胡亨伍

摘要：由于图形图像本身受噪声、偏移场效应和局部体效应等的影响，使得传统的分割算法远未达到理想的效果。为解决上述问题，提出基于改进遗传算法的图像分割方法。首先在遵循图形图像数据完整性、一致性与大小适度的情况下确定分割区域，并依据相关原理选择合适的分割属性，根据改进遗传算法构建分割算法模型，获取最佳的分割策略。实验结果表明，改进的分割算法，不但保证了分割区域的完整性，界域也较为清晰。

关键词：图形图像；分割；区域选择；遗传算法

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）15-0193-03

Abstract：Because of the influence of image noise、migration and the local， the traditional segmentation algorithm is far from the ideal result. Based on the improved genetic algorithm to the image segmentation. First of all to meet image data completeness， consistency， and segmentation region data under the case of moderate size， and according to the relevant principles to choose the appropriate segmentation properties， based on the improved genetic algorithm to build the model of segmentation algorithm， get the best segmentation strategy. The experimental results show that the improved segmentation method is not only to ensure the integrity of the segmented region， bounded domain is also more clear.

Keywords：Image； Segmentation； Component selection； Genetic algorithm

1概述

对图形图像进行分割是当前图像处理和分析的热点。图形图像分割主要是指将图像分成各具特性的区域并提取出感兴趣目标的技术。近年来许多学者把图形图像处理和其他学科知识相结合，提出了许多新的图像分割方法，并将其应用于医学图像的研究。现阶段主要有基于聚类的图像分割方法[1]、基于神经网络的图像分割方法[2]、利用遗传算法进行图像分割[3，4]、基于活动轮廓模型和水平集等的图像分割方法[5]等。有效的图形图像分割方法，可以提高图形图像处理能力及工作效率，因此受到专家学者的重点关注，拥有广阔的发展潜力[6]。传统的分割方法受到个体差异的影响，同时，图形图像处理应用对图形图像分割的准确度和分类算法的速度要求较高，又由于图像本身受噪声、偏移场效应和局部体效应等的影响，使得传统的分割算法远未达到理想的效果。

为了避免上述方法的缺陷，提出基于改进遗传算法的图像分割方法。首先在遵循图形图像数据完整性、一致性与大小适度的情况下确定分割片区，并依据相关原理选择合适的分割属性，根据改进遗传算法构建分割算法模型，获取最佳的分割策略。实验结果表明，改进的分割算法，不但保证了分割区域的完整性，界域也较为清晰。

2 图形图像分割模型

传统的图形图像分割方法未能充分考虑到图像本身受噪声、偏移场效应和局部体效应等的影响。在进行图形图像分割区域划分时，容易造成较为严重的数据富集，严重影响了图形图像分割的性能，为此，提出基于改进遗传算法的图像分割方法。

2.1确定分割区域数

在进行分割区域划分时，往往需确认分割区域数量。分割区域中的图像数据信息既需满足完全性又需满足一致性。此外在进行分割区域时还应充分考虑区域的大小，若区域过大，则图形图像的分割结果就体现不出形状特征等所需的价值信息，相反，若分片过小，则算法系统时间比例过大。

利用互信息量[7]建立分割区域数量选择模型。假定原图像和分割后图像，它们的熵和联合熵公式表达为：

其中、为和的概率分布，为它们的联合概率分布。互信息量公式表达为：

互信息熵差（difference of mutual information，）公式表达如下：

和均为原图像的分割后的图像，且其分割区域数分别为和）。为了便于不同分割后的图像进行比较，对作归一化处理，得到：

在研究中发现，原图像及分割后的图像之间的值，随着分割后的图像中分割区域数的增加而增加，且收敛于其最大值；随着分割后的图像分割区域数的增加， 随之递减而振荡下降，且收敛于0。

2.2选择分割区域属性

在进行图形图像数据信息分配时，需基于一种或者多种属性进行。属性的选择关系着图形图像分割的成本及效率，因此，在进行图形图像数据信息分配时，选择合适的属性特征十分重要。通常按照下述原则进行属性特征的选取：

1） 提取图形图像数据的相关属性特征；

2） 图形图像数据的颜色属性、纹理属性或者空间属性；

3） 图形图像数据关系的主键。

具体的属性特征选择方法如下

输入：关系集合，连接图。

输出：属性特征集合

1）对连接图中的连接属性效益进行计算；

2）得到效益值最大的连接属性及其关系集合，连接属性即为选择的属性特征；

3）将的关系集合进行删除

4）更新；

通过上述方法可以选择合适的属性特征。

2.3 改进遗传算法实现图形图像数据分割

采用改进遗传算法对每个待分割区域按照代价最小原则进行计算，进而得到整个图形图像数据的分割策略，具体实现步骤如下：

Step1：编码。将一个图形图像数据分割方案看作是遗传种群中的一个个体。

Step2：获取图形图像数据的更新隶属度比。设定出发图形图像点为，则由此数据点发出的待分配数据点的隶属度及更新隶属度分别由下面公式计算

由上可得，待分配数据点的更新隶属度及隶属度的比值即为该数据点的更新隶属度比。

Step3：初始化种群。过大或者过小的分割区域选择都不利于最优解的获取，因此依据数据的更新隶属度比对分割区域进行初始化操作。

Step4：数据点评估。依据相关公式计算分割区域中数据点的隶属度值，在图形图像数据分割中，数据点的隶属度值代表了分割策略的优良程度。

Step5：选择。选择过程遵循“优胜劣汰，适者生存”的规律，以使数据点的良好基因遗传给下一代。

计算得到数据点的隶属度与所在分割区域隶属度之比，获取该数据点在遗传计算被选中的概率值，则数据点被选择的期望值可描述如下

将当前分割区域数据点与下代数据点的最佳隶属度值进行比较，若当前的优于下代，则用当前最佳隶属度将下代隶属度差的数据点进行替换。

Step6：变异。变异可以保持分割区域数据点遗传进化的多样性。数据点遗传过程按照自适应变异算子进行变异。变异概率可描述如下：

Step7经过Step4、Step5、Step6的遗传计算过程，即可产生下一代新的分割区域，在图形图像数据分割过程，若设最大进化代数为30，当进化代数小于30时，需返回至Step4，相反，若进化代数等于30则结束分割，输出结果，重复上述过程，直至所有的待分割数据点均获得各自最佳的分割策略。

3 实验结果及分析

为了验证改进算法的有效性，需要进行一次实验。

实验过程在集群数据库系统上进行，节点PC机的CPU为酷睿I5处理器，主频为2.3GHZ，内存为4.0GB，测试环境为Microsoft Windows 7.0 操作系统。

从图2至图4可以看出，采用改进遗传算法进行图形图像分割，优于传统算法，且CPU使用率、分割效果及计算量小于传统算法，说明改进算法的优越性。

由图5以看出，分割结果改进遗传算法也优于传统算法，图5a处理结果中丢失原图像的目标信息比较严重，过分割现象也较突出；图5b并使得图像的目标区域保持形状且定位性能好。

5 结语

提出的基于改进遗传算法的图像分割方法。首先在遵循图形图像数据完整性、一致性与大小适度的情况下确定分割区域，并依据相关原理选择合适的分割属性，根据改进遗传算法构建分割算法模型，获取最佳的分割策略。实验结果表明，改进的分割算法，不但保证了分割区域的完整性，界域也较为清晰。

参考文献：

[1] 杜俊楠. 基于模糊聚类算法的图像分割技术研究[D]. 鲁东大学，2015.

[2] 朱宗花. Spiking神经网络的研究及其在图像分割中的应用[D]. 电子科技大学，2013.

[3] 汪筱红， 须文波. 基于遗传算法的阈值图像分割研究[J]. 太原师范学院学报：自然科学版，2007（3） ：67-71.

[4] 乔阳. 基于改进遗传算法的图像分割方法[D].电子科技大学，2013.

[5] 杨建功. 水平集活动轮廓模型在图像分割中的应用研究[D].陕西师范大学，2011.

[6] MyungEun Lee， SoonYoung Park， WanHyun Cho and SooHyung Kim. Medical Image Segmentation Using a Geometric Active Contour Model Based on Level Set Method[A]. Communications， Computers and Signal Processing， 2007. PacRim 2007. IEEE Pacific Rim Conference on， 2007：577-580.

[7] Plum J， Maintz J， Viergever M. Mutual information based registration of medical images a survey[J]. IEEE Trans on Medical imaging，2003，22（8）： 986-1004.