AGA对比SGA
AGA
SGA
本文是图像分割系列二，在系列一中介绍了三种图像分割算法及其GA优化的MATLAB实现，由于在需要对图像的信息进行细致分割时,一个阈值显然不能满足要求,而采用多阈值分割时常用的穷尽搜索法实效性较差，达不到实际应用的要求，因此必须寻求一种更加快速、准确的优化方法与阈值法结合来进行图像分割。
遗传算法是一种解决复杂优化问题的智能算法，完全胜任于图像分割领域。遗传算法寻优速度快 ，鲁棒性强，适用于各种阈值分割准则 。然而遗传算法由于其随机性 、易早熟的特 点限制了其应用，因此需要对遗传算法进行相应改进来提高算法收敛性能。
同样，对于遗传算法的改进上，作者共介绍了6种，这里引入其中一种——自适应遗传算法应用于OTSU三阈值图像分割，并与传统遗传算法进行对比，后续也会介绍对于其余2种算法的多阈值分割方法。若需要进行定制也可联系作者。
00 文章目录
1 OTSU多阈值图像分割法
2 自适应遗传算法
3 程序目录
4 改进遗传算法在OTSU多阈值分割中的应用
5 源码获取
6 展望
01 OTSU多阈值图像分割法
图像的多阈值分割是对单阈值类别的拓展，若目标图像拟分割为K 层，这图像多阈值分割的类间方差f (t)可表示为：
图像分割后的各类别像素概率ω、K 类均值μ、方差σ，可以表示如下
最终，可以得到式，即目标分割图像多阈值的类间方差表示为：
02 自适应遗传算法
关于自适应遗传算法的理论，在自适应遗传算法及其MATLAB实现 已经进行论述，这里不再重复。
03 程序目录
03 改进遗传算法在OTSU多阈值分割中的应用
为了测试本文所提改进策略的性能，本文选用了5副经典图像进行多阈值图像分割测试，如图所示，其中4 副为伯克利经典彩色图像。
4.1 图像分割质量评价指标
采用峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、结构相似性(Structural Similarity Index,SSIM) 和特征相似性(Feature Similarity index,FSIM)对图像质量进行评价以客观评估算法优劣。
PSNR 用于验证原始图像I与分割后的图像K之间的相似性,其表达式为
其中,MSE 是原始图像I 与处理后的图像K 之间的均方误差(Mean Square Error),。
SSIM 是用于比较原始图像与分割后图像之间结构的相似性,也就是图像中相邻像素之间的关系,其表达式为:
其中, μI 和μK 分别是原始图像与分割后图像像素的均值, σI 和σK 对应的是图像的标准差, σIK 表示的是原始图像I 与分割后图像K 像素之间的协方差, λ1 和λ2是常数。
FSIM 用于比较图像之间的特征相似性,即相位一致性(Phase Congruency,PC) 和梯度的特征(Gradient Magnitude,G) ,表达式如下:
其中
这三种指标有一个共同点,即求得的值越大,表示由分割得到的图像质量越高。
4.2 实验结果
依次运行 multi_OTSU_AGA.m 和multi_OTSU_SGA.m，再运行compare.m即可返回对应结果，这里展示部分结果以及图像（注，由于优化算法具有随机性，因此不能保证结果唯一）
由适应度曲线以及评价指标的值可以看出，改进后的遗传算法得到的图像阈值分割结果要比传统遗传算法要更好，该改进是有效的。同时也可用作者提出的其它改进方法进行尝试，比如基于小生境和灾变改进的量子遗传算法。
05 源码获取
https://mbd.pub/o/bread/mbd-ZJqalJtq
06 展望
本文对OTSU三阈值图像分割算法进行实现，并引入了改进遗传算法进行寻优，提升了性能，后续作者也会更新其余两种图像分割算法的多阈值算法实现，欢迎关注。
微信公众号：KAU的云实验台