基于遗传算法的图像分割优化研究

论文摘要

图像分割是模式识别与图像分析的预处理阶段，是图像处理的关键步骤，也是一种基本的计算机视觉技术，因此引起各方面人士的广泛关注。遗传算法是一种基于生物自然选择和遗传机理的随机搜索优化方法。近几年由于其求解复杂优化问题的巨大潜力及其在工业上的成功应用，越来越受到国内外学者的广泛关注。遗传算法具有使用简单、鲁棒性好、本质并行和自适应性的突出优点。在遗传算法中引入选择算子、交叉算子、变异算子和新个体，避免了局部早熟，提高了收敛速度和全局收敛能力。遗传算法作为一种并行算法，提高速度的潜力十分巨大。图像分割的计算复杂度高、计算时间长。为此，在图像分割领域，遗传算法常用来帮助确定分割阈值。本文在最佳直方图熵的基础上提出去杂最大熵分割方法。在求分割灰度值的过程中，通过在标准遗传算法（GA）中结合粒子群算法（PSO）得到的粒子群遗传算法（PSOGA）来提高算法的求解时间和求解精度。通过在一系列图像上进行分割测试后，证明采用PSOGA算法分割图像能够有效提高图像分割效率。在分割过程中，结合OpenCL并行运算技术，能够进一步提高算法的计算速度，缩短求解时间。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 遗传算法的研究现状
• 1.1.2 图像分割技术的研究现状和存在问题
• 1.2 问题提出与研究内容
• 1.3 论文结构
• 第二章 相关理论与技术
• 2.1 遗传算法
• 2.1.1 遗传算法的模型以及理论基础
• 2.1.2 遗传算法的实现步骤
• 2.2 图像分割
• 2.2.1 图像分割
• 2.2.2 基于阈值的图像分割方法
• 2.3 OpenCL 技术
• 第三章 基于粒子群遗传算法的图像分割方法
• 3.1 图像的最大熵阈值
• 3.1.1 最大熵分割的来源
• 3.1.2 最大熵的求解
• 3.2 图像的去噪音处理
• 3.3 算法原理及设计流程
• 3.3.1 粒子群算法
• 3.3.2 融合之后的遗传算法流程
• 第四章 基于粒子群遗传算法的图像分割系统的实现
• 4.1 系统的开发运行环境
• 4.2 系统模块的实现
• 4.2.1 图像预处理模块
• 4.2.2 遗传迭代模块
• 4.2.3 熵计算模块
• 4.3 系统整体实现
• 第五章 实验结论
• 5.1 实验结果与分析
• 第六章 总结
• 6.1 全文总结
• 6.2 展望
• 参考文献
• 致谢
• 在学期间公开发表论文及著作情况