基于GA—Otsu的圖像分割方法在車道線檢測中的應用

張利++倪洪飛++樊景帥++張勇++劉柳

摘要：為了克服傳統的Otsu算法在圖像分割問題中運算量大與運算效率不高的局限性，本文提出一種基于GA-Otsu的道路圖像分割算法。該算法在傳統的Otsu算法理論的基礎上，采用GA算法優化Otsu算法，利用GA算法的非線性隨機搜索能力，求出類間方差最大時的圖像分割閾值。最后通過具體的實例驗證，結果表明該算法能有效地對道路圖像進行分割，且相比于傳統的Otsu算法，運行時間大大減少，具有更加廣泛的工程適用面。

關鍵詞：視覺導航 道路圖像分割 Otsu算法 GA算法 最優閾值

中圖分類號：U491.6+2 文獻標識碼：A 文章編號：1007-9416（2016）12-0056-02

基于視覺的道路檢測技術是無人駕駛系統和機器人視覺導航中的關鍵技術，也是當今車輛輔助駕駛系統的重要組成部分。近些年來，國內外學者已從多個角度對基于視覺的道路檢測技術進行廣泛的研究。研究表明，由于實際道路環境的具有不可預測的復雜性以及圖像表示的模糊性，道路檢測必須先借助圖像分割技術將道路目標從圖像背景中分離出來，而后用基于特征或模型的圖像處理算法予以識別。目前，基于圖像分割的道路檢測技術已成為了研究熱點，比較常用的方法主要有基于閾值的Otsu算法，區域生長法，以及K-means算法等[1][2][3]。而其中又以基于閾值Otsu算法魯棒性較高，應用面最廣，但是Otsu算法存在著計算量較大，運算效率不高的缺點。本文針對于目前常用的Otsu算法的缺點，提出一種基于GA-Otsu的道路圖像分割算法，該方法引入GA算法對Otsu算法進行優化，大大減少了Otsu算法的計算量，提高了算法的運算效率。

1 算法的基本介紹

1.1 Otsu算法的基本介紹

Otsu算法（大津法）是由日本學者大津展之推導出來的。其基本思路是將圖像的直方圖以某一灰度為閾值，將圖像分成兩組并計算兩組的方差，當被分成的兩組之間的方差最大時，則以此灰度值為閾值，對圖像進行分割[4]。

具體過程如下：

設一幅圖像的灰度值為個，灰度值為的像素數為，則總的像素個數為：計算得到各灰度值的概率為：

在1～范圍內改變值，求，使得，然后以為閾值分割圖像，即可得到最佳的分割效果。

1.2 遺傳算法概述

遺傳算法（GeneticAlgorithms，GA）是模擬生物在自然環境中的遺傳和進化過程而形成的一種自適應全局優化的搜索算法[5]，目前在機械設計、計算機科學、生物工程、自動控制、人工智能和社會科學等領域都有廣泛應用[6][7]。遺傳算法的基本流程可以概括為：從任一初始群體出發，通過隨機選擇、交叉和變異操作，產生一群更適應環境個體，使群體進化到搜索空間中越來越好的區域，通過一代一代地不斷繁衍進化，最后收斂到一群最適合環境的個體，即問題的最優解。

2 基于GA-Otsu的道路圖像分割算法的設計

由1.1節可知，Otsu算法必須對所有的灰度值進行類間方差計算，比較出最大的類間方差，才能有效的將圖像進行分割，所以Otsu算法計算量非常大，運行效率不高。而GA算法能非線性快速查找最優解及最大類間方差。GA優化Otsu算法的步驟如下：

（1）首先對實現解空間的數值編碼。將所采集到的道路圖像轉化為灰度圖，由于灰度圖由0～255區域的灰度值組成，正好對應著一個8位二進制，所以使用一個8位二進制數作為一個染色體。

（2）初始化種群。初始化種群也就是解的起始值，如果初始化種群選取過偏，則將造成最優解收斂慢、計算時間長的缺點。因此，初始化種群也可憑道路圖像的灰度圖進行預估，確定一組染色體；

（3）確定與計算適應度函數值。由Otsu算法原理可知，該方法為分割閾值方法，則可設定每個灰度值的最大類間方差作為染色體的評價函數。由式（5）則可知每一個染色體的適應值，對于所得出的適應值，求出每一個染色體的選擇概率及累計概率，并產生多個隨機數。選擇出隨機概率對應的染色體作為遺傳運算的一組種子，其中適應值大的被選取的可能性大，而適應值小的被選取的機會少。被選中的染色體作為遺傳種子，進行遺傳運算，這樣一代一代地進行，每一代所得到的適應值都不相同，新一代中的染色體得到的適應值較高，因此，其解也更逼近于最大的值。

（4）遺傳運算。首先進行雜交運算，雜交運算就是對染色體中的某些基因進行交換，此過程中為了控制交換的位數，必須給定一個雜交率。雜交率越大，其交換的基因越多，其值變化就越快，解的收斂速度就越快；但雜交率太大，不利于求得最優解。

基于GA-Otsu的道路圖像分割算法流程如圖1所示。

3 應用實例

3.1 仿真過程與結果

本文應用實例中樣本數據為實路采集的兩幅道路圖像，如圖2所示。

GA算法的運行參數主要有個體編碼串長度（本文為8位），群體大小、交叉概率、變異概率和終止代數等，這些參數對遺傳算法的運行效率和計算結果影響較大。根據一般建議的取值范圍[8]，群體規模為40，交叉概率為0.4，變異概率為0.005。經過 GA 算法 150次迭代計算后，圖3（a）為樣本（a）最佳適應度變化曲線與每一代最佳值進化曲線。

通過GA-Otsu算法得到最終的道路分割效果（原始圖像的下半部分）如圖4所示，得到的分割閾值分別為82和101，由此可知，GA-Otsu算法能準確有效地將道路與背景分割出來。

3.2 算法對比

將GA-Otsu算法與傳統的Otsu算法分別在MATLAB平臺上對樣本圖像進行圖像分割，統計算法運行時間如表1所示。由表1可知，GA-Otsu算法在保障了圖像分割效果的基礎上，比傳統的Otsu算法運行時間少了一半以上，大大提高了算法的運算速度。則說明GA-Otsu算法比傳統的Otsu算法能夠更加快速準確地適應于實際道路分割問題之中。

4 結語

對于道路圖像分割問題，本文在目前有關研究的基礎上，將傳統的圖像分割技術與現代智能理論相結合，采用GA算法優化傳統的Otsu算法，設計了一種基于GA-Otsu的道路圖像分割算法。通過具體應用實例可知，該算法能夠克服目前常用的Otsu算法運算量大，運行效率不高的缺點，能快速有效地將圖像中的道路目標與背影進行分割，實際工程適用面更加廣泛。

參考文獻

[1]陶麗媛.基于動態圖像的道路檢測技術的研究[D].哈爾濱：哈爾濱理工大學，2010.

[2]金立生，王榮本，高龍，郭烈.基于區域生長的智能車輛陰影路徑圖像分割方法[J].吉林大學學報（工學版），2006，（36）：132～135.

[3]王敏杰.基于視覺的道路檢測技術研究[D].北京：北京交通大學，2012.

[4]郝文化，田蕾，董秀芳.MATLAB 圖形圖像處理應用教程[M].北京：中國水利水電出版社，2004.

[5]Goldberg D.E. Genetic Algorithms in Search and Optimization and Machine Learning[M]. Addison Wesley Publishing Company， 2010.

[6]祝詩平，王一鳴，張小超，等.基于遺傳算法的近紅外光譜譜區選擇方法[J].農來機械學報，2004，35（5）：152～156.

[7]孫志田，張建梅，閆常麗.基于遺傳算法公交線路網優化模型仿真研究[J].計算機仿真，2011，28（11）：335～338.

[8]雷英杰，張善文，李續武.MATLAB遺傳算法工具箱及應用[M].西安：西安電子科技大學出版社，2005.