李茂民 鄒臣嵩

摘? 要：本文提出一種新的基于改進(jìn)遺傳算法和閾值圖像分割相結(jié)合的人像圖像分割方法。這種新的改進(jìn)方法以遺傳算法為基礎(chǔ)，利用遺傳算法具有較高的搜索效率、明顯的搜索精度，提升了圖像分割閾值的精度獲取，提高了圖像分割的抗噪能力，在提升閾值穩(wěn)定的同時，提升了閾值的獲取速度及獲取精度，解決了傳統(tǒng)算法應(yīng)用于人像圖像分割時分割效果不理想、分割精度較低的缺點(diǎn)。經(jīng)過實(shí)驗(yàn)驗(yàn)證，利用本文改進(jìn)算法能達(dá)到較好分割效果，具有較好的抗噪能力，從而縮短分割圖像時間。

關(guān)鍵詞：人像;圖像分割;遺傳算法

中圖分類號：TP311? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：2096-1472（2022）-01-37-03

Abstract： This paper proposes a new portrait image segmentation method based on a combination of improved genetic algorithm and threshold image segmentation. Genetic algorithm， which has higher search efficiency and obvious search accuracy， is used as a basis in the new improved method to improve the accuracy acquisition and the anti-noise ability of image segmentation. While increasing the stability of the threshold value， it improves the speed and accuracy of the threshold value acquisition， so to overcome the shortcomings of unsatisfactory segmentation effect and low segmentation accuracy when traditional algorithms are applied to portrait image segmentation. Experiments verify that the improved algorithm in this paper achieves a better segmentation effect and has better anti-noise ability， thereby shortening the image segmentation time.

Keywords： portrait; image segmentation; genetic algorithm

1? ?引言（Introduction）

隨著信息技術(shù)的不斷發(fā)展，圖像處理的應(yīng)用普遍存在于我們的生活和工作中。在圖像處理過程中，我們往往會對圖像的特定區(qū)域[1-2]、局部區(qū)域感興趣，這就要求將一幅完整圖像分解成不同性質(zhì)的區(qū)域，而圖像分割是能完美完成該項(xiàng)工作的圖像處理技術(shù)。圖像分割是圖像處理的關(guān)鍵技術(shù)[3-4]，其中閾值分割[5-6]是計(jì)算簡單、實(shí)用性較強(qiáng)的圖像分割方法，基于閾值的分割主要是利用灰度閾值分割[7-8]，閾值分割的核心是確定最佳閾值分割[9]。

本文提出的新改進(jìn)遺傳算法應(yīng)用圖像閾值確定，通過遺傳算法的選擇、交叉、變異概率變化來獲得圖像分割最佳閾值，進(jìn)而獲得相當(dāng)穩(wěn)定、準(zhǔn)確的圖像。

2? Otsu算法的多閾值分割（Multi-threshold segmentation of Otsu algorithm）

Otsu算法分割算法[10-11]是把圖像分離成背景、目標(biāo)、計(jì)算目標(biāo)、背景平均灰度值和類間方差[12-13]，遍歷后求解得到最大類間方差值，進(jìn)而得出求解最佳閾值。

先演算雙閾值分割流程。設(shè)有兩個閾值t1和t2，將圖像分為三類：C0、C1和C2。其中：

由式（1）—式（10）可知，Otsu閾值分割將一幅灰度圖分為多類，各類出現(xiàn)的概率和等于1，如式（11）所示;各類的條件概率灰度均值與各類的出現(xiàn)概率之積的和即為灰度均值，如式（12）所示。

在推算出雙閾值后，進(jìn)一步推算出閾值分割，可以進(jìn)一步將圖像分割成多類，從而計(jì)算出多個不同閾值的公式，表示如下：

3? 改進(jìn)遺傳算法在人像分割中的應(yīng)用（Application of improved genetic algorithm in portrait segmentation）

一般而言，遺傳算法[14]的流程如下：

第一步：確定編碼。本文采用二進(jìn)制編碼的方式，因?yàn)閳D像灰度值為0—255，所以將16 位二進(jìn)制串進(jìn)行閾值編碼，前面8 位二進(jìn)制數(shù)值為閾值，閾值用后面8 位二進(jìn)制數(shù)值表示;當(dāng)進(jìn)行解碼時則是將16 位二進(jìn)制串分別解碼為兩個0—255的數(shù)，最后求出所需適應(yīng)度值。

第二步：初始化種群。遺傳算法最終的效率和良好結(jié)果是由初始群體的適當(dāng)規(guī)模所決定的。如果規(guī)模太小，造成搜索空間不夠，達(dá)不到所需最優(yōu)解;反之如果規(guī)模太大，就會影響計(jì)算的復(fù)雜性。

第三步：計(jì)算出遺傳算法中的適應(yīng)值。

第四步：當(dāng)算法滿足條件停止后進(jìn)入第九步，否則就進(jìn)入第五步。

第五步：根據(jù)步驟三計(jì)算得出適應(yīng)度值，算法進(jìn)入下一代個體。

第六步：算法根據(jù)給定的交叉概率進(jìn)行算法的雜交操作。

第七步：繼續(xù)執(zhí)行步驟六的雜交操作，這里初始化變異概率為10%。

第八步：轉(zhuǎn)到步驟三。

第九步：根據(jù)前面步驟計(jì)算得出適應(yīng)度值，從而得出最優(yōu)解。

通過遺傳算法得出最優(yōu)解，即圖像閾值。

通過遺傳算法計(jì)算最佳閾值時，交叉率和變異率[15-16]的選取是最重要的，對算法的收斂性影響非常大。SRINVIVAS等人提出的自適應(yīng)基本遺傳算法，可以根據(jù)適應(yīng)度自動調(diào)整交叉概率和變異概率。在自適應(yīng)基本遺傳算法中，和根據(jù)如公式（17）和公式（18）自行調(diào)整：

公式（17）和公式（18）中，為群體中最大適應(yīng)度值，為每代群體的平均適應(yīng)度值，為待交叉的兩個個體中較大的適應(yīng)度值，為待變異個體的適應(yīng)度值，k1、k2、k3、k4為（0，1）之間的調(diào)整系數(shù)。

從公式（17）、公式（18）可看出，當(dāng)個體適應(yīng)度值無限接近最大適應(yīng)度值時，交叉概率、變異概率就較小;當(dāng)個體適應(yīng)度值等于最大值時，交叉概率、變異概率接近為零。這很容易導(dǎo)致局部最優(yōu)化的進(jìn)化趨勢。因此，可以通過進(jìn)一步改進(jìn)算法，讓算法跳出局部最優(yōu)解，獲得全局最優(yōu)解。

其中，是群體中最大適應(yīng)度值，是每代群體的平均適應(yīng)度值，是待交叉兩個個體中較大的適應(yīng)度值，是待變異個體的適應(yīng)度值，是最大交叉概率，是最大變異概率。

改進(jìn)遺傳算法能得到最優(yōu)解，并得到最優(yōu)的圖像分割閾值。

4? ?仿真數(shù)據(jù)分析（Simulation data analysis）

本文選取麗娜標(biāo)準(zhǔn)圖像來進(jìn)行實(shí)驗(yàn)，分別采用閾值分割、改進(jìn)遺傳算法分割。通過實(shí)驗(yàn)，利用本文提出的算法能大大縮短圖像分割時間，其中最大閾值為135，最小閾值為116，閾值的范圍穩(wěn)定在9 個像素之內(nèi)，時間卻能大大縮短。實(shí)驗(yàn)結(jié)果如表1和表2所示，圖1為原圖，圖2為閾值分割，圖3是本文改進(jìn)遺傳算法分割的結(jié)果。

5? ?結(jié)論（Conclusion）

首先，針對現(xiàn)實(shí)生活中對特定的圖像、特定圖像的局部區(qū)域的需求，分析最常用最簡單的獲取局部圖像的方式是圖像分割，可以通過傳統(tǒng)圖像分割獲取，效率不高。其次，本文結(jié)合傳統(tǒng)圖像分割方法、自適應(yīng)遺傳算法，提出新的改進(jìn)圖像分割方法，本文算法主要利用改進(jìn)自適應(yīng)遺傳算法能夠進(jìn)行全局搜索、自適應(yīng)能力強(qiáng)，能在最短時間獲得最佳閾值的特點(diǎn)，讓算法在保持群體多樣性的同時提高了收斂速度，從而達(dá)到圖像的最佳分割。最后，通過對圖像進(jìn)行實(shí)時分割顯示，改進(jìn)之后的遺傳算法能較好地處理遺傳算法的群體多樣性，能較大的縮短圖像分割的時間，獲得的目標(biāo)圖像相對清晰，質(zhì)量較高，具有較好的分割效果。

參考文獻(xiàn)（References）

[1] 趙玲，周桂紅.基于ISODATA算法的草莓圖像分割[J].湖北農(nóng)業(yè)科學(xué)，2016，55（18）：4812-4813，4852.

[2] 殷文俊，張新偉，易克傳.基于OTSU遺傳算法的核桃表面裂紋檢測[J].信陽農(nóng)林學(xué)院學(xué)報，2020，30（04）：117-120.

[3] 王丹，周錦程.一種改進(jìn)的遺傳算法在圖像分割中的應(yīng)用[J].科技視界，2016（13）：108-109，117.

[4] 吳掬鷗，袁曉桂.基于閾值分割技術(shù)的圖像分割法研究[J].現(xiàn)代電子技術(shù)，2016，39（16）：105-107.

[5] 王艷，祁萌.基于遺傳算法和閾值分割的夜間蘋果識別方法[J].機(jī)械設(shè)計(jì)與研究，2020，36（03）：220-225，233.

[6] 錢文秀，常青，向輝，等.基于深度監(jiān)督顯著目標(biāo)檢測的草莓圖像分割[J].華東理工大學(xué)學(xué)報（自然科學(xué)版），2020，46（01）：114-120.

[7] 桂預(yù)風(fēng)，蘇鵬.基于改進(jìn)遺傳算法的自動閾值圖像分割方法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2015，45（19）：193-197.

[8] 洪浩，霍春寶，王京，等.基于改進(jìn)Otsu算法在前方目標(biāo)車輛識別中的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2016，26（06）：78-81.

[9] 李康順，李茂民，張文生.一種基于改進(jìn)遺傳算法的圖像分割方法[J].計(jì)算機(jī)應(yīng)用研究，2009，26（11）：4364-4367.

[10] PERAFáN-LóPEZ J C， SIERRA-PéREZ J. An unsupervised pattern recognition methodology based on factor analysis and a genetic—DBSCAN algorithm to infer operational conditions from strain measurements in structural applications[J]. Chinese Journal of Aeronautics， 2021， 34（2）：165-181.

[11] 羅鈞，劉建強(qiáng)，龐亞男.基于鄰域搜索JADE的二維Otsu多閾值圖像分割[J].系統(tǒng)工程與電子技術(shù)，2020，42（10）：2164-2171.

[12] 王春華，韓棟.自適應(yīng)控制下圖像分割及并行挖掘算法[J].沈陽工業(yè)大學(xué)學(xué)報，2020，42（2）：197-202.

[13] 呂鑫，慕曉冬，張鈞.基于改進(jìn)麻雀搜索算法的多閾值圖像分割[J].系統(tǒng)工程與電子技術(shù)，2021，43（2）：318-327.

[14] 王微微，李奕超，趙瑞蓮，等.Web應(yīng)用前后端融合的遺傳算法并行化測試用例生成[J].軟件學(xué)報，2020，31（5）：1314-1331.

[15] 孫波，姜平，周根榮，等.基于改進(jìn)遺傳算法的AGV路徑規(guī)劃[J].計(jì)算機(jī)工程與設(shè)計(jì)，2020，41（2）：550-556.

[16] 夏春艷，張巖，萬里，等.基于否定選擇遺傳算法的路徑覆蓋測試數(shù)據(jù)生成[J].電子學(xué)報，2019，47（12）：2630-2638.

作者簡介：

李茂民（1983-），男，碩士，講師.研究領(lǐng)域：演化計(jì)算，計(jì)算機(jī)應(yīng)用.本文通訊作者.

鄒臣嵩（1980-），男，碩士，副教授.研究領(lǐng)域：數(shù)據(jù)挖掘與網(wǎng)絡(luò)安全研究.