进程，增强图像分割效果。

技术领域

本发明属于图像处理技术领域，具体涉及基于Arnold变换的混沌遗传BP神经网络图像分割方法。

背景技术

图像分割是一种基本的图像识别和分析技术。它决定着数字图像分析的质量和对视觉信息处理结果的好坏，也是由图像处理进入到图像分析的关键步骤。图像分割的目的是把图像划分成若干互不相交的区域，使各区域具有一致性，而相邻区域间的属性特征有明显的差别，目前的图像分割方法如基于阈值法的图像分割，基于形态学的图像分割、基于模糊聚类的图像分割、基于神经网络的图像分割、基于支持向量机的图像分割方法等。

随着智能算法的发展，基于BP神经网络的图像分割法受到了较为广泛的关注，BP算法的核心是通过一边向后传播误差、一边修正误差的方法来不断调节网络参数(权值、阈值)，从而逼近希望得到的输入输出映射关系。算法的输入的是图像的灰度信息，把图像的前景与背景作为分类目标，输出用于图像分割的阈值,在特定类图像的分割方面有其独特的优势。孙学敏撰写的《基于遗传神经网络的‘图像分割技术研究》(中国矿业大学硕士学位论文，2006.)提出了一种基于遗传神经网络的图像分割方法，将图像分割看成一个分类问题，首先对图像直方图进行分析得到能将图像前景和背景分割开的最优阈值，然后确定前景色和背景色的范围并存入一维数组以此作为训练样本，以样本类别组成的一维数组作为目标训练网络并结合遗传算法得到分割图像。该算法的优势在于利用遗传算法不仅加快了神经网络的训练速度，也使网络获得了更为合适的权值和阈值，有效提高了图像分割的精确度，但遗传算法本身的收敛性能还有很大的改进空间。

遗传算法(Genetic Algorithm，GA)是模拟生物在自然环境下的遗传和进化过程中而形成的一种自适应全局优化概率搜索算法，由美国的Holland教授在他的专著《自然界和人工系统的适应性》(Holland JH.Adaptation in Natural and Artificial Systems:An Introductory Analysis with Applications to Biology,Control,and ArtificialIntelligence[M].2nd ed.Cambridge:MIT Press,1992.)首先提出，是一种以自然选择和遗传理论为基础，将生物进化过程中适者生存原则与群体内部染色体的随机信息交换机制相结合产生的寻优搜索算法，它采用了自然进化模型，以选择、交叉、变异三个基本算子对种群进行处理来实现演化过程。遗传算法在理论上是全局收敛的，但是算法在实现中有一些缺陷：对初始种群的选择有一定的依赖性，交叉变异算子都是固定的，容易出现“早熟”现象，实际中往往达不到全局最优。

混沌优化方法是近几年出现的利用混沌的遍历性、初值敏感性等性质作为全局优化机制的一种优化技术，在进行优化搜索、获得全局最优解时具有十分重要的意义。混沌是指在确定性的系统中产生的一种看似无规则的，貌似随机的现象(郭明山,刘秉瀚.基于混沌遗传算法的二维最大熵图像分割[J].计算机技术与发展,2008,18(8):101-104.)。从数学上意义上讲，当初始值确定时，由动力系统就可推知该系统长期状态并追溯到过去的状态。但是大量的研究显示，对于一些系统，初值产生很小变化时，这些系统的长期状态会发生很大的变化，即该系统具有很强的初值敏感性，以至于表现出一种无法预测的类“随机”现象，这就是混沌。