Сегментация цветных изображений, используя генетические алгоритмы: обзор
Авторы статьи: Prerna Pachunde, Prof.Vikal.R.Ingle, Prof. Dr Mahindra. A. Gailwad
Автор перевода: П.Ю. Гаврютченков
Источник: Segmentation of Color Images Using Genetic Algorithms: A Survey
Аннотация
Сегментация подразделяет изображение на свои субъекты или объекты. Уровень, к которому несут подразделение, зависит от решаемой проблемы. Цветные изображения могут увеличить качество сегментации, но увеличить сложность проблемы. Генетические алгоритмы хорошо подходят для оптимизации сложных проблем, таких как сегментация изображения. Эта бумага дает государство - искусство Генетического Алгоритма базировало методы сегментации. Мы обсуждаем выполнимость использования генетических алгоритмов, чтобы сегментировать общие цветные изображения и обсудить проблемы, вовлеченные в проектирование таких алгоритмов.
Ключевые слова: Цветное изображение, Генетические алгоритмы, Сегментация
1. Введение
Сегментация изображения - фонд компьютерного видения и распознавания объектов. сегментация - важный процесс, и его результаты используются во многих приложениях обработки изображения. Однако нет никакого общего способа успешно сегментировать все изображения. Отличаясь высоко от изображений шкалы яркости, цветная сегментация обычно имеет более сложные и трудоемкие алгоритмы и управляется большим набором параметров. Способ обращаться со сложностью в цвете сегментация изображения состоит в том, чтобы использовать направленный метод поиска, такой как генетические алгоритмы. У генетических алгоритмов, которые подражают процессу развития, есть много качеств, которые делают их хорошо подходящий для проблемы сегментации изображения, такой как способность предшествовать местному оптимуму, чтобы достигнуть глобального оптимума [6] и способность эффективно найти оптимальное решение из большой области поиска.
Главное использование генетических алгоритмов в сегментации изображения для модификации параметров в существующих алгоритмах сегментации и сегментации пиксельного уровня [15]. Были развиты различные алгоритмы, что успех - полностью применяет генетические алгоритмы к сегментации изображения. Генетический алгоритм (GA) в состоянии преодолеть многие дефекты в других методах оптимизации, таких как исчерпывающие методы, основанные на исчислении методы, частичное знание (восхождение на вершину, поиск луча)
Из-за общности генетического процесса они независимы от метода сегментации, используемого, требуя только меры работы, которая отнесена в качество сегментации для любой данной комбинации параметра. Мы начинаем, смотря на понятие и важность сегментации изображения и упоминаем требования для хорошей сегментации изображения. Значение использования раскрашивает сегментацию изображения, исследуется, и методы для сегментации изображения кратко обсуждены. Проблемы с существующими методами сегментации изображения упомянуты. Генетические алгоритмы тогда введены, и их пригодность для использования в сегментации изображения исследована. Мы исследуем различные применения генетических алгоритмов к проблеме сегментации изображения. Наконец, выполнимость использования генетических алгоритмов для общей цветной сегментации изображения рассматривают, и вопросы проектирования для такого алгоритма обсуждены.
2. Требования для сегментации изображения
Хорошая сегментация изображения отвечает определенным требованиям:
1. Каждый пиксель по изображению принадлежит области
2. Область связана: любые два пикселя в особом регионе могут быть связаны линией, которая не покидает область
3. Каждая область гомогенная относительно выбранной особенности. Особенность могла быть синтаксической (например, цвет, интенсивность или структура) или основанной на семантической интерпретации
4. Смежные области не могут быть слиты в единственную гомогенную область
5. Никакое наложение областей
3. Методы сегментации изображения
Сегментация изображения - старая и важная проблема, и есть многочисленные методы сегментации изображения. Большинство этих методов было развито, чтобы использоваться на определенном классе изображений, и там - передний не общие методы сегментации изображения [6], Бхэну и Ли [7] делят алгоритмы сегментации изображения на три главных категории:
1. Край
2. Область
3. Объединение
3.1 Основанная на крае сегментация
Понятно, что край - ряд связанных пикселей, лежащих на границе между различными областями, где есть интенсивные неоднородности, такие как серое изменение, цветная отчетливость, разнообразие структуры и так далее [6]. Изображение может быть сегментировано, обнаружив те неоднородности. Основанный на этой теории, есть два главных основанных на крае метода сегментаций: метод серо-гистограммы и Градиент - базировали метод. Ключ к удовлетворительному результату сегментации находится в сохранении равновесие между обнаружением точности и шумовой неприкосновенностью [7]. Если уровень обнаружения точности слишком высок, шум может ввести поддельные края, делающие схему неблагоразумных изображений; иначе, некоторые части схемы изображения могут стать необнаруженными.
3.2 Базирующаяся на области сегментация
Основанная на крае сегментация делит изображение, основанное на резких изменениях в интенсивности около краев, тогда как область - основанная сегментация делит изображение в области, которые подобны согласно ряду предопределенных критериев. Пороговая обработка, рост области, разделение области и слияние - главные примеры методов в этой категории [10].
Соединения роста области, граничащие с пикселями с подобными особенностями, чтобы сформировать более крупные области. Это продолжается, пока условия завершения не соблюдают. Большая часть области, выращивающей алгоритмы, сосредотачивается на местной информации, мешая получать хорошие глобальные результаты. Этот метод десять ds, чтобы чрезмерно слить области, приводящие к сегментации [7]. Разделение области и слияние попыток к сверх - прибывают слабые места роста области и области, разделяющейся, объединяя эти два метода. Первоначально изображение разделено на произвольные области. Разделение области и слияние области происходят, пока условия завершения не соблюдают [7].
3.3 Методы, основанные на кластеризации
Объединение в кластеры разделяет изображение на различные классы без любых предварительных знаний. Этот метод основан на предположении, который возражает в пределах каждого класса, должен иметь высокую степень подобия, в то время как те в различных классах должны быть несходными. Это считают безнадзорным методом сегментации изображения [12] [14].
3.4 Генетические алгоритмы
Генетические алгоритмы - метод оптимизации, используемый в сегментации изображения. Это подражает естественному se-разночтению, позволяя алгоритму приспособиться. Решения представлены населением отдельных хромосом, обычно представляемых как двойные последовательности. Хромосома составлена из генов, каждый из которых может представлять особую особенность. Каждого человека в населении оценивают и дают счет фитнеса, основанный о том, как хорошо они решают особую проблему. Чем выше счет фитнеса человека, тем больше их вероятность размножения. Размножение создает следующее поколение через переход и мутацию. Переход объединяет хромосому двух человек, создавая нового человека, который непохож на любого из родителей. Мутация, которая происходит только маленький процент времени, беспорядочно изменяет хромолитографию нового человека - некоторые. Так как у более оптимальных людей есть больший шанс размножения, население склонно развивать и достигать оптимального решения.
Фермер и Shugars[15] делят генетические алгоритмы, используемые для сегментации изображения в два главных класса:1. выбор параметра, где генетические алгоритмы используются, чтобы изменить параметры существующего метода сегментации изображения, чтобы улучшить его продукцию. 2 сегментации Пиксельного уровня, где генетические алгоритмы используются, чтобы выполнить маркировку области.
У большинства методов сегментации изображения есть много параметров, которые должны быть оптимизированы, и поэтому первый метод используется чаще [8]. Много таких методов обсуждены, а также несколько методов, использующих сегментацию пиксельного уровня. Измененные генетические алгоритмы и гибридные генетические алгоритмы также использовались для сегментации.
4. Обзор ГА, основанный на алгоритмах кластеризации
Кластерный анализ - техника, которая используется, чтобы обнаружить образцы и ассоциации в пределах данных. Более определенно это - многомерная статистическая процедура, которая начинается с набора данных, содержащего информацию о некоторых переменных, и пытается реорганизовать эти случаи данных в относительно гомогенные группы. Одна из основных проблем, с которыми сталкиваются исследователи, относительно кластерного анализа, что различные методы объединения в кластеры могут и действительно производить различные решения для того же самого набора данных. То, что необходимо, является техникой, которая обнаружила самые 'естественные' группы в наборе данных. Научно-исследовательская работа Крови Р. должна была исследовать потенциальную выполнимость использования генетических алгоритмов в целях объединения в кластеры [5].
4.1 Модификация параметра
У большинства методов сегментации изображения есть много параметров, констант и порогов, которые должны быть приспособлены, чтобы привести к оптимальным результатам сегментации. Это создает очень большую область поиска. Так как параметры, как правило, взаимодействуют в комплексе и не - линейные пути, аналитическое решение не вообще возможно. С разумной суммой вычисления генетические алгоритмы в состоянии найти хорошие приближения глобального оптимума в пределах большой области поиска. Они площадь e поэтому хорошо подходящий для проблем, включающих оптимизацию параметра. Большинство применений генетических алгоритмов к сегментации изображения включает оптимизацию различных параметров [8].
Bhanu и др. [8] сегментация позы изображения как проблема оптимизации. Они определяют общий метод сегментации, посредством чего генетические алгоритмы применены к параметрам различных известных методов сегментации изображения. Они защищают использование генетических алгоритмов к адаптации параметров, знает методы сегментации, чтобы быть применимым к общим изображениям. Они использовали наружные цветные образы и приспособили 4 параметра алгоритма сегментации Финикса с генетическими алгоритмами. У них были успешные результаты, производя высококачественную сегментацию изображения с разумной суммой вычисления. Даже при том, что они выступают хорошо на наружных сценах, эти алгоритмы, как доказывали, не были в состоянии справиться с общими изображениями. Факт, что эти алгоритмы могут быть изменены, чтобы приспособить параметры других методов сегментации, делает этот метод очень перспективным.
Цингаретти [9] предлагает использовать генетические алгоритмы в безнадзорной цветной сегментации изображения. Это - другой случай параметров существующего метода сегментации изображения, настраиваемого генетическими алгоритмами. Основное отличие в этом методе - то, что он выполняет пороговую обработку мультипрохода. Различные пороги адаптированы во время каждого прохода генетических алгоритмов. Важное преимущество этого метода по предыдущему состоит в том, что сегментация выполнена полностью безнадзорная без любой ручной сегментации. Это также не полагается ни на какую предшествующую информацию относительно типа изображения, которое обрабатывается или задача, для которой будут использоваться результаты сегментации. Этот подход успешно сегментировал большое разнообразие изображений, за исключением изображений, которые были очень текстурированными. Pignalberi и др. [8] используют генетические алгоритмы для оптимизации параметров в алгоритме сегментации изображения. В этом случае они сосредоточились на изображениях диапазона, где пиксель окрашен в зависимости от расстояния быть подростком объект и датчик. Этот метод сегментирует поверхности 3D объектов, но мог быть применен к сегментации 2D изображений.
4.2 Сегментация пиксельного уровня
В сегментации пиксельного уровня генетические алгоритмы используются для маркировки области. Пиксель классифицируется в особом регионе в зависимости от ее особенностей [15]. Пенг El Al [11] проявляет этот подход. Каждый пиксель по изображению представлен хромосомой, которая является этикеткой области. Главный недостаток этого метода - то, что число групп должно быть дано как вход, и так не может быть безнадзорным, общим подходом. Чун и Янг [11] проявляют аналогичный подход, но используют нечеткую функцию фитнеса.
4.3 Модифицированные генетические алгоритмы
Гонг и Янг [9] представляют изображение и результаты сегментации квадрафоническими деревьями. Похожим способом Цингаретти определяет две системы прохода, генетические алгоритмы, используемые для оптимизации в обоих проходах. В первом проходе генетические алгоритмы используются, чтобы минимизировать энергетическую функцию. В дополнительном втором проходе, определение параметра, как грубый или прекрасный сегментация изменена генетическими алгоритмами, чтобы получить оптимальные результаты сегментации. Хромосомы кодируют квадрафонические деревья, делая его неэффективным, чтобы применить обычный переход и операции по мутации. Чтобы справиться с этим, новый пересекающийся метод и три метода мутации определены.
Aoyagi и Tsuj использовали модифицированные ГА для сегментации пиксельного уровня. Они приближаются к сегментации изображения, поскольку проблема объединения в кластеры особенности и как Гун и Янг [9] использует энергетическую функцию в качестве функции фитнеса. Они сочли трудным получить идеальную сегментацию, используя традиционные генетические алгоритмы, и таким образом, ввел четыре специальных типа мутации. Они также предлагают новый метод для создания людей населения. Проблемы сегментации были сформулированы на такие изображения проблемы оптимизации и принимают эволюционную стратегию генетических алгоритмов для объединения в кластеры небольших областей в пространстве признаков цветов. Существующий подход использует k-средства безнадзорные методы объединения в кластеры в Генетические Алгоритмы, а именно, для руководства этого последнего Эволюционного Алгоритма в его поиске нахождения оптимального или подоптимального разделения данных, задача, которая, как мы знаем, требует нетривиального поиска из-за его внутреннего NP- полная природа. Чтобы решить эту задачу, соответствующее генетическое кодирование было также обсуждено [13].
4.4 Гибридные генетические алгоритмы
Grenfenstette [20] упоминает, что генетические алгоритмы могут быть объединены с методами локального поиска, создав высокоэффективный алгоритм поиска. Ниже приводятся примеры успешного внедрения гибридных генетических алгоритмов для сегментации изображения. Генетические алгоритмы были объединены с другими эволюционными передозировками денатурата, чтобы заняться проблемой сегментации изображения. Бхэндаркэр и Чжан [6] объединяются, генетические алгоритмы с моделируемым отжигом базировали методы - которые подражают физическому процессу охлаждения - чтобы приблизиться к проблеме сегментации серой шкалы изображения. Они делают это - попытка избавиться от слабых мест каждого класса. Это привело к лучшей работе, чем традиционные генетические алгоритмы.
5. Приложения ГА, основанные на кластеризации
В предыдущей секции различный ГА изучены основанные группирующиеся алгоритмы. Эта секция обеспечивает обсуждение немногих применений ГА, базируемого, группируя алгоритмы. Бумага [14] выставочное применение Генетического Алгоритма к производственному моделированию. Моделирование рассматривают как подробную, стохастическую, многомодальную функцию, которая описывает исполнительную статистическую величину. Авторы попытались оптимизировать (или по крайней мере улучшиться) исполнение системы. Использовалась модель реальной поточной линии для печатных плат, которая имеет человека y продукты и должна часто переоборудоваться или повторно формироваться. Так как производственная линия всегда изменяется с половиной переворачивания продуктов в течение года, работа по формированию и точной настройке поточной линии никогда не заканчивается.
6. Заключение
Способность ГА была применена к развитию надлежащего числа групп и обеспечения соответствующего объединения в кластеры. Изучены много ГА основанные группирующиеся алгоритмы. Некоторые применены на маленький набор данных, и некоторые применены на большой набор данных. ГА основанные группирующиеся методы может использоваться во многих прикладных областях как производственное моделирование, сегментация изображения, объединение в кластеры документа, сжатие изображения, анализ экспрессии гена, текст, группирующийся и т.д. ГА был применен на группирующиеся алгоритмы как K-средства и нечеткие c-средства, которые являются главным образом расстоянием, базируемым на группирующихся алгоритмах. ГА должен все же быть применен к другому алгоритму объединения в кластеры.
Использование генетических алгоритмов на шоу сегментации изображения, обещающих результаты. Генетические алгоритмы - обычно используемый подход к оптимизации параметров существующих алгоритмов сегментации изображения, важные решения выбирают метод сегментации, к которой генетические алгоритмы будут применены, находя функцию фитнеса, которая является хорошей мерой качества сегментации изображения и нахождения значащего способа представлять хромосомы.
Ссылки
[1] P . D. Acton, L. S. Pilowsky, H. F. Kung, and P . J. Ell. Automatic segmentation of dynamic neuroreceptor single-photon emission tomog- raphy images using fuzzy clustering. European Journal of Nuclear Medicine, 26(6):581–590, June 1999.
[2] B. Ahrens. Genetic algorithm optimization of superresolution parameters. In Proceedings of the 2005 conference on Genetic and evolution- ary computation, GECCO, pages 2083–2088, June 2005.
[3] A. Albiol, L. Torres, and E.J. Delp. An unsu- pervised color image segmentation algorithm for facedetection applications. In Proceedings of 2001 International Conference on Image Processing, volume 2, pages 681–684, October2001.
[4] M. Alfonseca. Genetic algorithms. In Proceed- ings of the international conference on APL, pages 1–6, 1991.
[5] P. Andrey. Selectionist relaxation: Genetic algorithms applied to image segmentation. In Image and Vision Computing, volume 17, pages 175–187, 1999.
[6] S.M. Bhandarkar and H. Zhang. Image seg- mentation using evolutionary computation. In IEEE Transactions on Evolutionary Computa- tion, volume 3, pages 1–21, April 1999.
[7] B. Bhanu and S. Lee. Genetic Learning for Adaptive Image Segmentation. Springer, 1994.
[8] B. Bhanu, S. Lee, and J. Ming. Adaptive im- age segmentation using a genetic algorithm. In IEEE Transactions on Systems, Man and Cybernetics, volume 25, pages 1543–1567, De- cember 1995.
[9] B. Bhanu and J. Peng. Adaptive integrated image segmentation and object recognition. In IEEE Transactions on Systems, Man and Cy- bernetics, Part C, volume 30, pages 427–441, November 2000.
[10] H. Chen, W. Chien, and S. Wang. Contrast- based color image segmentation. IEEE Signal Processing Letters, 11(7):641– 644, July 2004.
[11] D.N. Chun and H.S. Yang. Robust image seg- mentation using genetic algorithm with a fuzzy measure. In Pattern Recognition 29(7), pages 1195–1211, 1996.
[12] J. M. Daida, T. F. Bersano-Begey, and J. F. Vesechy. Computer-assisted design of image classification algorithms: Dynamic and static fitness evaluations in a scaffold genetic pro- gramming environment. In Genetic Program- ming 1996: Proceedings of the First Annual Conference, July 1996.
[13] K. S. Deshmukh and G. N. Shinde. An adap- tive color image segmentation. Electronic Let- ters on Computer Vision and Image Analysis, 5(4):12–23, 2005.
[14] G. Dong and M. Xie. Color clustering and learning for image segmentation based on neural networks. In IEEE Transactions on Neural Networks, volume 16, pages 925–936, July 2005.
[15] M.E. Farmer and D. Shugars. Application of genetic algorithms for wrapper-based im- age segmentation and classification. In IEEE Congress on Evolutionary Computation, pages 1300–1307, July 2006.
[16] R.Q. Feitosa, G.A.O.P. Costa, and T.B. Cazes. A genetic approach for the automatic adapta- tion of segmentation parameters. In OBIA06,2006.
[17] S. Forrest. Genetic algorithms. ACM Computing Surveys, 28(1):77–80, March 1996.
[18] P. Ghosh and M. Mitchell. Segmentation of medical images using a genetic algorithm. In GECCO ’06: Proceedings of the 8th annual conference on Genetic and evolutionary computation, pages 1171–1178, New York, NY, USA, 2006. ACM Press.
[19] M. Gong and Y.H. Yang. Genetic-based mul- tiresolution color image segmentation. In Vision Interface 2001, pages 141– 148, June 2001.
[20] J.J. Grefenstette. Genetic algorithms and ma- chine learning. In COLT, pages 3–4, 1993.