基于改进遗传算法和阈值图像分割相结合的人像图像分割方法

摘要：本文提出一种新的基于改进遗传算法和阈值图像分割相结合的人像图像分割方法。这种新的改进方法以遗传算法为基础，利用遗传算法具有较高的搜索效率、明显的搜索精度，提升了图像分割阈值的精度获取，提高了图像分割的抗噪能力，在提升阈值稳定的同时，提升了阈值的获取速度及获取精度，解决了传统算法应用于人像图像分割时分割效果不理想、分割精度较低的缺点。经过实验验证，利用本文改进算法能达到较好分割效果，具有较好的抗噪能力，从而缩短分割图像时间。

1、引言（Introduction）

随着信息技术的不断发展，图像处理的应用普遍存在于我们的生活和工作中。在图像处理过程中，我们往往会对图像的特定区域[1-2]、局部区域感兴趣，这就要求将一幅完整图像分解成不同性质的区域，而图像分割是能完美完成该项工作的图像处理技术。图像分割是图像处理的关键技术[3-4]，其中阈值分割[5-6]是计算简单、实用性较强的图像分割方法，基于阈值的分割主要是利用灰度阈值分割[7-8]，阈值分割的核心是确定最佳阈值分割[9]。

本文提出的新改进遗传算法应用图像阈值确定，通过遗传算法的选择、交叉、变异概率变化来获得图像分割最佳阈值，进而获得相当稳定、准确的图像。

2、Otsu算法的多阈值分割（Multi-threshold segmentation of Otsu algorithm）

Otsu算法分割算法[10-11]是把图像分离成背景、目标、计算目标、背景平均灰度值和类间方差[12-13]，遍历后求解得到最大类间方差值，进而得出求解最佳阈值。

先演算双阈值分割流程。设有两个阈值t1和t2，将图像分为三类：C0、C1和C2。其中：

由式（1）—式（10）可知，Otsu阈值分割将一幅灰度图分为多类，各类出现的概率和等于1，如式（11）所示;各类的条件概率灰度均值与各类的出现概率之积的和即为灰度均值，如式（12）所示。

在推算出双阈值后，进一步推算出阈值分割，可以进一步将图像分割成多类，从而计算出多个不同阈值的公式，表示如下：

3、改进遗传算法在人像分割中的应用（Application of improved genetic algorithm in portrait segmentation）

一般而言，遗传算法[14]的流程如下：

第一步：确定编码。本文采用二进制编码的方式，因为图像灰度值为0—255，所以将16位二进制串进行阈值编码，前面8位二进制数值为阈值，阈值用后面8位二进制数值表示;当进行解码时则是将16位二进制串分别解码为两个0—255的数，最后求出所需适应度值。

第二步：初始化种群。遗传算法最终的效率和良好结果是由初始群体的适当规模所决定的。如果规模太小，造成搜索空间不够，达不到所需最优解;反之如果规模太大，就会影响计算的复杂性。

第三步：计算出遗传算法中的适应值。

第四步：当算法满足条件停止后进入第九步，否则就进入第五步。

第五步：根据步骤三计算得出适应度值，算法进入下一代个体。

第六步：算法根据给定的交叉概率进行算法的杂交操作。

第七步：继续执行步骤六的杂交操作，这里初始化变异概率为10%。

第八步：转到步骤三。

第九步：根据前面步骤计算得出适应度值，从而得出最优解。

通过遗传算法得出最优解，即图像阈值。

通过遗传算法计算最佳阈值时，交叉率和变异率[15-16]的选取是最重要的，对算法的收敛性影响非常大。SRINVIVAS等人提出的自适应基本遗传算法，可以根据适应度自动调整交叉概率和变异概率。在自适应基本遗传算法中，和根据如公式（17）和公式（18）自行调整：

公式（17）和公式（18）中，为群体中最大适应度值，为每代群体的平均适应度值，为待交叉的两个个体中较大的适应度值，为待变异个体的适应度值，k1、k2、k3、k4为（0，1）之间的调整系数。

从公式（17）、公式（18）可看出，当个体适应度值无限接近最大适应度值时，交叉概率、变异概率就较小;当个体适应度值等于最大值时，交叉概率、变异概率接近为零。这很容易导致局部最优化的进化趋势。因此，可以通过进一步改进算法，让算法跳出局部最优解，获得全局最优解。

其中，是群体中最大适应度值，是每代群体的平均适应度值，是待交叉两个个体中较大的适应度值，是待变异个体的适应度值，是最大交叉概率，是最大变异概率。

改进遗传算法能得到最优解，并得到最优的图像分割阈值。

4、仿真数据分析（Simulation data analysis）

本文选取丽娜标准图像来进行实验，分别采用阈值分割、改进遗传算法分割。通过实验，利用本文提出的算法能大大缩短图像分割时间，其中最大阈值为135，最小阈值为116，阈值的范围稳定在9个像素之內，时间却能大大缩短。实验结果如表1和表2所示，图1为原图，图2为阈值分割，图3是本文改进遗传算法分割的结果。

5、结论（Conclusion）

首先，针对现实生活中对特定的图像、特定图像的局部区域的需求，分析最常用最简单的获取局部图像的方式是图像分割，可以通过传统图像分割获取，效率不高。其次，本文结合传统图像分割方法、自适应遗传算法，提出新的改进图像分割方法，本文算法主要利用改进自适应遗传算法能够进行全局搜索、自适应能力强，能在最短时间获得最佳阈值的特点，让算法在保持群体多样性的同时提高了收敛速度，从而达到图像的最佳分割。最后，通过对图像进行实时分割显示，改进之后的遗传算法能较好地处理遗传算法的群体多样性，能较大的缩短图像分割的时间，获得的目标图像相对清晰，质量较高，具有较好的分割效果。

来源：软件工程​李茂民邹臣嵩