基于遺傳算法的自適應圖像分割技術研究?

李曉芳 尹福成

（1.成都理工大學工程技術學院 樂山 614000）（2.內江師范學院 內江 641000）

1 引言

數字人技術是一種利用醫學圖像技術與計算機技術，通過圖像處理的方法實現人體組織的分割與重建。目前圖像分割方法主要有以下幾種：基于直方圖的圖像分割，基于邊界的圖像分割，基于區域的圖像分割，基于聚類的圖像分割以及基于遺傳算法的圖像處理技術。這些技術在分割過程中或多或少存在一些問題，如：分割精度低，處理速度慢，丟失信息嚴重等。為了解決這些問題，我們提出了一種基于雙種群遺傳算的自適應圖像分割技術，該技術不但極大地提高了計算機的處理能力，更重要的是分割精度高，為數字人重建技術奠定了基礎。

2 算法基礎

雙種群遺傳算法是基于種群競爭得來，由于生物在沒有競爭的條件下，獨立繁殖下一代，產生強壯個體的幾率極低，同時也降低了種群的多樣性。為了物種的延續，物種向正方向進化，物種間必須存在必要的競爭關系以及信息互換。基于這種原理，我們提出了具有雙干擾性的雙種群遺傳算法，即在傳統的遺傳算法中加入第二個種群競爭算子，從而實現對個體之間的相似度大小的計算，實現種群內部的競爭，并且保留種子個體和種子相似的個體，同時將這些個體和副種群進行信息的交流，并且替換掉相似度較高的個體，這樣不僅可以產生較好的新個體，也使得種群向著多樣性方向發展。

假定兩個不同個體分別為 p1和 p2，在這兩個個體中相同的基因占全部基因的比值被稱為相似度。即為S(P1，P2)=m/n，其中n為基因的總個數，m為兩個體中相同的基因個數。

為了準確判定兩種種群個體的相似性，我們選用Hamming距離來判定所有個體之間的相似度關系，其具體定義為

這里，n為總基因個數，aik為第i個個體中第k個基因的二進制值。

雙種群遺傳算法中，通常是引入好的個體，淘汰差的個體。這種篩選方法會使種群形式喪失多樣化，且對于那種較好的基因會造成錯誤篩出，這不利于種群的進化。為了解決這一問題，本文對于種群中的個體按其適應度值從大到小排列，而種群間個體的競爭力通過相似度分析來完成。這樣可以將兩個種群中的適應度函數值最小的個體選取出來，并使用其余的個體與該被選出來的個體進行相似度計算；假設相似度范圍在0.8～1之間時，我們認為這兩個個體是相似個體，其他的為非相似個體，將其重新設為新的種子點，并進行迭代。通過Hamming距離的判定，相似的個體與其他種群進行交叉，交叉后計算函數的適應度；適應度大的為主種群，同時為了保證種群的形式多樣化，副種群將重新生成新的個體，進入以后的迭代中。

圖1 低分辨率腦CT圖像加入不同比例隨機噪聲遺傳算法分割及改進算法分割效果圖

3 適應度函數

在數字人圖像分割中，選擇的適應度函數為

4 算法驗證與分析

為了驗證算法的合理性，我們在計算機上選取數字人CT圖進行了模擬計算驗證，計算中，使用的計算機資源參數為英特爾CPU Core i5-3210M@2.50GHz，內存16GB的筆記本電腦，使用Matlab R2014a軟件進行數值實驗。計算中，設定計算參數為：種群大小為45個個體，交叉率是變化的，變異概率 pm1為 0.007，pm2為 0.002，進化遺傳的代數為350代。將改進算法與非局部相似正則化算法結合實現數字人腦CT圖像的分割，每個分割結果都是進行了20次獨立的實驗求出的平均值。結果如圖1～圖2所示。

通過對雙種群遺傳算法分割的數字人CT圖像效果進行對比，我們可以看出，基于改進的雙種群遺傳算法，分割效果更好，精度更高，每代中的最優值和均值都比較穩定的，并且幾乎遺傳到第10代中就可以得到最優解，計算效率高。

圖2 高分辨率腦血管MRI圖像加入不同比例隨機噪聲遺傳算法分割及復原后改進算法分割效果圖

5 結果

在實驗中：我們設置初始種群大小為60個個體，交叉率可變的，變異概率為 pm1為0.007，pm2為0.002，最大進化遺傳的代數為350代。通過觀察圖1～圖2中的分割結果可以看出，改進的雙種群遺傳算法平均繁殖到第10代就可以得到最優解。雖然基于非局部相似正則化改進的遺傳算法可以分割多個目標，并且對噪聲的控制非常好，但雙種群的遺傳算法對噪聲相對比較敏感，容易得到精準的分割結果，當噪聲的污染比較嚴重時，該算法的分割優勢能更好地體現出來。由于數字人CT圖像受噪聲的影響比較嚴重，采用非局部相似正則化改進的遺傳算法可以排除噪聲的干擾，分割的魯棒性也較好，將分割后的結果再經改進遺傳算法優化后，大大減小了計算的復雜度。

6 結語

本文針對雙種群遺傳算法的不足提出了一種改進的雙種群遺傳算法，實驗證明該方法穩定、克服了早熟現象。但是通過對雙種群遺傳算法的研究發現，雖然雙種群遺傳算法可以大幅度降低計算復雜度，加快最優解的尋找。但是，這種算法存在抗噪性不強這個缺點。根據雙種群的遺傳算法，加入非局部相似正則化的降噪方法進行改進，并將改進的算法應用在數字人圖像分割中。分割結果表明：本文提出的算法具有較高穩定性，分割效果較精確，而且大幅度降低了遺傳算法的計算復雜度。