Сегментация цветного изображение состоит из видов регионов текстур и может быть трудной задачей, а именно для вычисления точного поля текстуры и определения оптимального количества областей сегментации изображении, если оно содержит подобные и / или необычные текстуры полей. В данной работе описан метод для развивающейся адаптивной процедуры решения этих проблем. В многих современных приложениях кластеризации данных фундаментальный вопрос, когда поведенческие или функциональные области могут быть отображены в топологических областях. Мы формулировали задачи сегментации на таких изображений как задачи оптимизации и принятия эволюционных стратегий генетических алгоритмов для кластеризации малых областей в цветовом пространстве изображения. Настоящий подход использует генетический алгоритм К-средних безнадзорный метод, а именно на основе эволюционного алгоритма для поиска оптимального или субоптимального разделения данных, задача, которая, как мы знаем, требует нетривиальных поиска из-за его собственной NP-полной природы. Для решения этой задачи, обсуждались соответствующие генетические, так как это является ключевым аспектом в реализации. Наша цель заключается в демонстрации эффективности генетических алгоритмов для автоматических и неконтролируемых текстур сегментации. Некоторые примеры сегментации цветной карты, камней с орнаментами и кожи человека представлены и обсуждаются общие результаты.
Сегментация изображения низкоуровневая задача обработки изображений, которая направлена на разбиение изображения на однородные регионы [11]. Большое количество методов сегментации легко доступны в литературе такие как сегментация по различным критериям, таким как оттенки серого, цвета или текстуры. Эта задача трудная, как известно, очень важная, так как выходной алгоритм сегментации изображения может быть подан в качестве вклада в задачи более высокого уровня, таких как на основе моделей систем распознавания объекта. В последнее время собирали сведения о применении генетических алгоритмов (ГА, [13,8,15]) в проблеме сегментации изображения. Может быть наиболее обширной и детальной работой в рамках сегментации изображений являются работы Bhanu и Ли [3]. Множество заявлений о признании этой конкретной парадигмы можно найти в [16]. Одна из причин (в том числе других) для использования такого подхода в основном связано с возможностью ГА иметь дело с большим, сложным поиском пространств в ситуации, когда лишь минимальные знания есть о целевой функции. Например, у большинства существующих алгоритмов сегментации изображения есть много параметров, которые необходимо отрегулировать. Соответствующие пространства поиска во многих ситуациях, довольно большие и там существуют сложные взаимодействия между параметрами, а именно, если мы стремимся сегментировать цветное изображение. Например, это привело Bhanu и др.. [3], к тому, чтобы принять ГА, чтобы определить набор параметров, которые оптимизируют выход из существующего алгоритма сегментации при различных условиях съемки. Это было в случае для оптимизации сегментации Phoenix алгоритма [22], реализации которых описаны также Bhanu [4]. Другая ситуация, когда ГА может быть полезным инструментом иллюстрирует работу Yoshimura [23]. В своей работе двух авторов сформулированы задачи сегментации на текстурированном изображений как задача оптимизации, и принятия ГА для кластеризации малых областей в пространстве признаков, используя также алгоритмы Кохонена самоорганизующихся карт (SOM). Они способны разделить исходное изображение на множество маленьких прямоугольных регионов и извлечь текстуры особенности из данных каждой малой области с помощью двумерной авторегрессии модели (2D-AR), фрактальной размерности, среднего и дисперсии. В других, например, Бхандаркар и др.. [2] определены несколько терминов функция стоимости, которая сводится к минимуму использованием ГА-выделенных EDGE конфигурации. Идея заключалась в том, чтобы решить проблемы медицинского изображения, а именно края обнаружения. В своем подходе к сегментации изображений, обнаружение края приведен пример, как задача минимизации расходов цели функции на пространстве всех возможных краев конфигураций и население края изображений развивалась с использованием специализированных операторов. Результатов, сравнимы с теми, которые получены с помощью моделирования отжига. Нечеткие фитнес-функций ГА были также рассмотрины Чун и Ян [7], отображение региона основаны на сегментации бинарной строки, представляющей человека, и развивается популяция возможных сегментации. Другие реализации включают поиск оптимальных дескрипторов представления 3D структур [10], или оптимизации параметров в ГА гибридных систем [17] - в этом последнем случае, для нахождения соответствующих параметров рекуррентных нейронных сетей для сегмента эхокардиографических изображений. Г.А приложений в упругих контурах модели также можно найти у Cagnoni и др. [6]. развиваться GA на основе небольшого набора вручную прослеживающихся контуров структур интереса (анатомических структур в 3D медицинских наборов данных). Если брать в учет мнение авторов, метод сочетает в себе хорошее компромисс между простотой и универсальностью, предлагаемые полиномиальных фильтров с регуляризацией свойств, которые характеризуют - контурные модели дуги. Другая очень интересная работа, обсуждается Andrey [1]. Изображение будет сегментировано рассматривая как искусственная среда в регионах с различными характеристиками по к сегментации критерия, как многие экологические ГА затем используется для развития населения хромосом, которые распределены на всем протяжении этого окружающей среды. Каждая хромосома относится к одному из числа различных видов. ГА-управляемые эволюции приводят различные виды распространения в различных нишах. Следовательно, распределение различных видов на к концу выполнения распутывает расположение однородных областей на исходном изображении. Потому что при сегментации постепенно возникает как побочный продукт процесс релаксации [9] главным образом за счет выбора, был вызван метод релаксации селекционер. В модели проектирование условий, этот последний подход, действительно, очень близок, что один представленный Рамос в [20], с использованием искусственных муравьиных колоний и математической морфологии извлеченные особенности. Подходы, основанные Koza генетическими парадигмами программирования (ГП, [14]), т. е. генетическими fлгоритмами, используемые для нахождения соответствующего алгоритма структур и стратегий, были также применены в изображении сегментации. ГП Poli [18], является, пожалуй, одним наиболее интересно следить, за это простота. Наконец, достаточно всеобъемлющий обзор других подходов ГА обработки изображений можно найти в [5] - включая ссылки, анимации, классификация, выделение признаков, фильтрации, анализы изображений, обработка изображений, распознавание образов и, естественно, сегментация изображения.
Вышеперечисленные стратегии были применены в 3 различных случаях. Сегментация отделочных камней (29349 цветов), человеческой кожи (303 цветов) и в цветных карт (214 385 цветов, см. рисунок 1). Так как гранит Коралловый Бранко имеет 3 различных видов полезных ископаемых целью был поиск 3 кластеров цвета. По той же причине, сегментация кожи была реализована с помощью 2 кластеров, и, наконец, цветные карты на 6 кластеров (6 различимых цветов). Число особей ГA было 50, поколений Run = 10000, скорость кроссинговера= 0,95, а частота мутаций = 0,85. Соответствующих машинному времени (Pentium 166 МГц / 32 Mb RAM) было 14,96, 12,76 и 37,02 минут. Наконец, каждая длина строки (параметр, который зависит только от числа различимых цветов) было соответственно 124, 64 и 468 бит. В целом алгоритм приводит к весьма удовлетворительным результатам, а именно для сегментации декоративных камней и для случая сегментации человеческой кожи. Существуют, однако некоторые проблемы с картами цветов. Основной причиной является то, что проблема сама по себе трудная (с большими комбинаторными пространствами поиска), и что предварительно разделение ведет к снижению дискриминационных сил общей стратегии. В основном это наблюдается в течение пикселей, которые формируют пределы любого важного объекта цвета. Изображение приобретения с низким разрешением интерполирует-то серые интенсивности уровня в промежуточных значений (Между внутренней и внешней границами), и результат (с предварительного раздела) значительно изменен, так как подобные пиксели могут принадлежать к разным мелким кубикам (естественно, с низкими вероятностями). Однако, если число таких пикселей высоко, стратегия стремится создать себе другой кластер. С другой стороны наблюдая за ГА производительностью (J значение) в каждом поколении, мы можем заключить, что аналогичные результаты могут быть достигнуты с половиной поколений в перспективе, поскольку после 5000 поколения J значение растет очень медленно. Будущая работа включает в себя три основным направлениям. Во-первых, изучение кластера отношений (Облака точек) для каждой задачи сегментации. Это может принести полезную информацию в подходе ГА, просто добрососедских отношений может быть вычислена с использованием математической морфологии по цветному кубу 3D. Во-вторых, более соответствующие меры сегментации должны быть изучены. Авторов делают в настоящее время предварительные попытки, даже если они связаны с изображением шума [21]. Наконец, значительное улучшение по автоматической конструкции может быть достигнуто путем использования ISODATA модели - число кластеров может быть автоматически выбрано с помощью гибридной модели поиска.
[1] Andrey, P., 1999, "Selectionist Relaxation: Genetic
Algorithms applied to Image Segmentation", Image and
Vision Computing 17, pp. 175-187.
[2] Bhandarkar, S.M., Zhang, Y. and Potter, W.D.,
1994, "An Edge Detection Technique using Genetic
Algorithm-based Optimisation", Pattern Recognition
27(9), pp. 1159-1180.
[3] Bhanu, B. and Lee, S., 1994, Genetic Learning for
Adaptive Image Segmentation, Kluwer Academic Press.
[4] Bhanu, B., Lee, S. and Ming, J., 1995, "Adaptive
Image Segmentation using a Genetic Algorithm", IEEE
Transactions on Systems, Man, and Cybernetics 25(12),
pp. 1543-1567.
[5] Bounsaythip, C. and Alander J.T., 1997, "Genetic
Algorithms in Image Processing - A Review", Proc. of
the 3rd
Nordic Workshop on Genetic Algorithms and
their Applications, Metsatalo, Univ. of Helsinki,
Helsinki, Finland, pp. 173-192.
[6] Cagnoni, S., Dobrzeniecki, A.B., Poli, R. and Yanch,
J.C., 1999, "Genetic Algorithm-based Interactive
Segmentation of 3D Medical Images", Image and
Vision Computing 17, pp. 881-895.
[7] Chun, D.N. and Yang., H.S., 1996, "Robust Image
Segmentation using Genetic Algorithm with a Fuzzy
Measure", Pattern Recognition 29(7), pp. 1195-1211.
[8] Davis, L.D., 1991, Handbook of Genetic Algorithms,
Van Nostrand Reinhold, New-York.
[9] Davis, L.S. and Rosenfeld, A., 1981, "Cooperating
Processes for Low-Level Vision: A Survey", Artificial
Intelligence 17, pp. 245-263.
[10] Delibasis, K., Undrill, P.E., and Cameron, G.G.,
1997, "Genetic Algorithms applied to Fourier descriptor based Geometric Models for Anatomical Object
Recognition in Medical Images", Computer Vision and
Image Understanding 66(9), pp. 286-300.
[11] Duda, R. O. and Hart, P. E., 1973, Pattern
Classification and Scene Analysis, John Wiley & Sons,
New-York.
[12] Falkenauer, E., 1998, Genetic Algorithms and
Grouping Problems, John Wiley & Sons, Boston.
[13] Goldberg, D.E., 1989, Genetic Algorithms in
Search, Optimisation and Machine Learning, Addison-
Wesley Reading, Massachusetts.
[14] Koza, J.R., 1992, Genetic Programming: On the
Programming of Computers by Means of Natural
Selection, MIT Press, Cambridge, Massachusetts.
[15] Michalewicz, Z., 1996, Genetic Algorithms + Data
Structures = Evolution Programs, 3rd
Ed., Springer- Verlag.
[16] Pal, S.K. and Wang P.P. (Eds.), 1996, Genetic
Algorithms for Pattern Recognition, CRC Press.
[17] Poli, R. and Valli, G., 1993, "Neural Inhabitants of
MR and Echo Images Segment Cardiac Structures",
IEEE Computer Society Press, London, pp. 193-196.
[18] Poli, R., 1996, "Genetic Programming for Image
Analysis", in Koza, J.R., Goldberg, D.E., Fogel, D.B.
and Riolo, R.L. (Eds.), Genetic Programming 96, Proc.
of the 1st
Annual Conference, Stanford Univ., MIT
Press, pp. 363-368.
[19] Ramos, V., 1997, Evolution and Cognition in
Image Analysis, MSc Thesis (in Portuguese), 230 pp.,
Instituto Superior Tecnico - IST, Lisbon, December
1997.
[20] Ramos, V., 2000, "Gestalt Computations in Image
Analysis: Philosophical Questions, Related Instances &
Preliminary Designs", submitted to Geo-Systems
Magazine, CVRM-IST (related with the work Image
Segmentation by Evolution of Ant Colonies -
Preliminary Study, presented at CVRM Conferences,
IST - Lisbon, May 1999).
[21] Ramos, V. and Muge, F., 2000, "Noise Quantitative
Analysis", submitted to RecPad'2000 – 11th
Portuguese
Conference on Pattern Recognition, Porto, 11-12 May
2000.
[22] Shafer, S. and Kanade, T., 1982, "Recursive Region
Segmentation by Analysis of Histograms", Proc. IEEE
International Conference on Acoustics, Speech and
Signal Processing, pp. 1166-1171.
[23] Yoshimura, M. and Oe, S., 1999, "Evolutionary
Segmentation of Texture Image using Genetic
Algorithms towards Automatic Decision of Optimum
Number of Segmentation Areas", Pattern Recognition
32, pp. 2041-2054.
[24] Zhang, Y.J. and Gerbrands, J.J., 1994, "Objective
and Quantitative Segmentation Evaluation and
Comparison", Signal Processing 39, pp. 43-54.
[25] Zhang, Y.J, 1996, "A Survey on Evaluating
Methods for Image Segmentation", Pattern Recognition
29(8), pp. 1335-1246.