一种视频图像的动态目标图像分割方法.docVIP

一种视频图像的动态目标图像分割方法 　　【摘 要】视频图像中运动目标的提取技术是一个研究难点，将遗传算法用于图像分割技术是图像处理领域一个新的研究方向，然而，基于遗传算法求解图像最佳阈值时，需要对每个进化个体进行适应度函数的计算，需要消耗大量的运行时间。为了降低算法的复杂性，提出一种神经网络结合遗传算法的二维熵图像分割方法。实验表明，本文方法能够快速达到分割视频图像中动态目标的目的，为图像处理技术提供一种有效借鉴。 　　【关键词】二维最大熵法；遗传算法；神经网络；运动目标 　　0 引言 　　运动目标的检测和跟踪技术是计算机视觉系统中的一个核心部分，许多学者对该技术展开了大量研究[1，2]，诸如实际背景的变化、车辆出现遮挡和阴影等诸多因素在很大程度上都影响着动态目标的检测与目标图像分割的准确性。图像分割是图像分析及视觉系统的重要组成部分，也是图像处理和前期视觉中的基本技术。图像分割的目的就是把图像中的前景目标物体从背景中提出出来，为后续处理提供基础。阈值分割法因实现简单、计算量小、性能较稳定，而成为图像分割中最基本和应用最广泛的分割技术。传统的最佳直方图熵法对低信噪比图像的分割效果不理想，而二维最大熵法[3]充分利用了像素的灰度分布信息和像素间的空间相关信息，提高了阈值分割的抗噪性能。 　　遗传算法[4]是模拟生物在自然环境中遗传和进化过程而形成的一种自适应全局优化概率有哪些信誉好的足球投注网站方法。BP人工神经网络[5]是一种单向传播的多层网络系统，具有非常强的非线性映射能力，不需要任何先验公式就可以通过训练自动地总结出实验数据间的函数关系。笔者查阅的相关文献中，将神经网络应用于图像分割研究比较少，尤其视频图像动态目标的分割更是甚少，又考虑到神经网络自身的优点，因此，本文采用神经网络模拟遗传算法中的个体评价函数的方法，降低了遗传算法执行的代价。 　　1 数学模型的建立 　　记某一图像像素大小为M×N，灰度范围为0，1，…，i，…，L-1；记灰度值为i的像素数目为mi；分割阈值为Th，Th将图像分割为两部分，当图像中某个像素值小于Th时，定义该像素点为目标Ftarget，当图像中某个像素值大于Th时，定义该像素点为背景Btarget。设图像像素中目标Ftarget和背景Btarget的概率分别记为： 　　由式（2）可知，当？滓（Th）取得最大值时，对应的Th值即为最佳分割阈值。 　　很显然这是个组合优化问题，可以采用遗传算法求解最优值，然而如果直接采用遗传算法，需要对每个进化个体都进行适应度函数的计算，从而以评价优良的个体的性能，这样使得时间花费是非常巨大的。鉴于以上不足，本文采用神经网络模拟遗传算法中的个体评价函数的方法，降低算法的执行代价的方法。首先，利用一定样本训练神经网络，以模拟个体的适应值；在利用遗传算法进行优化求解时，先利用训练好的神经网络粗略计算个体适应值；对适应度较好的优秀个体，再求解精确的适应值。 　　因此本文优化提取方法分成两大模块，基于BP神经网络训练求解最优个体的模块和基于遗传求解最佳阈值模块。 　　2 基于BP神经网络模型训练样本 　　图1 构建的BP神经网络结构 　　采用神经网络训练样本，求解最优个体的模块步骤如下： 　　步骤1： 确定目标函数、输入变量、输出变量；参数设置； 　　步骤2： 正向运算，设定合适的训练样本集，通过神经网络训练样本，计算各层的输出；并计算综合误差；若综合误差小于预设的经验阈值，或者训练次数达到设定的上限，终止神经网络的训练过程；否则，转步骤3； 　　步骤3： 逆向运算，对权值进行修正； 　　步骤4： 判断训练条件是否满足；如果没有满足，转步骤2； 　　步骤5： 训练结束，将训练好的神经网络传遗传算法模块。 　　3 基于遗传算法求解最优值 　　本文采用遗传算法对式（3）数学模型进行最优解的求解。 　　本文遗传算法各参数设置如下，由于图像的灰度值在0-255之间，所以将各个染色体编码为8位二进制码；种群规模设为20；适应度函数取式（2）；选择采用轮盘赌策略；交叉采用单点交叉；变异采用基本变异算子，变异概率设为0.01；终止条件为进化代数达到100或找到最优解为止。 　　遗传求解最佳阈值模块步骤如下： 　　步骤1： 参数设置和种群初始化； 　　步骤2： 对每个个体，利用训练好的神经网络优良值，计算其近似适应值； 　　步骤3： 对优良个体，基于式（2）计算适应值； 　　步骤4： 如果找到最优个体，或者满足规定的算法迭代次数，终止算法；否则，转步骤5； 　　步骤5： 对个体实施选择、交叉和变异算子操作，转步骤2。 　　4 实验结果与分析 　　如图2为原图像的灰度化图像。图3为采用本文方法得到分割后的图像，从图中可以看出本文方法基本上能得到视