基于遗传算法的自适应图像分割技术研究∗

李晓芳 尹福成

（1.成都理工大学工程技术学院 乐山 614000）（2.内江师范学院 内江 641000）

1 引言

数字人技术是一种利用医学图像技术与计算机技术，通过图像处理的方法实现人体组织的分割与重建。目前图像分割方法主要有以下几种：基于直方图的图像分割，基于边界的图像分割，基于区域的图像分割，基于聚类的图像分割以及基于遗传算法的图像处理技术。这些技术在分割过程中或多或少存在一些问题，如：分割精度低，处理速度慢，丢失信息严重等。为了解决这些问题，我们提出了一种基于双种群遗传算的自适应图像分割技术，该技术不但极大地提高了计算机的处理能力，更重要的是分割精度高，为数字人重建技术奠定了基础。

2 算法基础

双种群遗传算法是基于种群竞争得来，由于生物在没有竞争的条件下，独立繁殖下一代，产生强壮个体的几率极低，同时也降低了种群的多样性。为了物种的延续，物种向正方向进化，物种间必须存在必要的竞争关系以及信息互换。基于这种原理，我们提出了具有双干扰性的双种群遗传算法，即在传统的遗传算法中加入第二个种群竞争算子，从而实现对个体之间的相似度大小的计算，实现种群内部的竞争，并且保留种子个体和种子相似的个体，同时将这些个体和副种群进行信息的交流，并且替换掉相似度较高的个体，这样不仅可以产生较好的新个体，也使得种群向着多样性方向发展。

假定两个不同个体分别为 p1和 p2，在这两个个体中相同的基因占全部基因的比值被称为相似度。即为S(P1，P2)=m/n，其中n为基因的总个数，m为两个体中相同的基因个数。

为了准确判定两种种群个体的相似性，我们选用Hamming距离来判定所有个体之间的相似度关系，其具体定义为

这里，n为总基因个数，aik为第i个个体中第k个基因的二进制值。

双种群遗传算法中，通常是引入好的个体，淘汰差的个体。这种筛选方法会使种群形式丧失多样化，且对于那种较好的基因会造成错误筛出，这不利于种群的进化。为了解决这一问题，本文对于种群中的个体按其适应度值从大到小排列，而种群间个体的竞争力通过相似度分析来完成。这样可以将两个种群中的适应度函数值最小的个体选取出来，并使用其余的个体与该被选出来的个体进行相似度计算；假设相似度范围在0.8～1之间时，我们认为这两个个体是相似个体，其他的为非相似个体，将其重新设为新的种子点，并进行迭代。通过Hamming距离的判定，相似的个体与其他种群进行交叉，交叉后计算函数的适应度；适应度大的为主种群，同时为了保证种群的形式多样化，副种群将重新生成新的个体，进入以后的迭代中。

图1 低分辨率脑CT图像加入不同比例随机噪声遗传算法分割及改进算法分割效果图

3 适应度函数

在数字人图像分割中，选择的适应度函数为

4 算法验证与分析

为了验证算法的合理性，我们在计算机上选取数字人CT图进行了模拟计算验证，计算中，使用的计算机资源参数为英特尔CPU Core i5-3210M@2.50GHz，内存16GB的笔记本电脑，使用Matlab R2014a软件进行数值实验。计算中，设定计算参数为：种群大小为45个个体，交叉率是变化的，变异概率 pm1为 0.007，pm2为 0.002，进化遗传的代数为350代。将改进算法与非局部相似正则化算法结合实现数字人脑CT图像的分割，每个分割结果都是进行了20次独立的实验求出的平均值。结果如图1～图2所示。

通过对双种群遗传算法分割的数字人CT图像效果进行对比，我们可以看出，基于改进的双种群遗传算法，分割效果更好，精度更高，每代中的最优值和均值都比较稳定的，并且几乎遗传到第10代中就可以得到最优解，计算效率高。

图2 高分辨率脑血管MRI图像加入不同比例随机噪声遗传算法分割及复原后改进算法分割效果图

5 结果

在实验中：我们设置初始种群大小为60个个体，交叉率可变的，变异概率为 pm1为0.007，pm2为0.002，最大进化遗传的代数为350代。通过观察图1～图2中的分割结果可以看出，改进的双种群遗传算法平均繁殖到第10代就可以得到最优解。虽然基于非局部相似正则化改进的遗传算法可以分割多个目标，并且对噪声的控制非常好，但双种群的遗传算法对噪声相对比较敏感，容易得到精准的分割结果，当噪声的污染比较严重时，该算法的分割优势能更好地体现出来。由于数字人CT图像受噪声的影响比较严重，采用非局部相似正则化改进的遗传算法可以排除噪声的干扰，分割的鲁棒性也较好，将分割后的结果再经改进遗传算法优化后，大大减小了计算的复杂度。

6 结语

本文针对双种群遗传算法的不足提出了一种改进的双种群遗传算法，实验证明该方法稳定、克服了早熟现象。但是通过对双种群遗传算法的研究发现，虽然双种群遗传算法可以大幅度降低计算复杂度，加快最优解的寻找。但是，这种算法存在抗噪性不强这个缺点。根据双种群的遗传算法，加入非局部相似正则化的降噪方法进行改进，并将改进的算法应用在数字人图像分割中。分割结果表明：本文提出的算法具有较高稳定性，分割效果较精确，而且大幅度降低了遗传算法的计算复杂度。