【技术实现步骤摘要】
本申请实施例涉及图像分割处理，尤其涉及一种基于遗传算法的图像分割方法、装置、设备及介质。
技术介绍
1、在对图像的研究中，图像分割是由图像处理到图像分析的重要步骤。图像分割是根据图像的灰度、颜色、几何特性等，把图像分成各具特色的区域，将图像中感兴趣的部分分割出来，图像分割的好坏直接影响到图像分析的结果，因此具有很重要的意义。
2、图像分割的常用方法有阈值分割法，边缘检测法和区域分割法等，其中阈值分割法是最基本，应用最广泛的分割方法。其中otsu提出的最大类间方差法被认为是阈值分割的经典方法。由于多数图像不是简单的单峰图像，对于那些灰度直方图的灰度级分布不明显的复杂图像，单一的使用otsu并不能从图像中稳定可靠的将目标分割出来，很难达到满意的效果。很多人用遗传算法结合otsu算法来解决上述问题。但是对于灰度直方图像素分布复杂的图像，目前的遗传算法大多直接以otsu算法或者otsu算法的简单变种作为适应度函数，这样会导致：
3、(1)算法过早收敛、容易陷入局部最优解。如果初始种群中含有极高适应度值的个体，则算法极易陷入局部收敛的结果。
4、(2)算法收敛速度慢，分割效率低。对于一副复杂的图像，当我们需要进行多阈值分割识别时，该适应度函数计算量会大幅增加，极大影响算法的分割效率。
技术实现思路
1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
2、本专利技术实施例的主要目的在于提出一种基于遗传算法的图像分割方法
3、为实现上述目的，本专利技术实施例的第一方面提供一种基于遗传算法的图像分割方法，所述基于遗传算法的图像分割方法包括：
4、选取待分割图像；
5、将所述待分割图像转换成灰度图像，将所述灰度图像中的灰度值像素作为染色体，采用遗传算法计算图像分割的阈值；所述遗传算法采用的适应度函数f为：
6、
7、其中，p1*p2*(μ1-μ2)2为类间方差表示，p1为灰度值大于阈值的像素个数，p2为灰度值小于阈值的像素个数，μ1为灰度值大于阈值的像素的平均灰度值，μ2为灰度值小于阈值的像素的平均灰度值，t为最大遗传代数，t为当前进化的代数；
8、根据所述图像分割的阈值从所述待分割图像中分割出目标图像。
9、本申请一个实施例提供了一种基于遗传算法的图像分割方法，本方法利用遗传算法对图像进行分割，在找到最佳的图像分割的阈值的过程中，使用了基于指数变换的非线性动态适应度函数计算适应度值，以e为底，以类间方程表示和的乘积作为指数，根据进化代数t的增加，动态提高适应度值f，在遗传进化的进化初期，进化代数低，即使种群中有些超常个体，利用本实施例设计的适应度函数计算适应度值也不会太高，避免算法过早收敛；同时，在进化后期，随着进化代数增加，即使有些个体并非最佳个体，但是利用本实施例设计的适应度函数计算适应度值也会相对较高，这些个体也有较大概率进行后续的选择、交叉、变异，这样可以在一定程度上保证种群的多样性。通过本实施例的适应度函数f能够提高遗传算法的收敛速度，并且改善遗传算法过早收敛的问题，进而提升了图像分割的准确程度。
10、在申请的一些实施例中，所述将所述灰度图像中的灰度值像素作为染色体，采用遗传算法计算图像分割的阈值包括：
11、将所述灰度图像中的每一个所述灰度值像素作为遗传算法中的一条染色体；
12、初始化种群，根据所述适应度函数f计算种群中每个个体的适应度值；
13、选择：从当前种群中选择最高适应度值的多个个体，复制到下一代种群中，舍弃适应度值低的个体；所述多个为种群个体的数量；
14、交叉：随机对当前种群中两个个体中相同的基因位按照交叉概率进行交换，产生新的种群；
15、变异：随机对所述新的种群中个体中某些基因位按照变异概率进行异位形成当前种群的下一代种群；
16、当达到迭代结束条件时，得到图像分割的阈值；当未达到迭代结束条件时，进行下一轮选择、交叉和变异。
17、在申请的一些实施例中，所述种群的规模设置为100，最大迭代次数设置为1000次。
18、在申请的一些实施例中，所述交叉概率设置为0.7。
19、在申请的一些实施例中，所述变异概率设置为0.2。
20、在申请的一些实施例中，在所述初始化种群之前，所述基于遗传算法的图像分割方法还包括：
21、采用二进制编码将染色体编码为二进制；
22、所述当达到迭代结束条件时，得到图像分割的阈值包括：
23、当达到迭代结束条件时，将最终种群中适应度值最高的多个个体的二进制转换为对应的十进制，将对应的十进制作为图像分割的阈值。
24、在申请的一些实施例中，所述根据所述图像分割的阈值从所述待分割图像中分割出目标图像包括：
25、利用opencv从所述待分割图像中分割出大于所述图像分割的阈值的图像像素部分，组成所述目标图像。
26、本专利技术实施例的第二方面提出了一种基于遗传算法的图像分割装置，所述基于遗传算法的图像分割装置包括：
27、数据获取单元，用于选取待分割图像；
28、遗传进化单元，用于将所述待分割图像转换成灰度图像，将所述灰度图像中的灰度值像素作为染色体，采用遗传算法计算图像分割的阈值；所述遗传算法采用的适应度函数f为：
29、
30、其中，p1*p2*(μ1-μ2)2为类间方差表示，p1为灰度值大于阈值的像素个数，p2为灰度值小于阈值的像素个数，μ1为灰度值大于阈值的像素的平均灰度值，μ2为灰度值小于阈值的像素的平均灰度值，t为最大遗传代数，t为当前进化的代数；
31、图像分割单元，用于根据所述图像分割的阈值从所述待分割图像中分割出目标图像。
32、本申请一个实施例提供了一种基于遗传算法的图像分割装置，本装置利用遗传算法对图像进行分割，在找到最佳的图像分割的阈值的过程中，使用了基于指数变换的非线性动态适应度函数计算适应度值，以e为底，以类间方程表示和的乘积作为指数，根据进化代数t的增加，动态提高适应度值f，在遗传进化的进化初期，进化代数低，即使种群中有些超常个体，利用本实施例设计的适应度函数计算适应度值也不会太高，避免算法过早收敛；同时，在进化后期，随着进化代数增加，即使有些个体并非最佳个体，但是利用本实施例设计的适应度函数计算适应度值也会相对较高，这些个体也有较大概率进行后续的选择、交叉、变异，这样可以在一定程度上保证种群的多样性。通过本实施例的适应度函数f能够提高遗传算法的收敛速度，并且改善遗传算法过早收敛的问题，进而提升了图像分割的准确程度。
33、为实现上述目的，本专利技术实施例的第三方面提出了一种电子设备，包括：至少一个控制处理器和用于本文档来自技高网...
【技术保护点】
1.一种基于遗传算法的图像分割方法，其特征在于，所述基于遗传算法的图像分割方法包括：
2.根据权利要求1所述的基于遗传算法的图像分割方法，其特征在于，所述将所述灰度图像中的灰度值像素作为染色体，采用遗传算法计算图像分割的阈值包括：
3.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，所述种群的规模设置为100，最大迭代次数设置为1000次。
4.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，所述交叉概率设置为0.7。
5.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，所述变异概率设置为0.2。
6.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，在所述初始化种群之前，所述基于遗传算法的图像分割方法还包括：
7.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，所述根据所述图像分割的阈值从所述待分割图像中分割出目标图像包括：
8.一种基于遗传算法的图像分割装置，其特征在于，所述基于遗传算法的图像分割装置包括：
9.一种电子设备
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1至7任一项所述的基于遗传算法的图像分割方法。
...【技术特征摘要】
1.一种基于遗传算法的图像分割方法，其特征在于，所述基于遗传算法的图像分割方法包括：
2.根据权利要求1所述的基于遗传算法的图像分割方法，其特征在于，所述将所述灰度图像中的灰度值像素作为染色体，采用遗传算法计算图像分割的阈值包括：
3.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，所述种群的规模设置为100，最大迭代次数设置为1000次。
4.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，所述交叉概率设置为0.7。
5.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，所述变异概率设置为0.2。
6.根据权利要求2所述的基于遗传算法的图像分割方法，其特征在于，在所述初始化种群之前，所述基于遗传算法的图像分割方法还包括：<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。