基于ＧＡ图象增强研究.docVIP

基于ＧＡ图象增强研究 　　【摘 要】随着数字化时代的到来，图像技术已经渗透到人类生活和社会发展的各个方面，图像增强是数字图像处理的最基本方法之一，研究GA遗传算法在图象增强中的应用，提出GA算法实现灰度图象自适应增强的具体过程，并给出相应的仿真结果与结论，可以得知，使用遗传算法进行图像增强具有一定的实用价值。 　　【关键词】GA遗传算法 图像增强 自适应 非线性转换 　　 　　1 前言 　　在人类迈入信息时代的今天，信息技术的应用无处不在，其中图像信息是人类赖以获取信息的重要来源之一，图像技术已经渗透到人类生活和社会发展的各个方面，图像增强是数字图像处理的最基本的方法之一，它的主要目的有两个：―是改善图像的视觉效果，提高图像成分的清晰度；二是将图像转换成一种更适合人眼观察或计算机自动分析的形式。图像增强是图像预处理的一个非常重要的问题，具有重要实用价值的技术。 　　在数字图像处理的研究中，空间域方法一般只能应用在一些特定环境中，算法的普适性较差；频率域处理方法通常计算量较大，并且变换的参数选取人工干预较多。随着数学各分支在理论和应用上的逐步深入，使得数学形态学、模糊数学、遗传算法、小波理论等在图像增强技术中取得很大进展，产生了不少新的算法。 　　本文将首先介绍GA算法，然后介绍图像的灰度非线性转换，最后提出GA算法实现灰度图像自适应增强的具体过程，并给出相应的仿真结果与结论。 　　2 遗传(GA)算法 　　遗传算法GA(Genetic Algorithm)，是1962年Holland教授首次提出了GA算法思想，借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高。也体现了自然界中物竞天择、适者生存进化过程，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方面。 　　遗传算法把问题的解表示成染色体，在算法中染色体被表示成二进制编码串，或者是十进制编码串，在算法开始时随机地给出一群染色体（称为初始种群），即一组假设解，然后把假设解置于问题的环境中，计算每个个体的适应度值，按照适者生存的原则从中选择适应环境能力强的个体进行交叉、变异、突变过程产生适应能力更强的新一代种群。如此一代一代地进化，最后将收敛到一个染色体上，即得到问题的最优解。 　　遗传算法解决基本问题的步骤为： 　　1、确定参数； 　　2、评价每个染色体； 　　3、选择染色体； 　　4、交叉染色体； 　　5、变异染色体； 　　6、评价新的染色体； 　　7、如果终止条件满足，返回最佳结果，算法结束。如果终止条件不满足，返回到第3步。 　　3 灰度非线性转换 　　图像增强的目的就是改善图像的质量，也就是使指定的特征更加突出等等。在降质图像中一个普遍的特征就是对比度降低。低对比的降质图像可以通过拉伸动态的灰度直方图来实现增强，例如灰度等级的改变。使用ixy表示输入图像中像素点(x,y)的灰度级，最简单的比例变换为： 　　(1) 　　其中I是输出的增强图像中像素点(x,y)的灰度值，f是线性或非线性的转换。对于灰度图像的四种通用的非线性转换如图1所示。 　　图1中，横坐标为原图像的灰度，纵坐标为处理后图像的灰度，(a)类变换拉伸偏暗区域；(b)类变换拉伸较亮区域；(c)是拉伸中间区域压缩两端区域的变换；(d)是拉伸两端区域压缩中间区域的变换。 　　为了实现增强不同类型的降质图像，我们需要不同类型的非线性变换。每一种都可以被一组参数所描述。在这个研究中，输入图像像素首先被规格化到区间[0,1]并且等式(1)被重写成这里，imin和imax分别是ixy的最大值和最小值，n(ixy)规格化ixy到区间[0,1]，T(?)是图1所示的四种非线性转换的任何一种0≤T（?）≤1。 　　Tubbs提出使用归一化的不完全β函数自动拟合图1(a)-(d)所示的四种类型的变换。标准的β密度函数和归一化的不完全β函数分别为： 　　通过调整α和β的值可以得到图1所示(a)－(d)四种类型的变换。 　　4 遗传算法实现灰度图像自适应增强 　　在仿真中我们使用归一化的不完全β函数作为广义变换进行灰度I的转换，如下式所示： 　　基于遗传算法的图像自适应增强过程为： 　　a.确定参数 　　(1)设定群体规模，即染色体的个数为50； 　　(2)交叉率初始化为0.8,变异概率初时化为0.02； 　　(3)在满足约束条件的前提下，设置染色体为长度为20的二进制位串； 　　(4)设置GA的最大进化代数设置为500； 　　b.评价每个染色体，适应度（目标）函数是用来估计染色体（解决方案）的适应程度，这里使用下式作为适应度函数： 　　(2) 　　c.选择染色体，使用适应性较强者被优先选择的标准，产生好的个体