全文预览

遗传算法实现阈值分割-Read

上传者:hnxzy51 |  格式:doc  |  页数:4 |  大小:112KB

文档介绍
作产生下一代染色体。遗传算法的基本思想是模拟自然选择和自然遗传过程中发生的繁殖、交配和突变现象,由此构成了遗传算法的三个基本算子:复制、交叉和变异。Р遗传算法在几个基本方面不同于传统优化方法。可总结为如下几点:Р(1)遗传算法运算的是解集的编码,而不是解集本身.Р(2)遗传算法的搜索始于解的一个种群,而不是单个解.Р(3)遗传算法只使用报酬信息(适值函数),而不使用导数或其他辅助知识.Р(4)遗传算法采用概率的,而不是确定的状态转移规则.Р3 基于GA 的阈值选取方法Р在图像处理中应用遗传算法对Otsu算法进行优化实现阈值分割的整体操作过程如下图所示。Р3.1 遗传编码方案的确定Р由于图像灰度值在0~255之间,故将每个可能的灰度阈值编码为8位0,1符合组成的二进制码。这些灰度阈值的初始值为随机产生的,其相应的适应度值也各有高低。Р3.2 遗传人口模型的确定Р人口模型:若人口数过多,则每一代适应度值的计算量大,因此人口数设置应该合理。在此,设置人口数为20,最大繁殖代数为40。Р3.3适应度函数的确定Р对于单阈值分割来说适应度函数取Otsu 法中的类间方差如(1)式所示。Р3.4 遗传算子的确定Р选择:根据遗传算法的收敛定理,赌轮法(蒙特卡罗法) ,进行个体选择。交叉:交叉互换的重要特征是它能产生不同于父体的子体。交叉概率越大,交叉操作的可能性也越大;如果交叉率太低,收敛速度可能降低。单阈值分割由于只有一个参数,所以采用一点交叉,在此设置交叉概率为0.65。变异:变异概率为0.01 。Р4.实验结果与结论Р此次作业选用256色lena图像进行处理,由于样本是在0~255中随机取得的,所以在每代中都会有较高的适应度存在,而经过遗传,淘汰,会使整体的适应度越来越高,最后达到稳定的最大适应度,即可求出所需的0~255之间适应度最大的灰度值。最后得到的最优阈值为Р处理前后图像如下:

收藏

分享

举报
下载此文档