基于遗传算子改进阈值的遥感图像分割算法研究

刘芳华 余丽萍

摘 要：针对复杂背景遥感图像分割准确率不高的问题，提出了一种基于遗传算子改进阈值的遥感图像分割算法。通过对遗传算法中选择、交叉、变异等算子的优化设计，增强变异的多样性，加快搜索的收敛速度，以获取遥感图像分割的最佳阈值。实验仿真结果表明：该算法降低了阈值搜索时间，同时取得了良好的图像分割结果。

关键词：遗传算法;阈值分割;遥感图像

中图分类号：TP751 文献标识码：A 文章编号：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

遥感图像是由装载在如卫星、航天飞机等远离地表的平台上的遥感器拍摄得到的地面图像。在当今社会，各个领域对遥感图像处理[1]技术的需求不断提高，通过计算机对遥感图像进行处理，可以快速获取大量有用的信息数据，这是人工方法难以达到的。图像分割是把图像中的物体与物体或者物体与背景分割开，是图像处理中进行分析、识别、跟踪、理解和压缩编码等技术的基础。目前，常用的图像分割方法有阈值分割方法、区域生长算法、聚类分割算法和边缘检测算法等。阈值分割方法主要有最大类间方差法、最大熵法和迭代法等。对于具有复杂背景的遥感图像，普通阈值分割方法难以分割出完整的目标。区域生长算法是一种串行区域分割的图像分割算法，所需空间和时间开销都比较大，噪声和灰度不均匀可能会导致过分割和空洞，在处理图像中阴影时，效果往往不是很好。经典的边缘检测算法主要有Roberts算子、Canny算子和Sobel算子等。边缘检测算法可以提取目标的边缘信息，但对噪声比较敏感，提取的图像边缘会出现不完整的线条。本文通过遗传算法来获取遥感图像分割中的最佳阈值，提出了基于遗传算子改进阈值的遥感图像分割算法，对传统遗传算法容易陷入局部最优、收敛性速度过慢进行了有效改进，从而达到阈值最佳，得到比较清晰、准确的遥感图像分割结果。

2 遗传算法最佳阈值分割

遗传算法是模拟自然界生物进化过程与机制来求解极值问题的一类自组织、自适应人工智能技术。遗传算法是一种迭代算法，初始种群数据是随机生成的，算法每次执行时，都会产生一组数据，每一次生成的数据都拥有一个目标函数进行评判，经过迭代操作，直到逼近自己所需的目标或达到终止迭代次数。

阈值分割遗传算法步骤如下。

①编码。对灰度分割阈值取16位二进制编码，前8位代表一个分割阈值[T1]，后8位代表另一个分割阈值[T2]。

②种群规模。种群规模是指任意一代中的个体总数，可以人为设定。种群规模越大，则找到全局解的可能性越大，但运行时间会随之增加。初始种群设置为20，最大繁殖代数为100。

③适应度函数。适应度函数如式（1）所示：

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

其中，图像灰度值为{0，1，2，…，l-1}，[pi]为第i个灰度出现的概率。

④选择。采用轮盘赌选择算法，如公式（2）所示：

[Pi=fifi]                           （2）

其中，[fi]为第i个适应度;[fi]为种群累加适应度。

⑤交叉。该遗传算法采用二阈值分割，利用双点交叉法，本文仿真交叉概率设置为0.7。

⑥变异。变异采用基本位变异算子进行变异，本文仿真变异概率设置为0.03。

⑦终止。循环次数达到预先设定的种群规模数，或者种群中的最高适应度保持稳定状态时，算法终止。

3 实验仿真

为了验证算法的有效性，选取某一停车场遥感图像作为研究对象进行目标分割，通过MATLAB对不同算法进行仿真测试，对比图像分割效果。由于遥感图像背景复杂，地物类型多样，难以采用传统方法确定分割阈值，因此，本文对基于遗传算子改进阈值的遥感图像分割进行仿真测试，选择初始种群为20，最大繁殖代数为100，交叉概率为0.7，变异概率为0.03，实验结果如图1所示。其中，图1（a）为未经处理的原始停车场遥感图像，其包含多辆汽车、草地和树木等不同地物。对于这类复杂背景的遥感图像，传统算法难以获得精准的分割结果。图1（b）为通过本文算法分割后的停车场结果图。从图1（b）可以看出，本文提出的算法能对较复杂的遥感图像分割出相对完整、理想的目标。相反，图1（c）为通过区域生长算法分割后的停车场结果图。由于原始图像中部分草地與停车场地面灰度差异较小，导致区域过度生长产生过分割，致使部分草地与地面被误分割为同一地物目标，分割效果并不理想。此外，笔者还对这两个算法的运行时间进行了对比，本文算法运行时间为9.35s，而区域生长算法运行时间为10.82s。可见，本文算法在分割结果较理想的前提下，在时间性能上也具有明显优势。

（a） 原始遥感图像

（b） 本文算法分割结果

（c） 区域生长算法分割结果

4 结论

本文提出了基于遗传算子改进阈值的遥感图像分割算法。该算法对三种遗传算子进行了优化设计，使得变异多种多样，收敛速度加快。最后，通过MATLAB对停车场遥感图像进行了实验仿真。结果表明，本文的算法在保证分割结果较理想的前提下，降低了阈值的搜索时间。可见，本文的算法具有较大的可行性。

参考文献：

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