【正文】 ② 該生命智能體的適應(yīng)度 T。智能體通過一系列的生命行為包括繁殖，擴(kuò)張，個體間的交互，與生存環(huán)境的交互，遺傳， 死亡等，來最終涌現(xiàn)出圖像分割的結(jié)果。 人工生命模型的設(shè)計思想 該模型是一種具有自主性的智能體人工生命模型，該智能體能夠進(jìn)行自我復(fù)制，向其他領(lǐng)域擴(kuò)張，與其他智能體進(jìn)行交互，與其生存環(huán)境進(jìn)行交互。否則保持為 “死” 。 生命游戲 [39， 40]中的 細(xì) 胞有 {“ 生 ” ,“死” }兩個狀態(tài) {0，1}， 根據(jù) 細(xì) 胞的局部空間構(gòu)形來決定生死。大量 細(xì) 胞通過簡單的相互作用而構(gòu)成動態(tài)系統(tǒng)的演化。最近幾年研究人員不斷將其它領(lǐng)域?qū)W科的方法引入到圖像分割的方法中來取得了不錯的效果。對人類而言，視覺感知和對圖像的快速解釋很大程度上基于并行的生物結(jié)構(gòu)。這里探討的是用于圖像處理的人工生命方法，它不同于在圖像處理領(lǐng)域應(yīng)用很廣的神經(jīng)網(wǎng)絡(luò)和遺傳算法，雖然人工生命方法與它們有著天然的聯(lián)系和相近的視角。 1994年 Franklin和 Zhou[36]通過運(yùn)用人工生命模型 實現(xiàn)了光學(xué)文字識別?；ヂ?lián)網(wǎng)是一個大型、混亂而多變的海量信息系統(tǒng)，互聯(lián)網(wǎng)上的信息搜索變得愈來愈困難。另外還有一個相似的基于個體行為的人工生命的交通流模型，它由 MIT 提出，并應(yīng)用于波士頓中央動脈 第三港口隧道工程。對復(fù)雜系統(tǒng)的認(rèn)識有助于理解具有自組織的復(fù)雜系統(tǒng)經(jīng)濟(jì)系統(tǒng)。 （ 2）機(jī)器人。進(jìn)化機(jī)器人是機(jī)器人設(shè)計的一個新方向。 1975 年Holland 提出的遺傳算法 (GA) 是其中之一。它不僅能夠自發(fā)地形成新的功能，而且能夠自主地形成自身的結(jié)構(gòu)。人工社會的計算機(jī)模型包含： (1)一群具有自治能力的行為者； (2)一個獨立的環(huán)境； (3)管理行為者之間、行為者與環(huán)境之間以及環(huán)境各個不同要素之間相互作用的規(guī)則。馮 （ 4）人工生命模擬生命行為的方法運(yùn)用局部控制而不是全局控制，讓行為從底層自發(fā)地突現(xiàn)出來而不是自上而下地給出規(guī)定，而復(fù)雜的行為并非出自復(fù)雜的基本結(jié)構(gòu)。 Langton C G 提出一個更加實際的定義：突現(xiàn)是介于微觀和宏觀行為之間的反饋。生命的本質(zhì)在于形式而不在于具體的物質(zhì)。同時， 1994 年在世界著名學(xué)府麻省理工學(xué)院創(chuàng)刊出版了國際刊物《人工生命》 (Artificial Life)，成為該研究領(lǐng)域內(nèi)的權(quán)威刊物。 1970 年康韋 (John Conway)編寫了“生命游戲”程序，它使細(xì)胞自動機(jī)產(chǎn)生無法預(yù)測的延伸、變形和停止等復(fù)雜的模式。但與圖靈關(guān)注生物的形態(tài)發(fā)生不同，他試圖描述生物自我繁殖的邏輯形式。他發(fā)表了一篇蘊(yùn)意深刻的論形態(tài)發(fā)生（生物學(xué)形態(tài)發(fā)育）的數(shù)學(xué)論文（ 1952） [22]。 人工生命科學(xué)的著名學(xué)者 Boden 認(rèn)為：“人工 生命用信息概念和計算機(jī)建模來研究一般的生命和地球上特有的生命 ” 。絕大多數(shù)基于邊界的圖像分割方法都集中在邊界的檢測方面，這些邊界部分或全部對圖像進(jìn)行了分割處理。 [ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ] [ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ]xf f i j f i j f i j f i j f i j f i j? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?39。圖像中相鄰的不同區(qū)域間總存在邊緣，邊緣處 像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導(dǎo)數(shù)來檢測到。 分裂合并法的基本思想 [12， 15， 16]是從整幅圖像開始通過不斷分裂合并得到各個區(qū)域。 區(qū)域生長的基本思想 [12,13,14]是將具有相似特性的像素集合起來構(gòu)成區(qū)域。 要 M1 個閾值 {t1,t2……tm 1}?? .來將圖像分成 M 個子集，這些個子集包含的灰度值范圍分別為： ? ? ? ? ? ? ? ?1 1 2 1 2 1 10 , , 1 , , . . . . . , 1 , , . . . . , 1 , 1i i i M MC t C t t C t t C t L??? ? ? ? ? ? ? ? 最佳閾值 ? ?* * *1 2 1, ,..., mt t t ?的公式為： ? ?* * *1 2 1, ,..., mt t t ? =112 110 ... 1 { ( , , ..., ) }M BMt t LA rg M a x t t t?? ?? ? ? ? ???????? () 其中 221 ()MB k k rk? ? ? ?????，kkiiCP? ??? ，kikiC kiP? ????。 其中每個 iD 是一個指定的灰度集 。 圖 21 閾值為 81 時的分割效果圖 在眾多的閾值選取方法中 ， Otsu [8]方法被認(rèn)為是最優(yōu)方法之一。閾值是用于區(qū)分目標(biāo)和背景的灰度門限。 第 9 頁 共 78 頁 第二章 圖像分割與人工生命 圖像分割的定義 圖像分割是將整個圖像區(qū)域分割成若干個互不交疊的非空子區(qū)域的過程。 論文結(jié)構(gòu) 本論文分為五章 ： 第一章是緒論部分。 針對靜態(tài)圖像分割提出了基于細(xì)胞自動機(jī)的人工生命模 型 在研究了 Boids、人工協(xié)作細(xì)胞等人工生命模型之后，深刻理解了其中體現(xiàn)的群體智慧的思想，即 :“個體的行為簡單、局部并且?guī)в须S機(jī)性，但是整體的行為連貫、協(xié)調(diào)并且不盲目”。雖然它還是新興學(xué)科，但己在解決復(fù)雜問題上顯示出很好的前景。 研究工作內(nèi)容和創(chuàng) 新點 圖像分割一直以來都是一個經(jīng)典難題。從視頻圖像序列中實時分割運(yùn)動人體目標(biāo)是一項基本而又重要的環(huán)節(jié)。 作者簽名： 日期： 年 月 日 學(xué)位論文版權(quán)使用授權(quán)書 本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。 關(guān)鍵詞 ： 圖像分割，人工生命，生命體，生存環(huán)境，目標(biāo)提取 THE RESEARCH AND REALIZATION OF IMAGE SEGMENTATION BASED ON ARTIFICIAL LIFE Abstract Image segmentation is the base of image analysis, image recognition and the image understanding. Image segmentation is a technique which divides an image into some special areas and gets interesting areas. Many researchers have been working on it for a long time. Main difficulties or obstacles to image segmentation are the changing of image and the noise. So far there have been many image segmentation algorithms, however, each of them has its own problems that impact the algorithm’s performance and application. So we need to get more new methods and makes an intensive study of it. Artificial Life is a new research area which is transdisciplinary. It shows its potential superiority on solving plex problems. If we apply the artificial life to the image segmentation, there would be more extensive research space and good application prospects. And maybe we will find a lot of novel and much better methods. This paper puts forward two artificial life modes based on frozen picture and video frequency sequence respectively. The first is an artificial life model based on the Cellular Automata, the other is a ALife mode which has a variety of size. In the first ALife model we take the image as the environment of the agents. Through some living action like propagation, death, expansion, moving and so on we finally get the result of image segmentation. In the multigranular ALife model which is extracted according to video feature of video sequence, we also take the image as the environment of agents. It’s not a single image at this time but a serial of images of a video. The difference of the images is the environment changing. Agents can live by getting the changing energy. They can detect the changing nearby and extensive to that direction. And in this model some small agents can aggregate a cluster as a big agent. Both of modes have their rules which every agent must observe. Under the rules each agent can choose its next action. The two models have bottomup and nonoverall control features. Through the results of experiments, we conclude that both models have a good performance and application prospect. KEY WORDS: image segmentation, artificial life, agent, virtual environment, object extraction 畢業(yè)設(shè)計（論文）原創(chuàng)性聲明和使用授權(quán)說明 原創(chuàng)性聲明 本人鄭重承諾：所呈交的畢業(yè)設(shè)計（論文），是我個人在指導(dǎo)教師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。在第一種模型中我們將待分割圖像看作人工生命智能體的生存環(huán)境，通過生存在其上的人工生命智能體模型一代代繁衍、擴(kuò)張來最終得到圖像的分割結(jié)果。基于人工生命的圖像分割技術(shù)的研究及應(yīng)用 摘要 圖像分割是圖像分析、識別和理解的基礎(chǔ)。 在根據(jù)視頻圖像序列中圖像的特征提出的基于多粒度的人工生命改進(jìn)模型里是將視頻圖像序列看作是生命體的生存環(huán)境，不同的視頻幀視為環(huán)境的變化。盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過的材料。本人授權(quán) 大學(xué)可以將 本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。運(yùn)動人體分割的目的是從序列圖像中將運(yùn)動人體的變化區(qū)域從背景圖像中提取出來 ,其運(yùn)動區(qū)域的有效分割對于目標(biāo)分類、跟蹤和行為理解等后期處理是非常重要的 ， 如圖 11所示。從二十世紀(jì)七十年代開始就有很多很多研究人員為之付出了巨大的努力，在這幾十年的過程中研究人員也不斷把其它各個領(lǐng)域的方法論引入和應(yīng)用到圖像分割的領(lǐng)域內(nèi) ， 創(chuàng)造了很多經(jīng)典的圖像分割算法比如：基于灰度直方圖的方法，區(qū)域分割算法，邊緣提取，基于數(shù)學(xué)形態(tài)學(xué)的方法，基于遺傳算法的最優(yōu)化參數(shù)設(shè)置的方法等等。過去的十多年，研究人員探索把人工生命應(yīng)用到計算機(jī)圖像處理中，開拓了研究思路，帶來發(fā)現(xiàn)更新穎、更有效的理論和方法的可能性，并且已經(jīng)在一些方面取得一定的成功。在這個思想指導(dǎo)下，提出了 用于單一靜態(tài)圖像分割 的人工生命模型，在設(shè)計該模型的過程中參考了許多真實的有群居行為的生物如螞蟻、蜜蜂以及最大的群居