遗传算法使用主动轮廓图像分割

Poonam Panwar¹,Neeru Gulati²

助理教授、ACE Devsthali安巴拉,印度
研究学者、ACE Devsthali安巴拉,印度

相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

文摘

遗传算法是一个搜索技术用于计算找到优化和搜索问题的近似解。搜索策略,遗传算法已成功应用在许多领域。首先,介绍了遗传算法进化过程,然后描述了主动轮廓检测对象的边界的边界并不定义。然后描述了使用遗传算法与主动轮廓图像分割。

索引词

活跃的轮廓,能量最小化,分割,遗传算法适应度函数。

介绍

遗传算法(GA)自适应启发式搜索算法是基于自然选择和遗传进化的思想。遗传算法是一种方法,从一个人口“染色体”一个新的人口通过使用一种“自然选择”的遗传启发运营商一起交叉,变异和反演。每个染色体代表一个问题的解决方案。在搜索空间中,选择其中最好的解集的搜索空间。每个染色体由“基因”,每个基因被一个特定的“基因”的一个实例(0或1)[1]。代表单个基因编码的过程。可以使用位执行流程、数字、树木,数组,或任何其他对象列表。编码主要取决于解决这个问题。

在确定的人口规模和方式编码,每个解决方案或染色体是评估。为此使用适应度函数。适应度函数取决于我们的问题。基于此适应度函数、健身价值计算为每个染色体。这个健身值告诉我们,距离解决方案是解决一个特定问题。后确定适应度函数为每个成员的人口,遗传算子应该应用于他们,以防止过早收敛。这三个遗传算子如下:

选择算子:

选择是一个方法,随机选择染色体的人根据他们的评价函数,适应度函数越高,更多的个体被选中的概率。不同的选择方法存在的选择最好的人口或社会。共同的选择方法:

轮盘赌选择。

b。排名选择。

c。比赛的选择。

d。随机选择。

e。玻耳兹曼的选择。

f。随机普遍抽样

交叉算子

交叉是一个过程,从他们两个人或父母解决方案和生产两个后代。繁殖或交叉算子选择一对交配的两个人。跨站是随机选择的字符串长度。最后,位置值跨站后的两个字符串之间的交换。这是一个简单的方法如何选择随机一些交叉点和复制所有交叉点后从其他家长[2]。

各种交换技术有:

单点交叉。

b。两个点交叉。

c。多点/ N-point交叉。

d。统一的交叉。

e。三个点交叉。

交叉概率(Pc)是一个参数来描述经常交叉将如何被执行。如果没有交叉,子女是父母的精确副本。如果有交叉,后代的是由父母的染色体的部分。如果交叉概率是100%,那么所有的后代是由交叉。如果是0%,整个新一代是由染色体来自人口的精确副本。交叉进行,希望新染色体将包含好旧的染色体,因此新的染色体的部分会更好[2]。

变异算子:

突变,通过改变基因,可以产生一个新的染色体。应用遗传算法中的变异算子可以节省宝贵的信息可能被删除的染色体在算法的执行。这是保险单对遗传信息的损失。

各种变异算子:

一个翻转。

b。交换。

c。扭转。

突变的概率()决定多久部分染色体变异。如果没有突变,产生后代的交叉后没有任何改变。如果执行突变,染色体的一个或多个部分改变。如果突变概率是100%,整个染色体发生了变化。如果是0%,没有什么改变。

计算突变率的关系= 1 / L。L是染色体长度。生产新一代的过程和选择最佳的成员不断重复,直到满足算法的终止条件[2]。给定一个明确定义要解决的问题,并有点候选解决方案的字符串表示,一个简单的遗传算法工作可以被描述为在图一:

一个简单的遗传算法由以下步骤组成:

人口。从一个随机生成的n位染色体(候选人解决问题)。b。计算健身f (x)中每个染色体x的人口。

c。重复以下步骤,直到创建了n的后代。

(一),选择从当前人口,一对父母的染色体的概率选择健身的增函数。选择是用替代,即相同的染色体可以选择不止一次成为父母。

(b),概率交叉对随机选择的点形成两个后代。如果没有发生交叉,形成两个后代各自父母的精确副本。

(c)。在每个轨迹与概率和变异两个后代产生的染色体在新的人口。

d。替换当前人口与新的人口。

e。转到第2步。

它一直声称,通过连续选择的操作,交叉和变异,遗传算法收敛。遗传算法可广泛应用于图像分割的区域活动轮廓。第二部分和第三部分给出了分别简要介绍关于分割和主动轮廓

图像分割

图像分割是指一个数字图像的过程划分成多个部分即像素,像素区域根据一些类似同质性的标准,如颜色,强度或纹理,定位和识别图像中的物体和边界[4]。市场细分的目标是为了简化或改变图像的表示成更有意义和更容易分析图像分割的实际应用范围从嘈杂的图像过滤,医学成像(定位肿瘤和其他疾病,衡量组织卷,电脑指导手术,诊断、治疗计划、解剖结构的研究),卫星图像中定位对象(道路、森林等)、虹膜识别、指纹识别等分割方法的选择在另一个和细分的水平所决定的特定类型的形象和特征问题正在考虑。图像分割的结果是一组段,集体覆盖整个图像或从图像中提取的轮廓。分割的质量取决于图像的质量。分割是基于测量的图像和灰度级,质地、颜色、深度和运动。

活跃的轮廓

主动轮廓[5][6]或蛇可变形模型是计算机生成的曲线移动图像内找到对象边界的影响下曲线和图像本身的力量。你可以想象活动轮廓的任意形状橡皮筋变形随时间试图让尽可能对象轮廓。它将走向动态对象轮廓通过最小化能量迭代和对象的分割,如图2所示。

主动轮廓是在1988年首次被卡斯[8]。在这种方法中,首先定义主要轮廓接近物体的边缘,然后为了检测边缘,一个能量函数指定为轮廓通过各种算法技术,边缘检测和分割过程就完成了。与大多数其他技术寻找图像特性,蛇总是最小化能量。出版以来,蛇,可变形模型已经是最活跃的研究领域之一,社区边界映射。位置(V (s) = (x, y (s)))的一条蛇可以由以下方程参数化表示。

V (s) = (x, y (s))和s[0, 1],它的能量可以写成[8]

这代表了蛇的内部能量由于弯曲。它是用来控制拉伸率和防止不连续的轮廓。

Eimage代表的能量取决于图像,它产生图像的力量。

E欺诈产生的外部约束力量引入的用户。

和在一起被称为(外部能量)。

最后的形状轮廓对应的最小能量即当这个能量最低,蛇发现图像的边界,如图3所示。在卡斯的原始技术[8]et al,内部能量被定义为

蛇蛇的能量由一阶项由(控制和控制的二阶项的一阶项使蛇像膜和二阶条件使它像一个薄板。调整权重(和(scontrols薄膜和薄板的相对重要性。(s控制张力的轮廓和(s)控制其刚度。

此外,有三个组件或能量函数:

一个行。

b。边

c。终端

总图像的能量可以表示为这三个能量函数的加权组合为:

调整图像的权重将决定特征在图像将被蛇。一些系统,包括原始的蛇的实现,允许用户交互指导蛇,不仅在最初的位置,而且在能源方面。这样约束能量可以交互式地指导蛇朝向或远离特定功能。

遗传算法和主动轮廓

活动轮廓的方法一直是广泛使用的图像分割技术。活动轮廓的基本思想是发展曲线,从一个给定的图像受到约束,为了检测物体图像[9]。但有时图片非常嘈杂。因此很难准确定义他们的边界。医学图像的分割是挑战由于图像对比度差和工件,导致丢失或弥漫性器官/组织边界[10]。超声波图像低水平的对比,非常吵。遗传算法与活动轮廓可以帮助克服这些问题。这将减少所需的时间分割。对轮廓的初始位置和截留在局部最小值的问题造成的活动轮廓模型用于图像分割。为了解决这个问题,穆罕默德Talebi等人在[7]结合遗传算法与活动轮廓和应用超声图像的分割。在这种情况下,这个特定的地区正在研究可以被认为是同心圆,这些圆像一个轮廓,如图4所示。 Each of these points can contain the points from the tissue’s edge. So if we are able to separate these points from each contour and connect them together, we can reveal the tissue’s edge. The population of the chromosome is considered as the initial population to generate these circles. Once the initial contours are formed and the contour points are determined, each of these points should be evaluated and best ones be selected according to fitness function. The fitness function is defined based upon the energy minimization concept of active contours. So we can define the fitness function as:

Ffitness = 1 / (1 + (Einternal + Eexternal))

= 1 / (1 + (aEContinuity + ECurvaure + Eimage)) (4)

在哪里

Einternal =能量曲线。

Eexternal =图像的能量。

α=蛇的伸展能力。

=刚度曲线。

形象=体重因素。

后计算整体健身功能,轮廓具有最高价值的健身功能已被选为最佳的解决方案。在这个阶段,考虑的选择,选择、交叉和变异是适用的。重复这个过程直到最后获得一组最佳轮廓。算法运行后,最好的选择为每个轮廓点。最后的轮廓是通过连接这些点。

遗传算法结合活动轮廓解决活动轮廓的优化问题。活动轮廓的最大缺点之一就是蛇经常陷入局部最小值状态。这克服了遗传算法的使用。

结论

遗传算法[11]是一个搜索技术寻找优化和搜索问题的近似解,利用遗传学作为解决问题的模型。其实用性和优雅的解决问题使其更喜欢选择传统的方法,即梯度搜索、随机搜索和其他人。气体是非常有用当开发人员没有精确的专业领域,天然气具有探索和学习他们的领域的能力。

引用

Milanie米切尔“介绍遗传算法”,φ,pp.3, 2005年。
年代。N Sivanandam,年代。N Deepa“遗传算法导论”斯普林格出版社,纽约,2008年pp.46-55。
Ying-Hong廖,Chuen-Tsai太阳“教育遗传算法学习工具”,教育、IEEE教育卷。44岁的问题2,2001年5月。
拉斐尔·c·冈萨雷斯,理查德·e·伍兹,“数字图像处理”,电子工业出版社,pp.711 - 712, 2007
佛罗伦萨Kussener“活动轮廓:并行遗传算法方法”,学报对群体智能的国际会议(2011年ICSI), 2011年。
让·雅克·Rousselle,尼科尔·文森特·尼古拉斯韦贝克“遗传算法设置活动轮廓”,10日国际会议计算机分析图像和模式(常熟饰件的2003),2003。
穆罕默德·Talebi Ahamd Ayatollahi,阿里Kermani“医学超声图像分割使用基因活动轮廓”,j .生物医学科学与工程,105 - 109页,2011年。
M。卡斯,。却和D。Terzopoulos,“蛇:活动轮廓模型”,国际期刊《计算机视觉,pp.321 - 331, 1987。
托尼·f·陈,Luminita Vese,“没有边缘活动轮廓”,IEEE图像处理,10卷,第二,Feb.2001 pp.266 - 277
梅勒妮米切尔Payel Ghosh“医学图像的分割利用遗传算法”,第八届年度会议程序的基因与进化计算(GECCO ' 06), 1171 - 1178页,2006年。
蝠鲼paulina份子Andrius Usinskas”的调查遗传算法应用图像增强和分割”,信息技术和控制,36卷,278 - 284页,2007年。