分割阈值范文

2024-05-26

分割阈值范文（精选7篇）

分割阈值第1篇

图像分割被定义为这样的一个过程, 即按照一定的规则, 把一幅图像分成些许个互相没有联系的小区域, 且在这个过程中产生图像的基元。这里的小区域是指在一定情境下具有相同属性的像素的连通集合, 而连通是一种连接的路径, 就是在集合中随意的两个点之间有着全部属于这个集合的路径。在图像中, 我们可以看出, 若表示的是同一物体的区域, 这些像素都具有相同的特点, 而对于不同的物体, 这些特点却完全不同。

阈值法是图像分割中应用最普遍的基本分割技术, 具有性能稳定、实现简单、计算量小等特点。使用阈值法时, 是将图像的灰度级分为几个部分, 对于同一部分的像素就把它当作一个物体, 而这个过程是通过用一个或者几个阈值来实现的。在阈值法的应用中, 最关键的部分是阈值的选取。本文主要介绍并比较了两种阈值选取的方法及使用效果, 它们是迭代法和最大类间方差法。

1 迭代法

迭代法的基本步骤如下:

(1) 选取初始估计值, 设它为T0。

(2) 用这个估计值T0来分割图像, 令所有的灰度值和T0来比较, 大于它的像素组成了G1, 小于它的则为G2。

(3) 计算平均灰度值, G1的平均灰度值为μ1, G2的平均灰度值为μ2。

(4) 再次计算新阈值

重复第 (2) ~ (4) 步, 直到事先定义好的T0参数大于计算出的T值, 且两组的平均灰度值μ1和μ2不再发生改变, 那么我们就获得了所需要的阈值。

由此法得到的阈值能够把图像的前景和背景的主要部分所在的位置都区分出来, 但是图像的某些细微处没有得到很好的区分。

2 最大类间方差法

最大类间方差法是由Otsu于1978年提出的, 它因为计算简单, 稳定性好, 被普遍使用。最大类间方差法的原理是:设图像有L个灰度级, 灰度值是i的像素数为ni, 则总的像素数是各灰度值出现的概率为Pi=ni/N, 其中。设以灰度t为门限, 将图像分割成两个区域:像素区域A即背景类的区域, 灰度级为0~t;像素区域B即目标类的区域, 灰度级为t+1~L-1。A和B出现的概率分别为:

A和B两类的灰度均值分别为:

图像总的灰度均值为:

因此可以得到A、B两区域的类间方差为:

上文中所提及的PA、PB、ωA、ωB、ω0、σ2均为关于灰度级t的函数。为了得到最优分割阈值, Otsu把两类的类间方差作为判别标准, 认为使得σ2值最大的t*为所求的最佳阈值:

因为方差是灰度分布均匀性的一种度量, 方差越大, 说明构成图像的两部分差别越大。

最大类间方差法在某种程度上改善了分割的效果, 但是它却增加了计算复杂度而且比较耗时, 所以在当前要求实时性高的情况下很难广泛应用。例如, 在高速公路自动收费系统中, 对定位出的车牌需要进行二值化, 这时不仅要求好的分割效果, 而且实时性要高, 此方法在这方面很难达到要求。因此, 人们还需要在实时性方面对这一方法加以研究改进。

3 实验与分析

本文中, 针对植物细胞图像和流感细胞图像, 分别采用迭代法和最大类间方差法选取阈值, 对图像进行了处理。图1为植物细胞和流感细胞的灰度图。图2为植物细胞和流感细胞迭代法阈值分割图。图3为植物细胞和流感细胞最大类间方差法的阈值分割图。

由单阈值分割图像程序可得到植物细胞图像的迭代法所得的阈值T=153, 最大类间方差法所得阈值t*=86;流感细胞图像的迭代法所得阈值T=86, 最大类间方差法所得阈值t*=86。对这两种方法在MATLAB中进行仿真, 得到分割后的图像清晰, 细胞及细胞外部结构都能明显呈现, 但是最大类间方差法的分割效果较迭代法优良, 分割的效果明显些。

4 结论与展望

本文在阈值分割部分, 针对最大类间方差法进行了详细的讨论, 并对两种方法分割后的图像进行了讨论比较。由实验可知, 背景和目标之间的类间方差对图像效果影响很大, 二者的类间方差越大, 构成图像的两部分的差别就越大。除此之外, 人们还提出了一系列的图像分割方法, 如一维最大熵图像分割、二维最大熵图像分割、基于小波变换的图像分割、模糊聚类、共生矩阵等。这些方法应用于不同的领域, 有他们各自的优点。相信随着人们探索的不断深入, 将会有更多、更好的方法涌现出来, 为科学研究以及人们的日常生活提供便利。

摘要：图像分割阈值法具有实现容易、计算量小、性能稳定等优点, 因此这种方法成为图像分割领域中应用最普遍的方法。主要讨论了关于图像的单阈值分割算法的设计与实现, 比较了基于迭代法和基于最大类间方差法的单阈值分割算法, 设计了阈值最大类间方差的分割算法及实现程序。仿真结果表明所提出的算法有效, 分割效果好。

关键词：图像分割,单阈值,灰度直方图,MATLAB语言

参考文献

[1]章毓晋.图像处理和分析[M].北京:清华大学出版社, 2001.

[2]刘直芳, 王运琼, 朱敏.数字图像处理与分析[M].北京:清华大学出版社, 2006.

[3]刘平, 图像分割阈值选取技术综述[J].计算机工程与应用, 2004 (12) :6-7.

[4]任红霞, 郭慧芬.有关复杂图像的多阈值分割法初探[J].濮阳职业技术学院学报, 2007 (5) :15-17.

[5]梁忠伟, 叶邦彦, 彭锐涛, 等.基于灰度直方图的数字图像多阈值分割技术研究[J].航空精密技术学报, 2001 (6) :22-24.

基于局部阈值的图像分割方法第2篇

关键词：局部阈值,图像分割,形态学开运算,形态学闭运算,最大类间方差

图像分割技术是图像处理的基本技术, 通过图像分割可以提取图像中感兴趣的部分, 并为后续的图像理解提供重要的依据。该技术是图像分析及视觉系统的重要组成部分, 也是成功进行图像分析、理解与描述的关键, 受到了研究人员的广泛关注。

图像阈值分割由于其直观性和简单性在图像分割应用中占有重要的地位, 其关键是如何选取阈值。基于类别可分性准则的Otsu分割法因自适应强而成为广泛使用的分割算法, 可快速对图像进行分割。但经典的Otsu分割法在背景照明不均匀时可能失效, 本文使用局部变化的阈值函数对图像进行阈值处理, 首先用Ostu分割法选择最大化类间方差的阈值, 然后通过图像形态学的开运算和闭运算得到局部变化的阈值函数, 最后用新得到的阈值函数对图像进行阈值处理。

1 基于最大类间方差的图像分割方法

图像分割的目标一般分为两类, 一类是感兴趣区域提取, 另一类是针对地物分类的图像分割。本文的图像分割属于第1类。二维图像的每一个像素的信息都可以用灰度来表示, 所有灰度值的统计可以用一维直方图来表示, 则:

其中, n是图像中的像素总数, pi是灰度级为的像素数目, L是图像中所有可能的灰度级数。假设我们现在已经选定了一个阈值k, C1是一组灰度级为的像素。类间方差定义为:

对于图像分割阈值T (0

目标和背景的平均灰度值记为:

其中,

2 基于局部阈值的图像分割方法

由于图像来源千差万别, 以及在传输过程中易受到噪声的干扰, 导致起直方图分布具有多样性, 采用经典的Otsu分割法不能得到满意的结果, 甚至在背景照明不均匀时可能无效。针对全局阈值处理方法在背景照明不均匀时可能无效和不能较好的抑制噪声, 本文提出了一种局部阈值的图像分割方法, 该方法通过应用形态学开运算、闭运算和最大类间方差得到一个局部变化的阈值函数, 然后利用该阈值函数对图像进行阈值处理, 最后得到分割后的图像:

其中, T (x, y) =f0 (x, y) +T0, 图像f0 (x, y) 是f的形态学开运算后再做闭运算所得到的图像, T0是利用最大类间方差得到的初步阈值。

3 实验结果分析

实验选取coins, cameraman图像和带有噪声的指纹图像为例。其中 (a) 、 (b) 图像显示的分别是coins原图像和本文方法分割后的结果; (c) 、 (d) 图像分别是cameraman原图像和本文方法分割后的结果; (e) 、 (f) 图像分别是含噪声的指纹图像和本文方法分割后的结果。

由 (b) 图可以看出本文方法除了中间一个灰度值较小的硬币外, 其他硬币都得到了较好的分割;由 (d) 图可以看出通过局部阈值方法能较好地把目标图像从背景中分割出来, 并且能有效第去除草地和远处房屋的噪声点。 (f) 图显示带噪声的指纹图像的杂散点被有效地去除了, 得到了较理想的指纹分割图像。

4 结语

本文提出了一种基于局部阈值的图像分割方法, 该方法通过应用形态学开运算、闭运算和最大类间方差得到一个局部变化的阈值函数, 然后利用该阈值函数对图像进行阈值处理, 最后得到分割后的图像。MATLAB仿真实验结果表明, 该方法能有效地分割图像、对噪声具有较好的抑制作用。

参考文献

[1]Otsu N.A threshold selection method from gray-level histogram[J].IEEETransactions on Systems, Man, and Cybernetics, 1979.

[2]安成锦, 牛照东, 李志军.典型Otsu算法阈值比较及其SAR图像水域分割性能分析.2010.

分割阈值第3篇

一维最大相关准则法由Yen[3],等人提出。该方法以图像的一维直方图为依据,以目标和背景的相关总量为最大选择阈值,在多数情况下能取得很好的阈值。但在实际应用中,当图像信噪比降低时,应用一维最大相关法将产生很多分割错误。为此,2005年陈修桥[4],等人将一维最大相关法(MCC)推广到二维。二维最大相关法应用二维直方图,不仅反映了灰度分布信息,还反映了邻域空间相关信息,使分割效果得到了明显改善。但其计算量大、耗时长,难以实用。为了解决这一问题,本文利用积分和迭代编程技术,实现了算法的简化,减少了计算复杂度,增强了算法的实用性。

1 二维最大相关准则阈值分割

若一幅图像的灰度级数为L,总的像素点数为N(m×n),设为图像中点灰度为i、区域灰度均值为j的像素点数,为点灰度-区域灰度均值对(i,j)发生的概率,即:

其中,N(m×n)为图像的总像素数,则就是该图像关于点灰度-区域灰度均值的二维直方图。

图1为二维直方图的xoy平面图。沿对角线分布的A区和B区分别代表目标类和背景类,远离对角线的C区和D区分别代表边界和噪声,所以应该在A区和B区上利用点灰度-区域灰度均值,通过二维最大法确定最佳阈值,使真正代表目标类和背景类的相关数为最大。这两类的分别被定义为:

其中:

快速最大熵多阈值图像分割算法第4篇

关键词：图像分割,最大熵,多阈值,快速算法

0 引言

图像分割就是依据图像的性质,将一幅图像划分不同区域的过程。图像分割是图像处理和计算机视觉中的基本技术,是图像分析、理解和描述的关键步骤。阈值方法是一种重要的图像分割方法,由于其算法简单和易于执行,在图像分割中得到了广泛的应用。如果只是将图像分为目标和背景两类,那么就只需要选取一个阈值,将图像中每个像素的灰度值与阈值比较,灰度值大于阈值的像素为一类,灰度值小于阈值的像素则为另一类。如果要将图像分为多个目标,就需要选取多个阈值,将图像中每个像素的灰度值与阈值比较,得到分割结果。

阈值方法都是通过图像的统计直方图进行分析处理,选取恰当的阈值。分割效果较好的两类阈值方法有最大类间方差法和最大熵法等。最大类间方差法,即Otsu算法,是通过最大化类间方差,得到最优阈值的方法[1,2]。最大熵法是通过使分割后的图像的熵最大化来选取最优阈值的方法[3]。

最大熵算法是图像分割阈值法中较好的方法之一,对不同目标大小和信噪比的图像均能产生很好的分割结果,且受目标大小的影响小,可用于小目标分割[4]。但因为传统的最大熵算法是使用穷举法选取使目标函数取得最大值的阈值,并且目标函数中含有对数运算,所以,当分割的类别数量增加时,选取多阈值的计算量就会有很大的增加,计算速度就会变得很慢,难以满足实际应用要求。一些研究者为提高最大熵算法的分割速度进行了研究,提出了一些改进算法[5,6,7,8]。文献[5]通过减少搜索范围提出了一种提高选取阈值速度的方法;文献[6]根据递推公式提出了快速选取阈值的方法;文献[7]提出了一种利用粒子群优化算法提高选取阈值速度的方法;文献[8]提出了一种利用增量学习法(RL)提高选取阈值速度的方法。本文的研究目的就是要提高最大熵算法的运算速度。文献[2]针对Otsu算法利用代数运算的递推公式,提出了一种快速Otsu算法。受其思想启发,本文针对选取阈值的最大熵算法,提出了一种基于最大熵算法的快速阈值选取算法,能够实现对图像的多阈值快速分割。

1 图像阈值分割的最大熵算法

设图像有N个像素,{1,2,…,L}表示图像的灰度值集合,fi表示灰度值为i的像素数量,pi表示像素灰度值为i概率,那么:

$p_{i} = \frac{f_{i}}{Ν}, i = 1, 2 ‚ \dots, L (1)$

假设M表示图像分割的类别数量,因此就应该有M-1个阈值,记作{t1,t2,…,tM-1},将图像分割为M类:C1,C2,…,CM,分别对应的灰度值为{1,…,t1},{t1+1,…,t2},…,{tM-1+1,…,L}。那么,各类别所对应的灰度值概率分布为C1:p1/ω1,…,pt1/ω1,C2:pt1+1/ω2,…,pt2/ω2,…,CM:ptM-1+1/ωM,…,pL/ωM,其中 $ω_{k} = \sum_{i \in C_{k}} p_{i}, (k = 1, 2 ‚ \dots, Μ)$ 。那么,各类别Ck(k=1,2,…,M)的熵为:

$Η_{k} = - \sum_{i \in C_{k}} \frac{p_{i}}{ω_{k}} \log [\frac{p_{i}}{ω_{k}}] = \log ω_{k} - \frac{1}{ω_{k}} \sum_{i \in C_{k}} p_{i} \log p_{i} (2)$

其中 $ω_{k} = \sum_{i \in C_{k}} p_{i}, (k = 1, 2 ‚ \dots, Μ)$ 。于是,熵的判别函数定义为:

$e n t r o p y (t_{1}, t_{2}, \dots, t_{Μ - 1}) = \sum_{k = 1}^{Μ} Η_{k} (3)$

最大熵算法的原理就是使得图像中各个目标与背景分布的信息量最大。即求使熵的判别函数最大的分割阈值[2]。

$\begin{array}{l} {t_{1}^{*}, t_{2}^{*}, \dots, t_{Μ - 1}^{*} = \underset{1 \leq t_{1} < \dots < t_{Μ - 1} < L}{\arg \max} e n t r o p y (t_{1}, t_{2}, \dots, t_{Μ - 1}) \\ = \underset{1 \leq t_{1} < \dots < t_{Μ - 1} < L}{\arg \max} \sum_{k = 1}^{Μ} [\log ω_{k} - \frac{1}{ω_{k}} \sum_{i \in C_{k}} p_{i} l o g p_{i}] (4) \end{array}$

这就是最大熵算法求阈值的数学模型。

求解该模型时,一般采用穷举法。穷举法就是将满足1≤t1<L-M+1,t1+1≤t2<L-M+2,…,tM-2+1≤tM-1<L-1的所有参数{t1,t2,…,tM-1}代入式(3)计算其熵判别函数的值,比较得到其中取得最大值的参数{t*1,t $_{2}^{2}$ ,…,t*M-1},即为基于最大熵算法的最优阈值。

当类别数M较大时,式(3)的计算量会变得非常大,难以满足应用要求。下面讨论一种求解该数学模型的快速算法。

2 快速最大熵算法

定义:

$Ρ (u, v) = \sum_{i = u}^{v} p_{i}, (v > u) (5)$

和

$Q (u, v) = \sum_{i = u}^{v} p_{i} \log p_{i}, (v > u) (6)$

其中u,v=1,2,…,L,规定P(1,0)=0,Q(1,0)=0,则有:

$Ρ (1, v + 1) = \sum_{i = 1}^{v + 1} p_{i} = Ρ (1, v) + p_{v + 1} (7)$

$Q (1, v + 1) = \sum_{i = 1}^{v + 1} p_{i} \log p_{i} = Q (1, v) + p_{v + 1} \log p_{v + 1} (8)$

于是,有:

P(u,v)=P(1,v)- P(1,u-1) (9)

和

Q(u,v)=Q(1,v)-Q(1,u-1) (10)

$\begin{array}{l} ω_{k} = \sum_{i \in C_{k}} p_{i} = \sum_{i = t_{k - 1} + 1}^{t_{k}} p_{i} = \sum_{i = 1}^{t_{k}} p_{i} - \sum_{i = 1}^{t_{k - 1}} p_{i} \\ = Ρ (1, t_{k}) - Ρ (1, t_{k - 1}) = Ρ (t_{k - 1} + 1, t_{k}) (11) \end{array}$

$\begin{array}{l} \sum_{i \in C_{k}} p_{i} \log p_{i} = \sum_{i = t_{k - 1} + 1}^{t_{k}} p_{i} \log p_{i} = \sum_{i = 1}^{t_{k}} p_{i} \log p_{i} - \sum_{i = 1}^{t_{k - 1}} p_{i} \log p_{i} \\ = Q (1, t_{k}) - Q (1, t_{k - 1}) = Q (t_{k - 1} + 1, t_{k}) (12) \end{array}$

因此,计算目标函数值时只需要查找函数P(u,v),Q(u,v)的值即可。而函数P(u,v),Q(u,v)(u,v=1,2,…,L)可以预先计算形成一个二维表(表1,表2)。表1和表2中P(1,v)和Q(1,v)分别用式(7)、式(8)计算,P(u,v)和Q(u,v)(u>1)分别用式(9)、式(10)计算。

快速最大熵阈值算法的具体执行步骤如下:

第1步设置聚类数M;

第2步遍历(循环)参数{t1,t2,…,tM-1}(1≤t1<…<tM-1<L);

第3步查表1和表2,得到ωk和 $\sum_{i \in C_{k}} p_{i} \log p_{i}$ 的值;

第4步利用第3步得到的结果计算式(3)(熵判别函数的值);

第5步比较熵判别函数值的大小,得到最大熵判别函数值的参数{t*1,t*2,…,t*M-1},即为基于最大熵算法的最优阈值。

这样,在用新方法求解该模型时,就可以很大程度地降低计算量,有效地提高运算速度。传统穷举法中,在对于阈值{t1,t2,…,tM-1}的每一种组合循环计算时,加减法、乘法和对数运算的数量是O(L),因此,加法、乘法和对数运算总计算量约为O(LM-1)·O(L)=O(LM)。在新方法中,在对于阈值{t1,t2,…,tM-1}的每一种组合循环计算时,加减法、乘法和对数运算的数量是O(M),因此当L>>M时,加法、乘法和对数运算总计算量约为O(LM-1)·O(M)=O(LM-1)。与原方法相比计算量减少了一个数量级,将能有效地提高求解速度。

3 实验

对Lena、Peppers、Baboon、Boat等测试图像,分别采用传统的最大熵算法和本文提出的算法进行分割,比较分割所需的时间。所有的测试图像均为256×256像素,256阶灰度。实验所用硬件为安装了2.4GHz Core2 CPU的计算机,软件为Windows XP和Matlab。

图1～图4列出了应用本文提出的分割算法分别对Lena、Peppers、Baboon和Boat等图像分割的结果。实验结果表明,所选取的阈值与灰度直方图吻合较好,分割效果令人满意。

(a) 原图 (b) 灰度直方图 (c) 5水平阈值

表3分别列出了图像Lena、Peppers、Baboon、Boat对应不同分割类别数量所确定的阈值,以及采用经典的最大熵算法和本文提出的算法进行分割所需要的运算时间。实验结果显示,当分割类别数较大时,本文提出的算法与经典的最大熵算法相比运行时间大大地缩短,运行效率有非常显著地提高。

4 结语

最大熵算法,是图像分割阈值法中较好的方法之一。本文改进了最大熵算法的执行方法,利用递推公式将穷举法求解过程中需要重复计算的变量,预先计算后存入二维表备用,使整体计算量由O(LM)变为O(LM-1),减少了一个数量级,从而实现了对图像的多阈值快速分割。当分割类别数较大时,该算法与传统的最大熵算法相比运算速度有非常显著的提高,能够满足一般的应用需求,为最大熵算法应用于多阈值图像分割提供了有力的支持。

参考文献

[1]Otsu N.An automatic threshold selection method based on discriminant and least squares criteria[J].Trans Electric Comum Soc Jpn,J63-D(2),1988:349-356.

[2]Ping-sung Liao.A fast algorithm for multilevel thresholding[J].Journal of Information Sience and Engineering,2001,17:713-727.

[3]Kapur J,Sahoo P,Wong A.A new method for gray-level picture thresholding using the entropy of the histogram[J].Computer Vision,Graphics,and Image Processing,1985,29(3):273-285.

[4]刘文萍,吴立德.图像分割中阈值选取方法比较研究[J].模式识别与人工智能,1997,10(3):271-277.

[5]Wen-Tsuen Chen,Chia-Hsien Wen,Chin-Wen Yang.Fast two-dimen-sional entropic thresholding algorithm[J].Pattern Recognition,1994,27(7):885-893.

[6]Xuejing Wu,Yijun Zhang,Liangzheng Xia.A fast recurring two-di-mensional entropic thresholding algorithm[J].Pattern Recognition,1999,32:2055-2061.

[7]Liping Zheng,Guangyao Li,Yun Bao.Improvement of grayscale image 2D maximum entropy threshold segmentation method[C]//Logistics System and Intelligent Management2010IEEE International Confer-ence,3:324-328.

分割阈值第5篇

在对粮仓现场的图象图像拍摄过程中,由于受各种因素的干扰,所以接收的图像中必然会存在一定的噪声,影响数量识别的精度,在对粮仓现场的图象进行数量参数提取之前,必须对图象进行必要的降噪处理,以提高识别的精度[1]。得到质量比较好的图象之后(图1),就可以进入“鱼鳞体”的特征提取模块(图2),该模块的主要任务是将图象中的每个椭圆“鱼鳞体”进行分割,并对其进行区域标注。其具体实现第一步骤是二值化,二值化的处理中最重要的环节就是阈值的选取[2,3],基于离摄象机较远或光照较弱的区域图象灰度值会比其他区域低,而且光照情况不同时,不同时刻拍摄的图象整体灰度值也会不同。若使用全局固定阈值,必然严重影响识别效果,因此使用区域动态阈值,即把图像分成若干个相等的小块。若采用传统最大类间方差法计算局部阈值要对每一幅子块图像都要进行统计,速度慢[4],本文基于将遗传算法与改进的最大类间算法相结合提高运算速度,优化求解阈值的过程,缩短了计算时间,达到了提高计算散装粮仓粮袋数量效率的目的[5]。

2 局部阈值选取通过对最大类间方差法(Ostu)改进定义分类函数

从统计意义上讲,方差是表征数据分布不均衡性的统计量,要通过对两类问题进行分割,显然,适当的阈值使得两类数据间的方差越大越好,表明该阈值确实可以将两类不同的问题区分开了,同时希望属于同一类问题的数据之间的方差越小越好,在图象分割中类中内聚性好坏也是反映图象分割有效的一个重要标志[6,7],表明同一类问题具有一定的相似性。所以可以采用类内、类间方差比来作为选择阈值的评价方法,但是这种方法的优点是阈值选择准确,缺点是运算量大,速度慢。

根据上述设计思想,通过改进最大类间方差的方法,定义一个新的分类类别函数,用一个二维矩阵定义一幅图像记是像素(x,y)的灰度值,N×N是图像的大小,且f(x,y){0,1,2,…,S-1},S为图像的灰度级总数。具体步骤如下:

(1)求出图像中的所有像素的分布概率:

(2)用阈值t将全部像素分成两类:C1(目标类)包含了i≤t的像素和C2(背景类)包含了i>t的像素。C1和C2出现的概率为:

(3)根据方差定义:

其中,Nci为第i类中的像素个数,f(x,y)为原图像的像素,求出两类的方差σ12和σ22,灰度均值μ1和μ2,以及图像的总体灰度均值μ[8]:

(4)计算类内方差σa2,类间方差σb2:

(5)定义分类类别函数:

可见,当ψ(t)值达到最大时效果是最好的,能很好的体现图像分割效果,此时的ψ(t)作为我们所要选取的阈值。即选取最佳阈值Th=Th*,使得图像按照该阈值分为C1和C2两类后,满足:

3 基于遗传算法的阈值选取

遗传算法(Genetic Algorithm)是它是由美国的J.Holland教授1975年出版的著作Adaptation in Natural and Artificial Systems首先提出,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力。80年代Goldberg进行了大量的遗传算法研究,并成功将其应用于各种类型的优化问题。利用遗传算法寻找最佳阈值的步骤如下:

a)编码:初始群体的生成;

b)适应性值评估检测。本文采用上述定义计算各个个体的适应度Fit;

c)选择:选择的目的是为了从当前群体中选出优良的个体,使它们有机会作为父代为下一代繁殖子孙。本文主要采用轮盘赌选择法进行选择繁殖的父体[9]。下面是一个简单的赌轮的例子:

随机数为0.67落在了个体4的端内,本次选择了个体4。

d)交换:交换操作是遗传算法中最主要的遗传操作,这里可以事先设定它们交叉概率,一般取0.4~0.9。

(0110|1,1100|0)--交叉-->(01100,11001)

(01|000,11|011)--交叉-->(01011,11000)比较0,1相同的不变,不同的非0即1。

e)变异:变异首先在群体中随机选择一个个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。

f)检验结果最优准则是所求的Fit的值最大时搜索停止。

g)将最后一代的群体中适应度最大的个体作为所寻求的最优结果,并将其反编码,则求出Th*。

4 实验结果及分析

采用本文方法进行Matlab编程,设定群体中个体数N=10,染色体编码8位,交叉概率设为Pc=0.8,变异概率设为0.02,最大迭代次数G=50。二幅图关系比较如表1。

从表中两幅图比较可以看出基于遗传算法改进后的本文方法阈值计算时间明显小于最大类间方差法阈值计算时间,阈值计算时间缩短,有利于图像分割。所以,对一幅散装仓粮图像进行分割成若干个子块后,对每一个子块进行阈值选取采用本方法可以提高运算速度。

5 结束语

本文引进遗传算法与改进最大类间方差算法相结合,算法运算速度优于直接用最大类间方差计算速度,有效地弥补了用局部阈值法速度慢,难以适应实时性要求的缺陷,然而经过处理之后的方法,计算量还是很大,更为有效的方法仍需进一步探讨研究。最优阈值分割一直是图像分割的难题,至今仍然没有找到一种对所有图像都能有效分割的阈值选取方法,某种阈值分割方法只能适用于某一类图像,而对其他图像分割效果并不理想。

参考文献

[1]范立南,韩晓微,张广渊.图像处理与模式识别[M].北京:科学出版社,2007.

[2]李立源,陈维南.一种鲁棒的完全确定型的快速阈值化方法[J].模式识别与人工智能,1993,6[3]:225-241.

[3]Kapur J N,Sahoo P K,Wong A﹒A New Method for Gray-Level Picture Thresholding Using the Entropy of the Histogram.Computer Vision Graphics Image Processing,1985[29].

[4]扬帆.数字图像处理与分析[M].北京航空航天大学出版社.2007.

[5]Lin Ying,Fu Yang.bulk quantity of grain warehouse to identify key-rectangle scale image recognition.Journal of Zhejiang University.2007,41[40]:1643-1646.

[6]李刚,杨锦园.基于遗传算法的图像分割阈值选取[J].电脑与信息技术,2008,2[1]:8-9,37.

[7]朱虹.数字图像处理基础[M].北京:科学出版社,2005.

[8]张弘,曹晓光,谢凤英.数字图像处理与分析[M].北京:机械工业出版社.2007.

遗传算法在图像阈值分割中的应用第6篇

遗传算法 (Genetic Algorithm, GA) 是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法, 特别适合处理传统搜索算法解决不好的复杂非线性问题。以遗传算法为核心的进化算法已与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点, 受到许多学科的共同关注, 其鲁棒性、并行性、自适应性和不易陷入局部最优的特点, 能够有效地提高计算速度, 将其应用于图像阈值分割领域, 可以快速寻取最优阈值, 提高图像分割效率。

1图像分割

图像分割 (Image Segmentation) 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。它根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干互不相交的区域, 使得这些特征在同一区域内, 表现出一致性或相似性, 而在不同区域间表现出明显的不同。

图像阈值分割以其直观、易于实现、极大的压缩数据量等优点, 成为应用最广泛的一类分割方法。主要有两个步骤:①确定需要分割的阈值;②将分割阈值与像素点的灰度值比较, 以分割图像的像素。阈值法的分割效果很大程度依赖阈值的选取, 因此该方法的关键是如何选择合适的阈值。1981年Pun T提出了基于灰度直方图熵的分割算法, 这种算法能分割灰度图像, 对于灰度级少、分散集中的灰度图像分割效果好, 但对于灰度级较多、较分散的非理想双峰直方图图像, 在确定阈值时, 比较不明确, 分割效果欠佳。后来Kapur J 等人又改进了他的方法, 不需要先验知识, 而且对于非理想双峰直方图的图像也可以进行分割, 但在确定阈值时, 尤其是多阈值时, 计算量很大。因此我们将具有鲁棒性、并行性、自适应性等特点的遗传算法引入图像阈值分割, 利用其高效、并行的寻优能力可以大大缩短阈值的选取时间, 提高分割效率, 提高图像处理的实时性。

2遗传算法

2.1遗传算法基本原理

遗传算法是密执安大学教授J.Holland及其学生在1975年提出的, 是一种全新的随机搜索优化算法, 基本原理:通过模拟生物个体间的基因变换、变异和种群的世代更替, 保存对环境适应度高的染色体, 淘汰适应度低的染色体, 以实现优化的目的。它以自然选择和遗传理论为基础, 能够实现全局并行搜索, 是一种具有鲁棒性、并行性和自适应性的优化算法, 也是一种对目标空间进行随机全局搜索算法, 具有简单、快速、稳定性强等特点, 需要解决的问题越复杂、目标越不明确, 优越性就越大。在搜索之前, 先将变量以某种形式 (二进制编码、浮点数编码或实数编码) 进行编码 (编码后的变量称为染色体) , 不同的染色体构成一个群体, 对于群体中的染色体, 将以某种方法评估出其适应值。遗传算法用于图像分割算法流程如图1所示。

主要步骤描述如下:①问题的搜索空间的确定与参数的编码:将待分割图像的阈值看作在阈值取值空间内搜索最佳阈值参数。因此, 应将阈值从解空间转换到算法编码空间, 我们采用二进制编码方式;②初始化种群:确定种群规模大小, 在参数空间内, 随机生成待搜索阈值的初始种群, 遗传代数初始化为1;③设计适应度函数:遗传算法是根据适应度函数这个“择优标准”, 通过衡量种群中各个染色体生命力的强弱来选取生命力强的个体遗传到下一代;④设计遗传算子;⑤算法终止条件。本文将判断进化代数是否达到最大迭代作为算法的终止条件。

2.2GA中的关键技术

(1) 遗传算子选择。

GA的遗传算子包括选择算子、交叉算子和变异算子, 它们的任务是对群体中个体按照它们对环境适应的程度施加一定操作, 从而实现优胜劣汰的进化过程。①选择算子。常用的有轮盘赌选择、随机遍历抽样、局部选择及锦标赛选择等;②交叉算子。常用的有单点交叉、多点交叉、均匀交叉及洗牌交叉等;③变异算子。包括实值变异和二进制变异, 在图像处理领域, 一般采用二进制变异。

(2) 早熟收敛问题。

具体表现为:①群体中所有的个体都陷于同一局部极值而停止进化;②接近最优解的个体总是被淘汰, 进化过程不收敛。对此可以采用的解决方法有:①调节变异概率。既可防止优良基因因为变异而遭破坏, 又可在陷于局部最优解时为种群引入新的基因;②调节选择算子。放弃轮盘赌选择方法, 以避免早期的高适应度个体迅速占据种群和后期的种群中因个体的适应度相差不大而导致种群停止进化;该选择方式会使每一个个体都获得复制一份的机会, 体现不出好的竞争力, 无法实现遗传算法的优胜劣汰原则。Ting Kuo等人提出的具有破坏性选择的遗传算法, 以此来选择优秀和低劣个体, 这样可以在模式中具有大变动或存在GA-欺骗问题时, 起到很大作用。

(3) 结束条件设定。

根据问题不同, 可选用不同的结束条件。如果已知目标函数的极值, 则可以将是否达到极值要求作为结束条件。如果对时间有要求, 则可以将运行时间或代数作为结束条件, 也可将群体中个体多样性是否得以保持作为结束条件。

(4) 后期搜索迟钝问题。

遗传最开始时, 一般后一代的最优值要大于前一代, 到了一定代数时, 会出现后一代差于前一代的情况, 这种情况会影响收敛的速度, 引起后期搜索迟钝问题。因此, 我们得到新的一代后, 将后一代的最优值和前一代作比较, 如果增大, 说明遗传朝良性发展, 我们提高交叉概率, 降低变异概率, 可以加快收敛;当出现后一代最优解差于前一代时, 说明出现后期搜索迟钝问题, 我们一方面用前一代的最优值替换掉新一代的最优值来产生好的初始种群遏制恶性发展, 另一方面增加变异概率, 降低交叉概率来摆脱局部收敛的状态。

3遗传算法在图像分割中的应用现状

3.1遗传算法在图像阈值分割中的应用

GA可应用于大规模搜索空间的寻优问题, 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, 优化设计是最重要的, 将GA应用到算法中能解决很多困难。

吴玲艳等人提出基于直方图熵和遗传算法的图像分割法, 以灰度图像的直方图作为评价标准, 把图像分割问题定义为一个优化问题, 利用遗传算法的寻优高效性, 搜索到能使分割质量达到最优的分割参数, 该方法将遗传算法用于传统的分割方法中, 结果良好。种劲松等人提出基于遗传算法的图像阈值分割, 将遗传算法用于Otsu法和KSW熵法两种图像阈值分割方法中, 进行了针对图像分割的遗传程序所需的参数设计, 并采用遗传算法实现单阈值和多阈值图像分割, 大大缩短了寻找阈值的时间, 节省了运算时间。周铭等人提出基于遗传算法的自适应聚类图像阈值分割方法, 针对复杂背景条件下的红外图像分割问题, 将遗传算法引入最大类间方差法中, 同时结合人类视觉感知原理, 探讨了一种新的多阈值图像分割方法, 这种方法引入了一个自动判别且时空可变的目标背景条件和调整最佳分割区域的步骤, 提高了分割算法的质量及鲁棒性。常发亮等人提出基于遗传算法的彩色图像二维熵多阈值自适应分割, 将可变码长的遗传算法应用于多阈值分割处理过程, 采用基于多阈值的整数编码方式, 将图像分割的类别数即染色体的码长融合到适应度函数中, 实现了在对阈值寻优的同时优化分割类别数, 最终实现分割处理, 该方法具有阈值寻优速度快, 最优解对应图像分割效果好的特点。盛国芳等人将遗传算法应用于最佳熵阈值的确定中, 设定合适的遗传算子, 遗传算法不仅可以实现正确的图像分割, 并且使得分割速度大大提高。吴薇等人提出基于最大模糊熵原理的多阈值图像分割新算法, 通过定义一种简单的线性模糊隶属度函数, 将图像模糊划分为若干个不同的区域;同时采用自适应遗传算法搜索最大模糊熵准则下图像的一组最佳分割阈值, 并对遗传算法中的编码方式及交叉算子、变异算子进行了一些有益的改进, 极大地减少了计算量和存储空间, 加快了算法的搜索速度。通过仿真实验证明该算法对复杂图像良好的分割效果和较强的实时处理能力。郑毅等人提出了根据像素灰度值来确定每个像素与模糊集之间的隶属关系, 利用遗传算法来寻求模糊参数的最优组合来确定最优阈值, 得到的图像目标清晰, 分割效果较优, 有一定的应用前景。

3.2改进的遗传算法

乔双等人提出一种应用于图像分割的改进遗传算法, 充分考虑了图像数据本身的特殊性, 从而提高全局搜索能力和收敛速度出发, 算法中引入了优生算子、改进的变异算子和新个体, 避免局部早熟, 提高了收敛速度和全局收敛能力。改进遗传分割算法的分割效果明显优于传统分割算法。

陈玮等人利用遗传算法的高效搜索性能和模糊集合理论能较好地描述问题的模糊性和随机性, 提出了基于遗传算法的最大模糊熵快速分割算法, 将遗传算法和模糊集合理论结合起来应用于灰度图像单阈值和多阈值分割。有效地实现了快速分割, 并具有较好的鲁棒性。

张超等人提出的基于混沌遗传算法的图像阈值分割, 将混沌遗传算法与阈值分割方法融合, 利用混沌运动的随机性, 遍历性和初值敏感性进行种群初始化和变尺度变异。与遗传算法相比, 混沌遗传算法用于阈值寻优减少了运算时间, 提高了收敛率。

3.3对实际问题的解决

金联等人提出的基于遗传算法的超声图像水平集分割, 是在水平集分割方法的基础上, 以能量函数作为评价函数, 把图像分割问题变成一个优化问题, 利用遗传算法的寻优高效性, 搜索到能使分割质量到达最优的轮廓曲线。此方法对肝脏超声图像进行肿瘤的边缘提取有很好的效果, 可以完成图像的自动分割。

朱玲利等人针对CT 医学图像的特点, 将遗传算法与聚类分析两种工具相结合, 应用到医学CT 图像分割中。对K均值聚类做了简要分析和评论, 在此基础上将遗传算法引入聚类分析中, 利用遗传算法搜索的随机性和并行性, 从而克服了K均值聚类的局部性和对初始聚类中心的敏感性;并且可以根据分割的要求, 合理地调整聚类时的特征向量和权重。

侯振杰等人设计了一种基于熵的遗传聚类分割算法。以像素的灰度值为特征向量进行编码, 利用直方图熵法准则函数作为适应度函数, 采用基于排名的选择操作, 以一定的概率进行算术交叉和变异, 并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割。对于分割后获得的细胞核轮廓利用活动轮廓模型进行了优化, 从而获得连续的细胞轮廓曲线。

4结束语

从近年来图像分割方法的研究来看, 进一步完善基于遗传算法的图像分割研究趋势如下:

(1) 对原始的遗传算法的不断改进, 以便进一步提高遗传算法自身的鲁棒性和有效性, 更高效地确定最佳阈值, 在运行遗传算法时, 种群大小、染色体长度、交叉率、变异率、最大进化代数等参数对遗传算法的性能都有很重要的影响, 如何选择这些合适的参数是在以后工作中需要进一步解决的问题。

(2) 基于遗传算法的交互式分割研究的深入。由于很多场合需要对目标图像进行边缘分割分析, 例如对医学图像的分析, 需要进行交互式分割研究。

(3) 未来有待于将遗传算法与小波、分形、神经网络、模糊数学等方法结合起来对现有图像分割方法进行进一步改进。

(4) 对特殊图像分割的研究越来越得到重视。目前有很多针对立体图像、彩色图像、多光谱图像以及多视场图像分割的研究, 也有对运动图像及视频图像中目标分割的研究, 还有对深度图像、纹理图像、计算机断层扫描 (CT) 等特殊图像的分割技术的研究。相信随着更深入的研究, 存在问题会迎刃而解。

摘要：图像分割是目标检测和识别的基础, 对所采集到的图像进行分割处理是图像识别跟踪技术中实现目标检测的一种重要技术手段;遗传算法是一种优化算法, 利用其高效、并行的寻优能力, 通过选择、交叉和变异等遗传操作快速逼近最佳阈值, 大大缩短图像阈值分割中阈值的选取时间, 提高分割效率;介绍了遗传算法在图像阈值分割领域的应用研究进展。

分割阈值第7篇

近几年来,基于遗传算法的图像分割方法得到了很多学者的研究。由于遗传算法在搜索方面具有很强的优势,而图像分割的实质是在众多的参量中去寻找一个最优参量,以此作为分隔的依据。于是如果在图像分割中引入遗传算法去求取最佳阈值,将会大大提高分割效率。

本论文重点对基于传统遗传算法的图像分割算法进行了比较系统的研究。针对传统遗传算法的不足,提出了一些改进措施,并且设计新的阈值确定方法——类类距离法,将两者结合共同运用到脐橙图像分割中,得到了比较好的效果。在最大程度上避免基本遗传算法收敛性差,容易早熟等问题。

1 脐橙图像分割

对于脐橙出产大省湖南省,每年脐橙收获完后的分类,分等级进行销售是一项工作量庞大的任务。脐橙表面破损自动检测系统就是基于计算机视觉技术研发而成,其检测的精度较人工挑选有很大提高。该系统中脐橙图像分割算法好坏会直接影响系统检测脐橙表面是否破损的准确度。

通过特定装置获得比较清晰的彩色脐橙图像后,对于表面有破损的脐橙,要进行筛选清理。进行破损部分比对前,要对彩色脐橙图像先进行分割处理。把整幅图像分成脐橙和背景两部分,再提取脐橙部分的图像进行破损分析。这要求将脐橙的边缘和破损部分处理得非常清晰,最大可能的避免将破损区域误分割成图像背景。

2 改进的遗传算法

2.1 控制参数改进

在遗传算法中,直接影响到算法的收敛性的关键参数是:交叉概率与变异概率,它们的选取会影响到算法行为和性能。在适应度值变换的情况下将交叉概率与变异概率随之调整,以达到保证算法收敛性的目的。于是我们对交叉概率Pc和变异概率Pm按照如下公式进行自动调整:

其中,群体中最大适应度值用fmax表示,每代群体平均适应度值为favg,准备进行交叉的两个个体中具有较大的适应度值用f'表示,f为准备进行变异的个体适应度值,pc1为最大交叉概率,pm1为最大变异概率。

2.2 改进的阈值确定法——类类距离法

在图像分割算法中,如果选用了适当的阈值,使得图像分割后目标和背景两个类之间的差异最大为最佳分割。目标和背景的差异,可以用两个类别中心与阈值之间的距离差值来衡量。距离越大,表明两类问题之间区分得越好。同时我们也知道两类数据间的方差的大小也能显示两类问题之间是否区分开了。两类问题之间的方差越大,表明问题区分越好;同时同一类问题的数据之间的方差越小越好,表明同一类问题具有一定的相似性,同一类问题内中的像素的内聚性也越好。其分割效果也越好。

根据最大方差分割法的公式,我们假设阈值t可将需要分割的所有像素划分两类:和C1=(t+1,t+2,...,L-1)。由之前的公式我们可知C0的方差,C1类的方差,类内方差为:σw2=w0σ02+w1σ12

为了很好的区分两个类别之间的差距,我们设计用距离S来表示:

对于需要分割的图像来说,我们需要考虑图像内部相关领域的内聚性与距离性这两个要素。用得到的阈值分割点分割图像,做到既能使不同类之间类间距离最大,又要保证同一类问题的内聚性最好,这样才是最好的分割效果。本论文是在针对最大类间方差算法分析后,提出了对阈值进行改进的选取方法,即阈值求取公式为:

选择最佳的阈值t=Th,使得图像按照该阈值分成即C0和C1两类后,G(t)的值最大。

2.3 改进的脐橙图像分割算法步骤

(1)建立初始种群并编码。

在Matlab中,通过设计函数initpop建立初始种群,用rand()随机产生8个0-1之间的数字,小于0.5的处理成0,否则处理成1,形成8位二进制数编码的染色体。通常初始种群的规模选取不易过大。采用此方法随机生成第一次寻优的初始种群——10个染色体A1-A10。

(2)设计适应度函数,分别计算各个体的适应度值。

采用公式(4)作为适应度函数对个体进行适应度计算。计算各个体的适应度值。

(3)选择:利用轮盘赌进行选择操作,形成新的群体。具体做法是:先计算群体中各个体的适应度的总和f,再随机的生成0~f之间一个随机数k,然后从第一个个体开始累加,直到累加值大于此随机数k,此时最后一个累加的个体便是要选择的个体。如此重复,形成用于新的繁殖的个体。

(4)交叉:采用两点交叉,两个交叉点分别位于8位二进制串的前4位和后4位,生成新的一代种群A1''-A10'';交叉概率pc则根据公式(1)进行自适应调整,初始化Pc1=0.9

(5)变异:采用基本变异算子,变异概率pm用公式(2)进行调整。初始化Pm1=0.9

(6)终止条件:本程序中选择指定代数(150代)作为寻优循环跳出的判断条件。算法停止运行,此时具有最高适应度值的个体即为最佳阈值。

3 实验结果及分析

本实验模拟脐橙在传送带上的状态,采用1200万像素的佳能数码相机对脐橙图像进行采集。然后将采集的脐橙数字图像放到1G内存的计算机上利用Matlab编程进行分割。运用的改进的遗传算法作为其分割算法,适应度函数分别设计为最大类间方差、最小类内距、类间最大距离和本论文提出的类类距离。

下列图片是经过10次分割实验所得到的分割效果图。图1为脐橙原始图像,图2,图3,图4分别是采用适应度函数最大类间方差、最小类内距、类间最大距离进行分割的效果图,图5的脐橙分割的效果图是用本文提出的算法运行得到的。实验数据如表1所示。

实验中参数做如下设置:终止条件:总代数150;种群大小:10;编码长度:8位。

从表1,图2至图5可以得出以下结论:

1)脐橙图像利用遗传算法来分割,每次运行所得阈值都在变化,但变化的范围不是很大,只是在一定区域做细微波动。这种情况是正常的,也是完全可以接受的,其原因是由于遗传算法随机生产初始种群,这种随机性就带来了阈值的波动性。这也是遗传算法不稳定性的体现。但从表中数据看出采用本文所设计的改进的遗传算法,即交叉概率和变异概率随适应度自动调整,那么分割的图像所得到的阈值,其波动会限制在一个很小的范围以内(稳定在4个像素以内,阈值最大为60,最小为57),这样既保持了群体多样性,又保证了遗传算法的收敛性。同时其稳定性也明显地优于其他算法。

2)利用本文所设计的类类距离遗传算法进行图像分割可以极大减少阈值计算时间,平均运算时间比起其他几个常用方法都缩短了不少,平均仅在2.3s左右。在进化代数相同的条件下,本论文提出的图像分割算法较其他算法更有优势,收敛速度更快。

3)从图2至图5这几个图像分割结果图来看,本文所设计的分割方法中对脐橙图像中的破损部分,边缘轮廓等细节都有非常好的体现,可见结合遗传算法和类类距离法所设计出的图像分割新算法比其他常用算法有很大的优势。

4 总结

本文通过改变的遗传控制参数结合类类距离法,把改进后的遗传算法应用到脐橙图像分割中去。仿真实验结果表明,此图像分割算法由于所设计的寻找最优阈值的方案比较合理,阈值的计算时间缩短了,使得最终图像分割所用时间明显减少了。同时此方法还做到了将阈值范围稳定在4个像素以内,大大提高了算法全局收敛的稳定性。而且从视觉角度来看,其分割效果更明显,图像边缘处理很细致、清晰。实验证明本论文设计的算法分割图像不仅快速准确,而且还能满足各种图像的实时处理、分析的需求。具有较高的通用性和实用性。

摘要：图像分割是计算机视觉领域的一个重要而且基本的问题。本文提出了一套完整的脐橙图像分割算法,其采用改进的遗传算法结合改进的阈值分割方法。通过仿真实验,本文所提出的算法得出的阈值范围更加稳定,而且对分割图像的边缘处理得更细致。

关键词：脐橙,阈值分割,类类距离,改进遗传算法

参考文献

[1]姚敏.数字图像处理[M].北京:机械工业出版社,2006.

[2]孙艳歌,邵罕.基于改进遗传算法的最优阈值图像分割算法[J].信息系统工程,2010,10(6),26-27.

[3]童小念,刘娜.一种基于遗传算法的最优阈值图像分割算法[J].武汉理工大学学报:交通科学与工程版,2008,32(02),301-304.

[4]王强.图像分割中阈值的选取研究及算法实现[J].计算机与现代化.2006(10).54-56.

[5]左奇,史忠科.基于模糊理论的图像分割方法[J].西北工业大学学报,2003,(03):313-316.

[6]劳丽,吴效明,朱学峰.模糊集理论在图像分割中的应用综述[J].中国体视学与图像分析,2006,11(3):200-205.

[7]曹芳,吴迪.基于可见-近红外反射光谱技术的葡萄品种鉴别方法的研究[J].光学学报,2009,29(2),537-540.

[8]李华昌,谢淑兰,易忠胜.遗传算法的原理与应用[J].矿冶,2005,14(1):87-90.

本文来自 99学术网(www.99xueshu.com)，转载请保留网址和出处