遺傳聚類算法及其在圖像分割中的應(yīng)用.pdf

1、圖像分割是依據(jù)圖像的灰度、顏色、或幾何性質(zhì)將圖像中具有特殊意義的不同區(qū)域分開，而且這些區(qū)域互不相交，每個(gè)區(qū)域都是滿足特定區(qū)域的一致性。但對(duì)圖像進(jìn)行分割在一般意義下十分因難，目前的圖像分割算法都是針對(duì)分割對(duì)象的技術(shù)，與具體問題相關(guān)。因此，研究有效的圖像分割算法至關(guān)重要。 在圖像分割中，由于圖像信息本身的復(fù)雜性和它們之間有較強(qiáng)的相關(guān)性，在處理過程中分割的準(zhǔn)確性很可能受到影響，因此將遺傳聚類方法應(yīng)用于圖像分割，在一些場(chǎng)合比傳統(tǒng)分割方法

2、具有更好的效果。 遺傳算法作為一種智能優(yōu)化算法，是借鑒自然界選擇和遺傳機(jī)制的隨機(jī)化搜索算法，其主要特點(diǎn)是在搜索空間中同時(shí)在很多點(diǎn)進(jìn)行求解，利用隨機(jī)規(guī)則引導(dǎo)搜索，且搜索不依賴于梯度信息，尤其適用于處理傳統(tǒng)搜索方法難于解決的復(fù)雜和非線性問題。而聚類是一種無監(jiān)督學(xué)習(xí)方法，目的是將一個(gè)數(shù)據(jù)集合劃分成若干個(gè)類，使同一個(gè)類中的對(duì)象盡可能地相似，而在不同類中的對(duì)象間差異盡可能大。圖像分割就是將圖像中感興趣部分提取出來，即將圖像進(jìn)行分類，因此可

3、以將圖像分割視為一種聚類。K-均值聚類算法具有較強(qiáng)的局部搜索能力，但它對(duì)初始聚類中心非常敏感，而且容易陷入局部最小值。將遺傳算法和K-均值聚類算法結(jié)合起來，利用遺傳算法的全局尋優(yōu)能力和K-均值聚類算法的局部搜索能力，以得到易于處理、分割精度高和實(shí)用性強(qiáng)的解決方案，是一種具有發(fā)展?jié)摿Φ膱D像分割方法。 本論文圍繞遺傳聚類算法的改進(jìn)及其在圖像分割中的應(yīng)用主要做了以下工作。 (1)針對(duì)傳統(tǒng)遺傳算法早熟收斂或不收斂現(xiàn)象，提出一種基

4、于改進(jìn)遺傳算法最大類間方差的圖像分割算法，把類間方差作為適應(yīng)度函數(shù)，利用遺傳算法的全局搜索性來尋找最大類間方差而實(shí)現(xiàn)圖像分割。該算法首先將每一代種群中的局部最優(yōu)個(gè)體都保存起來，作為全局最優(yōu)解的候選解，同時(shí)也將它無條件進(jìn)入下一代，并不替換當(dāng)前種群中適應(yīng)度最低的個(gè)體。然后利用待分割圖像的直方圖作為先驗(yàn)知識(shí)，縮小初始種群的選取范圍，避免了傳統(tǒng)遺傳算法因缺少先驗(yàn)知識(shí)向盲目地隨機(jī)產(chǎn)生初始種群的缺點(diǎn)。最后采用“雙自適應(yīng)交義概率”進(jìn)行交叉操作，即利用

5、基于染色體的交叉概率和基于基因位的交叉概率實(shí)現(xiàn)交叉概率自適應(yīng)地變化，并且每迭代一次都對(duì)其概率值進(jìn)行歸一化，不但有效地保護(hù)優(yōu)秀個(gè)體、及時(shí)淘汰劣勢(shì)個(gè)體，而且充分體現(xiàn)了各個(gè)基因位的重要性不是等同的。 (2)為了克服上述最大類間方差圖像分割方法的局限性以及實(shí)現(xiàn)對(duì)噪聲圖像的分割，將K一均值聚類算法和改進(jìn)的遺傳算法結(jié)合起來，提出一種改進(jìn)的遺傳K-均值聚類算法實(shí)現(xiàn)圖像分割。像素的特征向量充分考慮了灰度信息和空間信息，根據(jù)需要可以方便地對(duì)像素的