论文部分内容阅读
图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。图像分割不仅是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，也是图像视觉分析和模式识别的基本前提，同时它也是一个经典难题，因为到目前为止没有一种适合于所有图像的通用的分割算法。
现有的大多数图像分割方法是利用图像特征，采用相邻像素在像素值方面的两个性质——不连续性和相似性进行处理的，其中最为常用的方法是阈值分割法，具有算法复杂度低、易于实现等优点。而阈值的选取直接影响着分割的结果。在医学图像分割中，阈值选取不当会导致病理诊断失误，目前较为广泛采用的方法是基于变形模板的方法，该方法通过定义与图像区域和目标轮廓有关的内能和外能，在能量的作用下轮廓发生变形直至分割目标的边缘。其中Kass提出的Snake模型就是一种典型的参数变形模板，参数的选取也直接影响着分割的质量和效果。
本文主要工作是将遗传算法应用于图像分割处理中。在类间最大距离法的基础上用遗传算法确定最优阈值，提高双阈值分割的效率；在变分Snake模型中用遗传算法选取图像分割参数，利用遗传算法高效的随机搜索能力来实现参数的自动选取，取得了较好的图像分割效果。论文主要工作有以下几个方面的内容：
第一是概述了阈值分割方法及其不足，介绍了遗传算法的基本理论，总结了国内外在遗传算法用于图像分割方面所做的研究工作。
第二是把遗传算法用于类间最大距离法计算分割阈值，设计并实现了对脑部图像的双阈值分割，取得了较好分割效果。
第三是重点研究了Snake模型用于图像分割的理论和方法，针对模型计算中存在的参数选取困难、初始模板不确定导致算法收敛慢及误差大等问题，引入遗传算法实现图像分割参数的自动选取，并通过遗传搜索策略的改进，提高了图像分割的效率。