一种基于遗传算法的最小交叉熵阈值选择方法

图像分割是图像分析中最关键的任务之一。 阈值确定无疑是最受欢迎的细分方法之一。 在阈值方法中，最小交叉熵阈值（MCET）由于其简单性和阈值的测量精度而被广泛采用。 尽管在二级阈值化的情况下MCET是有效的，但是当涉及多级阈值以穷举搜索多个阈值时，MCET会遇到昂贵的计算。 提出了一种基于遗传算法的改进方案，用于多级MCET中固定阈值的选择。 该方案使用递归编程技术来降低多层MCET中目标函数的计算复杂性。 然后，提出了一种遗传算法来搜索几个接近最优的多级阈值。 根据经验，通过穷举搜索，我们的方案

最小交叉熵阈值法(MCET) 在二级阈值中是有效的, 但在多极阈值的穷尽搜索中却要付出昂贵的时间代价. 鉴于此, 提出一种基于遗传算法(GA) 的MCET选择方法: 在执行图像分割(IS) 任务之前, 先将IS 转化为在一定约束 条件下待优化的问题; 在寻找待优化问题最优解的计算过程中引入一种回归设计技巧以存储中间结果; 使用这种回 归设计技巧, 在一组标准测试图像上利用GA搜索待优化问题的最优解. 实验结果表明, 利用所提出的方法获得的多 个阈值非常接近于穷尽搜索获得的结果.