当前位置:文档之家› 人工智能遗传算法新论文

人工智能遗传算法新论文

论文题目:遗传算法应用院系:计算机工程系专业:网络工程班级学号:*************:***2014年10月23日内容摘要图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。

图像的分割是以灰度值作为分割的依据,通过各个像素的灰度值和事先确定的阈值的比较来分割图像。

如何确定最合适的阈值是处理好图像分割的关键,这自然成为一直以来分割算法研究的焦点。

遗传算法是对生物进化论中自然选择和遗传学机理中生物进化过程的模拟来计算最优解的方法。

遗传算法具有众多的优点,如鲁棒性、并行性、自适应性和快速收敛,可以应用在图像处理技术领域中图像分割技术来确定分割阈值。

本文主要介绍基于遗传算法的最小误差阈值法、最大类间方差法(Otsu法)以及最佳直方图熵法(KSW熵法)等三种方法分割图像。

关键词:图像分割,遗传算法,阈值分割目录第一章绪论 .................................................. - 1 - 第二章遗传算法概述 ........................................ . - 1 -2.1遗传算法的研究历史....................................... - 1 -2.2生物背景................................................. - 2 -2.3遗传算法的基本思想....................................... - 2 -2.4遗传算法的几个概念....................................... - 2 -2.4.1适应度函数......................................... - 2 -2.4.2遗传算法最常用的算子............................... - 3 -2.5遗传算法运算的基本流程 (4)第三章图像分割的现状 ........................................ - 4 -3.1图像分割简介............................................. - 4 -3.2图像分割方法............................................. - 5 -3.2.1基于边缘检测的分割 (6)3.2.2基于区域的分割..................................... - 5 -3.2.3边缘与区域相结合的分割............................. - 5 -3.3阈值选取................................................. - 6 - 第四章基于新的遗传算法的图像分割 ............................ - 6 -4.1混沌遗传算法............................................. - 6 -4.2量子遗传算法............................................. - 6 -4.3免疫遗传算法............................................. - 6 - 结论 ........................................................... - 7 - 参考文献: ...................................................... - 7 -基于遗传算法的图像阈值分割第一章绪论图像分割是图像处理与计算机视觉的基本问题之一,是图像处理到图像分析的关键步骤。

图像分割方法(包括阈值法、边缘检测法、区域跟踪法)的研究始于上世纪50年代。

随着越来越多人的研究,近年来涌现了许多新理论、新方法,但是没有一种方法能满足所有图像分割领域。

在众多的图像分割技术中,阈值化技术是基于区域的图像分割技术,是图像分割中最重要而有效的技术之一。

阈值法是一种传统的图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。

在实际应用中,分割是对图像进一步分析、识别的前提,分割的准确性将直接影响后续任务的有效性。

其中阈值的选取是图像阈值分割方法中的关键技术。

遗传算法(genetic algorithm,GA)是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。

使用遗传算法求解科学研究工作和工程技术中各种组合搜索和优化计算问题这一基本思想早在20世纪60年代初期就由美国Michigan大学的Holland教授提出,其数学框架也于20世纪60年代中期形成。

由于GA的整体搜索策略和优化计算不依赖于梯度信息,所以它的应用范围非常广泛,尤其适合于处理传统方法难以解决的高度复杂的非线性问题。

在分割复杂的图像时,人们往往采用多参量进行信息融合,在多参量参与的最优值的求取过程中,优化计算是最重要的,把自然进化的特征应用到计算机算法中,将能解决很多困难。

遗传算法的出现为解决这类问题提供了新而有效的方法,它不仅可以得到全局最优解,而且大量缩短了计算时间。

在图像分割过程中,最关键的就是找到最优的阈值,遗传算法的整体搜索策略和优化搜索方法能够快速准确地得到基于成个灰度图像的阈值最优解。

第二章遗传算法概述1.遗传算法的研究历史遗传算法是演化计算的一个分枝,也是人工智能发展的一个重要领域。

它是受达尔文进化理论的思想而激发的一种用进化思想来解决问题的方法。

遗传算法研究的兴起是在80年代末和90年代初期,但它的历史起源可追溯至60年代初期。

早期的研究大多以对自然系统的计算机模拟为主。

如Fraser的模拟研究,他提出了和现在的遗传算法十分相似的概念和思想;同时代,演化计算思想首先是由I.Rechenberg于20世纪60年代在他的著作《演化策略》(“Evolution strategies”)一书中提出来的,然后一些研究者发展了他们的思想。

Holland和DeJong的创造性研究成果改变了早期遗传算法研究的无目标性和理论指导的缺乏。

其中,Holland于1975年出版的著名著作《自然系统和人工系统的适配》系统地阐述了遗传算法的基本理论和方法,并提出了对遗传算法的理论研究和发展极为重要的模式理论。

这一理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。

2.生物背景遗传算法正是模拟达尔文的这种遗传选择和自然淘汰的生物进化过程的计算模型,是一种具有“生存+检测”的迭代过程的搜索算法。

它以一种群体中的所有个体为对象,并利用随机化技术指导对一个被编码的参数空间进行高效搜索.其中,选择、交叉和变异构成了遗传算法的遗传操作;参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容;作为一种新的全局优化搜家算法,遗传算法以其简单通用、稳定性强、适于并行处理以及高效、实用等显著特点,在各个领域得到了广泛应用,取得了良好效果,并逐渐成为重要的智能算法之一。

3.遗传算法的基本思想生物在自然界中的生存繁衍,显示出了其对自然环境的自适应能力。

受其启发,人们致力于对生物各种生存特性的机理研究和行为模拟,为人工自适应系统的设计和开发提供了广阔的前景。

遗传算法就是这种生物行为的计算机模拟中令人瞩目的重要成果。

基于对生物遗传和进化过程的计算机模拟,遗传算法使得各种人工系统具有优良的自适应能力和优化能力。

遗传算法所借鉴的生物学基础就是生物的遗传和进化。

4.遗传算法的几个概念4.1 适应度函数在遗传算法中使用适应度来度量群体中各个个体在优化计算中有可能达到或接近或有助于找到最优解的优良程度。

适应度较高的个体遗传到下一代的概率就较大;而适应度较低的个体遗传到下一代的概率就相对小一些。

度量个体适应度的函数称为适应度函数。

评价个体适应度的过程为:(1)对个体编码串进行解码处理后,可得到个体的表现型;(2)由个体的表现型可计算出对应个体的目标函数值;(3)根据最优化问题的类型,由目标函数按一定的转换规则求出个体的适应度。

4.2 遗传算法最常用的算子(1)选择算子:选择算子从群体中按某一概率成对选择个体,某个体xi被选择的概率Pi与其适应度值成正比。

选择算子有很多,最常用的是比例选择算子。

它是把当前的个体按与适应度成正比的概率复制到新的群体中去。

比例选择实际上也是一种赌盘选择,其基本步骤为:①先计算出群体中所有个体的适应度的总和;②其次计算出每个个体的相对适应度的大小,它即为各个个体被遗传到下一代群体中的概率;③最后再使用模拟赌盘操作(即O和1之间的随机数)来确定各个个体被选中的次数。

(2)交叉算子:交叉算子将被选中的2个个体的基因链按概率进行交叉,生成2个新的个体,交叉位置是随机的。

(3)变异算子:变异算子将新个体的基因链的各位按概率进行变异,对二值基因链来说即是取反。

在遗传算法中使用变异算子主要由以下两个目的:①改善遗传算法的局部搜索能力;②维持群体的多样性,防止出现早熟现象。

5.遗传算法运算的基本流程(1)针对图像分割编写代码:遗传算法一般不直接处理空间的参数而是集进行编码,即用0和1构成的字符串形成矩阵。

(2)随机初始化像素群体X(0):=( x1,x2,…,xn):遗传算法从这些群体出发,模拟生物进化过程进行选择,最后得出需要的个体集合,满足优化搜索的要求。

(3)对当前像素群体X(t)中每个个体xi 计算其适应度F(xi),适应度表示了该像素的灰度值:遗传算法不涉及问题的具体领域,只需依据适应度函数控制像素变化。

根据适应度函数对每个像素计算其适应度,为选择提供依据。

设计适应度函数的方法是把问题的目标函数转换成合适的适应度函数和辅助函数。

(4)应用选择算子产生Xr(t)。

(5)对Xr(t)应用其他的算子,产生新一代像素群体X(t+1),应用其他的算子可以扩展图片像素的覆盖面,体现整体计算的策略。

(6)选择:这是是遗传算法的关键,它参照了适者生存的理论。

(7)变异:模拟了生物的基因突变现象。

对像素进行重新评价、选择如此循环往复,使图像中目标物体平均适应度不断提高直到上限则迭代过程收敛,算法结束。

GA的计算过程流程图如下:第三章图像分割的现状1.图像分割简介图像分割是一种重要的图像技术,它不仅得到人们广泛的重视和研究,也在实际中得到大量的应用。

图像分割在不同领域有时也用其他名称,如目标轮廓(Object Delineation)技术,阈值化(Thresholding)技术,图像区分或求差(Image discrimination)技术,目标检测(Target Detection)技术,目标识别(Target recognition)技术,目标跟踪(Target tracking)技术等。

相关主题