基于基因编码算法的图像边缘提取研究

邵明省

(鹤壁职业技术学院 电子信息工程学院， 河南 鹤壁　458030)



基于基因编码算法的图像边缘提取研究

邵明省

(鹤壁职业技术学院 电子信息工程学院， 河南 鹤壁458030)

摘要：为了提高图像边缘检测的质量，采用基因编码算法.首先确定基因头部和尾部的组成，给出了基因表达式树形式，对图像像素进行基因编码，接着图像背景与图像目标之间的灰度差异作为基因表达式树不同的分支，与分支具有同样灰度的像素合并为一类，最后给出了基因编码适应度函数，其选择基于标准误差方法.实验仿真表明，算法提取的灰度图像边缘没有断点，没有伪边缘信息，数据分析较好.

关键词：基因编码；像素；边缘提取

0引言

在计算机图像处理技术中，图像边缘是图像最基本的特征，其在图像目标识别、区域阈值分割、灰度增强以及图像像素编码压缩等领域得到了广泛的应用[1-2].目前，图像边缘提取检测方法有：Prewitt算法，其灰度值大于或等于阈值的像素点都是边缘点[3]，这种判定会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，反而丢失其边缘；Sobel算子，没有将图像的主体与背景区分，提取的图像轮廓有时并不能令人满意[4]；Canny算法，对噪声过于敏感(有噪声的情况下效果很差)是它的主要缺点.本研究采用基因编码算法(Gene Encoding Algorithm，GEA)提取灰度图像的边缘，提取的边缘没有断点，没有伪边缘信息，数据分析较好.

1基因编码算法

1.1基因描述

1.1.1基因构成.

在基因编程算法中，基因个体被编码成线性符号串的形式，由头部与尾部组成，基因头部通过随机函数符和终结符表示，基因尾部只能通过终结符表示，基因尾部功能是使基因生产正确的函数表达式，但是基因尾部信息即使在当代无效，但经过若干次遗传后可转为有效的基因尾部[5-6]，其头部和尾部长度满足，

t=h×(n-1)+1

式中，h为头部长度，由所要解决的问题决定，t为尾部长度，n为基因中所有函数符号的最大操作数目.

图1基因表达式树示意图

例如，个体基因的头部h=5，那么基因尾部t=6，n=11；

98754612300

Q+**xxyyxyx

其中，Q+**x为有效的部分，xxyyxyx为尾部，xyx为填充部分，保证基因具有一定的长度.

1.1.2基因编码.

设每个基因个体含有g个功能基因，功能基因具有相同的取值范围，h为功能基因头部长度，F为函数符集合，大小为f=|F|，其最大运算目数为n，占位符为T，位置基因区间大小为R，精度为P，其最大取值为U，编码空间为gs，其中，s=(f+1)h×(U+1)R/P+h(n-1)+1.假设图像像素决策空间为2维，其取值范围分别为[0，1]和[0，255]，其中，[0，1]为各个像素灰度出现的概率，[0，255]为像素灰度范围，设功能基因头部长度为4，占位符为“？”，函数集为{+，-，*，/}，构造个体C1=((G1，G2)，2，B，s)，其中，G1=(‘*++-？？？？？’，{+，-，*，/}，‘？’，4，GP1，Op)，G2=(‘*/+*？？？？？’，{+，-，*，/}，‘？’，4，GP2，Op)，B={{0，1}，{0，255}}.

1.2图像边缘像素提取

位于空间位置和灰度值相同的像素点作为同一个基因树的分支，背景与图像目标之间的灰度差异作为基因表达式树不同的分支，与分支具有同样灰度的像素合并为一类[6-8]，这样图像中边缘特征信息分布在不同的分支中.

图像的连通域为G=(V,E,W)，其中，V=(v1,v2,…，vn)是连接点的集合，E是边的有限集合，W=(wij)n×n表示权重，且wij=wji，并设连接点的度约束为bi(i=1,…，n)，则数学模型为，

(1)

基因编码适应度函数选择基于标准误差方法，

(2)

式中，Pij为第j个样本依据第i个个体所对应的表达式值；Tj为第j个样本值；Ei为第i个个体表达式误差；fi为第i个个体适应度.

把信息墒作为分割评价效果函数，

(3)

式中，N为图像灰度值,kli为分割区域中分支间i个节点中灰度值为l出现的概率.

2实验仿真

2.1视觉分析

实验仿真程序编写为MATLAB 7.0，硬件参数为当前常用配置，为了减少数据计算误差，多次进行蒙特卡罗计算取其均值，每个基因每代最大可对应4个节点.图像灰度级最大为255，大小为40 mm×40 mm，对不同的算法进行对比实验，其仿真结果如图2和图3所示.

图2原图1提取效果

图3原图2提取效果

从检测的结果看，本研究算法可以很精确提取灰度图像的边缘，提取的边缘没有断点，也没有伪边缘信息，而其他算法都有断点现象出现.

2.2数据分析

针对图2提取前后的信息墒比较，如表1所示.

表1　提取前后信息墒比较

从表1可以得知，GEA算法对图像提取前后的信息墒改变不大，可以保持原始图像的信息.

为了对比处理的实效性，针对图2提取处理时间进行比较，如表2所示.

表2　提取处理时间比较

从表2可知，GEA算法处理速度较快，可以满足图像处理实时性的要求.

3结语

本研究所提算法首先确定基因头部和尾部的组成，给出了基因表达式树的形式，给出了图像像素进行基因编码实例，接着，将背景与图像目标之间的灰度差异作为基因表达式树不同的分支，与分支具有同样灰度的像素合并为一类，最后给出了基因编码适应度函数，选择基于标准误差方法.仿真实验表明，本研究算法提取了灰度图像的边缘，提取的边缘没有断点，没有伪边缘信息，数据分析较好.

参考文献：

[1]陆莹,牛蕊,王伟,等.基于小波变换的图像边缘提取算法[J].测绘与空间地理信息,2015,38(3)：21-23,27.

[2]林丽君,殷鹰,何明格,等.基于小波模极大值的磁瓦裂纹缺陷边缘检测算法[J].电子科技大学学报,2015,44(2)：283-288.

[3]马歌,肖汉.基于OpenCL的Prewitt算法的并行实现[J].现代电子技术,2014,37(20)：103-106.

[4]薛宾田,冯子亮.基于图割和Sobel算子的视频分割算法[J].四川大学学报(自然科学版),2015,52(2)：281-286.

[5]周霞,沈炯.多目标免疫GEP算法及其在多项式NARMAX模型辨识中的应用[J].控制与决策,2014,29(6)：1009-1015.

[6]姜王月,崔梦天,吴江,等.基于条件云的基因表达式编程算法[J].计算机应用研究,2015,32(4)：1107-1109,1148.

[7]叶小岭,周建华,熊雄.一种基于GEP的地面气温观测资料的质量控制方法[J].热带气象学报,2014,30(6)：1196-1200.

[8]王瑞和,仲冠宇,周卫东,等.基于基因表达式编程算法的磨料射流切割深度预测模型[J].中国石油大学学报(自然科学版),2015,39(1)：60-65.

Image Edge Extraction Research Based on Genetic Encoding Algorithm

SHAOMingsheng

(School of Electronic Information Engineering,Hebi Polytechnic, Hebi 458030, China)

Abstract:In order to improve the quality of image edge detection,gene encoding algorithm is adopted.First,the paper confirms that the genes consist of heads and tails,then the form of gene expression tree is given,and finally,the image pixel is genetically encoded.After that,the gray difference between the image background and the image object is used as a kind of different branch of the gene expression tree.The image pixel with the same gray level as that of the branch is combined in one category.Finally,the fitness function selection of gene encoding based on standard error method is put forward.Experimental simulation shows that the proposed algorithm would extract the edge of gray image without breaking point and false edge information but with better data analysis.

Key words:gene encoding;pixel;edge extraction

文章编号：1004-5422(2016)02-0153-03

收稿日期：2015-11-10.

基金项目：河南省教育厅高等学校重点科研课题(15B510009)资助项目.

作者简介：邵明省(1980 — )， 男， 硕士， 讲师， 从事计算机图像处理技术研究.

中图分类号：TP391.41

文献标志码：A