[发明专利]基于NSGA-Ⅱ进化算法的彩色图像分割

说明书

技术领域

本发明隶属于图像处理技术领域，主要用于对彩色图像进行分割以达到目标识别。

背景技术

图像分割在图像处理领域的作用是极其重要的，是计算机视觉和模式识别中关键技术之一，近年来许多学者将智能计算技术应用于图像分割领域，其主要包括神经网络、遗传算法、群智能算法以及人工免疫系统框架。所谓分割就是将图像分为若干区域，它们之间互相不重叠，每个区域代表图像中不同的特征，并把同一部分像素标记为相同的值，每个相同的值在分割过程中对应一个标记号。只要找到对应像素的特征标记号，就行得到对像素的分类结果，从而实现图像分割。

进化多目标优化是进化领域的一个重要研究方向，而基于pareto最优解概念的多目标遗传算法则是当前遗传算法的研究热点。

NSGA-Ⅱ是2002年Deb等人对其算法NSGA的改进，它是迄今为止最优秀的进化多目标优化算法之一，提出该算法的文献是《Deb K,Pratap A,Agarwal S,Meyarivan T.A fast and elitist multi-objective genetic algorithm:NSGA-II.IEEE Trans.on Evolutionary Computation,2002,6(2):182-197》。相对于NSGA而言，NSGA-Ⅱ具有以下优点：一是新的基于分级的快速非支配解排序方法降低了计算复杂度；二是为了标定快速非支配排序后同级中不同元素的适应度值，同时使当前pareto前沿面中的个体能够扩展到整个pareto前沿面，并尽可能地均匀遍布。该算法提出了拥挤距离的概念。采用拥挤距离比较算子代替了NSGA中的适应度共享方法；三是引入了精英保留机制，经选择后参加繁殖的个体所产生的后代与其父代个体共同竞争来产生下一代种群，因此有利于保持优良的个体，提高种群的整体进化水平。

发明内容

本发明的目的在于将图切能量函数式中的区域惩罚项R(x)和边界惩罚项B(x)作为多目标优化中的两个目标函数，避免了图切能量函数中参数λ的使用，提出一种基于NSGA-Ⅱ进化算法的方法来进行彩色图像分割，从而省略了λ参数的确定。

为实现上述目的，本发明包括如下步骤：

(1)输入一幅待分割图像；

(2)对待分割图像中的像素进行标记并聚类，得到标记并聚类后的图像；

(3)对标记并聚类后的图像用分水岭方法进行粗分割，得到粗分割后的图像；

(4)对粗分割后的图像进行种群初始化，得到初始化种群；

(5)计算初始化种群中的个体的适应度；

(6)初始化种群非支配快速排序，得到排序的序号和拥挤度距离：

6a)利用NSGA-Ⅱ算法中的非支配快速排序对初始化种群中的个体进行排序，生成排序的序号，把初始化种群中的个体按照序号从小到大划分等级；

6b)利用NSGA-Ⅱ算法中的拥挤度距离计算方法计算同一等级上的个体之间的拥挤度距离；

(7)根据排序的序号和拥挤度距离通过二元锦标赛算法选择父代种群；

(8)父代种群交叉和变异生成子代：

8a)对父代种群做交叉操作，得到交叉后的子代种群；

8b)对父代种群做变异操作，得到变异后的子代种群；

(9)父代和子代种群合并进行非支配快速排序，得到排序序号和拥挤度距离：

9a)利用NSGA-Ⅱ算法中的非支配快速排序对合并后种群中的个体进行排序，生成排序的序号，按照序号从小到大把合并后种群中的个体划分等级；

9b)利用NSGA-Ⅱ算法中的拥挤度距离计算方法计算同一等级上的个体之间的拥挤度距离；

(10)根据排序的序号和拥挤度距离通过二元锦标赛算法选择出精英种群；

(11)判断是否达到循环代数设置条件，本实验循环代数设置为700。若未达到则跳转到步骤(7)，并循环直至达到循环代数设置条件，输出pareto前端；

(12)从pareto前端中选取一个解，给待分割图像的像素点赋值，得到待分割图像中所有像素的最终分割结果。

本发明与现有技术相比具有以下优点：

第一，本发明利用梯度幅度对图像进行预先处理，并在梯度图像上运用形态学 开闭运算来平滑图像，最后在梯度图像的基础上采用分水岭算法对图像进行粗分割，从而有效地解决了过分割问题，降低了算法的时间复杂度。