基于遺傳算子改進閾值的遙感圖像分割算法研究

劉芳華 余麗萍

摘 要：針對復雜背景遙感圖像分割準確率不高的問題，提出了一種基于遺傳算子改進閾值的遙感圖像分割算法。通過對遺傳算法中選擇、交叉、變異等算子的優化設計，增強變異的多樣性，加快搜索的收斂速度，以獲取遙感圖像分割的最佳閾值。實驗仿真結果表明：該算法降低了閾值搜索時間，同時取得了良好的圖像分割結果。

關鍵詞：遺傳算法;閾值分割;遙感圖像

中圖分類號：TP751 文獻標識碼：A 文章編號：1003-5168（2019）14-0037-02

Remote Sensing Image Segmentation Based on Improved

Threshold of Genetic Operator

LIU Fanghua YU Liping

（Zhengzhou University of Light Technology，Zhengzhou Henan 450000）

Abstract： Aiming at the low accuracy of remote sensing image segmentation in complex background， a remote sensing image segmentation algorithm based on improved threshold of genetic operator was proposed. Through the optimization design of selection， crossover and mutation operators in genetic algorithm， the diversity of mutation was enhanced， and the convergence speed of search was accelerated to obtain the optimal threshold of remote sensing image segmentation. The simulation results show that the algorithm reduces the search time of threshold and achieves good image segmentation results.

Keywords： Genetic Algorithms;threshold segmentation;remote sensing images

1 研究背景

遙感圖像是由裝載在如衛星、航天飛機等遠離地表的平臺上的遙感器拍攝得到的地面圖像。在當今社會，各個領域對遙感圖像處理[1]技術的需求不斷提高，通過計算機對遙感圖像進行處理，可以快速獲取大量有用的信息數據，這是人工方法難以達到的。圖像分割是把圖像中的物體與物體或者物體與背景分割開，是圖像處理中進行分析、識別、跟蹤、理解和壓縮編碼等技術的基礎。目前，常用的圖像分割方法有閾值分割方法、區域生長算法、聚類分割算法和邊緣檢測算法等。閾值分割方法主要有最大類間方差法、最大熵法和迭代法等。對于具有復雜背景的遙感圖像，普通閾值分割方法難以分割出完整的目標。區域生長算法是一種串行區域分割的圖像分割算法，所需空間和時間開銷都比較大，噪聲和灰度不均勻可能會導致過分割和空洞，在處理圖像中陰影時，效果往往不是很好。經典的邊緣檢測算法主要有Roberts算子、Canny算子和Sobel算子等。邊緣檢測算法可以提取目標的邊緣信息，但對噪聲比較敏感，提取的圖像邊緣會出現不完整的線條。本文通過遺傳算法來獲取遙感圖像分割中的最佳閾值，提出了基于遺傳算子改進閾值的遙感圖像分割算法，對傳統遺傳算法容易陷入局部最優、收斂性速度過慢進行了有效改進，從而達到閾值最佳，得到比較清晰、準確的遙感圖像分割結果。

2 遺傳算法最佳閾值分割

遺傳算法是模擬自然界生物進化過程與機制來求解極值問題的一類自組織、自適應人工智能技術。遺傳算法是一種迭代算法，初始種群數據是隨機生成的，算法每次執行時，都會產生一組數據，每一次生成的數據都擁有一個目標函數進行評判，經過迭代操作，直到逼近自己所需的目標或達到終止迭代次數。

閾值分割遺傳算法步驟如下。

①編碼。對灰度分割閾值取16位二進制編碼，前8位代表一個分割閾值[T1]，后8位代表另一個分割閾值[T2]。

②種群規模。種群規模是指任意一代中的個體總數，可以人為設定。種群規模越大，則找到全局解的可能性越大，但運行時間會隨之增加。初始種群設置為20，最大繁殖代數為100。

③適應度函數。適應度函數如式（1）所示：

[FT1，T2=-i=0T1pipT0lnpipT0-i=T1+1T2pipT1lnpipT1-i=T2+1l-1pipT2lnpipT2]（1）

其中，圖像灰度值為{0，1，2，…，l-1}，[pi]為第i個灰度出現的概率。

④選擇。采用輪盤賭選擇算法，如公式（2）所示：

[Pi=fifi] ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

其中，[fi]為第i個適應度;[fi]為種群累加適應度。

⑤交叉。該遺傳算法采用二閾值分割，利用雙點交叉法，本文仿真交叉概率設置為0.7。

⑥變異。變異采用基本位變異算子進行變異，本文仿真變異概率設置為0.03。

⑦終止。循環次數達到預先設定的種群規模數，或者種群中的最高適應度保持穩定狀態時，算法終止。

3 實驗仿真

為了驗證算法的有效性，選取某一停車場遙感圖像作為研究對象進行目標分割，通過MATLAB對不同算法進行仿真測試，對比圖像分割效果。由于遙感圖像背景復雜，地物類型多樣，難以采用傳統方法確定分割閾值，因此，本文對基于遺傳算子改進閾值的遙感圖像分割進行仿真測試，選擇初始種群為20，最大繁殖代數為100，交叉概率為0.7，變異概率為0.03，實驗結果如圖1所示。其中，圖1（a）為未經處理的原始停車場遙感圖像，其包含多輛汽車、草地和樹木等不同地物。對于這類復雜背景的遙感圖像，傳統算法難以獲得精準的分割結果。圖1（b）為通過本文算法分割后的停車場結果圖。從圖1（b）可以看出，本文提出的算法能對較復雜的遙感圖像分割出相對完整、理想的目標。相反，圖1（c）為通過區域生長算法分割后的停車場結果圖。由于原始圖像中部分草地與停車場地面灰度差異較小，導致區域過度生長產生過分割，致使部分草地與地面被誤分割為同一地物目標，分割效果并不理想。此外，筆者還對這兩個算法的運行時間進行了對比，本文算法運行時間為9.35s，而區域生長算法運行時間為10.82s。可見，本文算法在分割結果較理想的前提下，在時間性能上也具有明顯優勢。

（a） 原始遙感圖像

（b） 本文算法分割結果

（c） 區域生長算法分割結果

4 結論

本文提出了基于遺傳算子改進閾值的遙感圖像分割算法。該算法對三種遺傳算子進行了優化設計，使得變異多種多樣，收斂速度加快。最后，通過MATLAB對停車場遙感圖像進行了實驗仿真。結果表明，本文的算法在保證分割結果較理想的前提下，降低了閾值的搜索時間。可見，本文的算法具有較大的可行性。

參考文獻：

[1]Acharya T，Ray A K. Image Processing， Principles and Applications[M].Hoboken：John Wiley & Sons，2005.