遗传算法在图像处理中的应用.docVIP

PAGE1

MACROBUTTONMTEditEquationSection2SEQMTEqn\r\hSEQMTSec\r1\hSEQMTChap\r1\h

课程：新技术讲座

题目：遗传算法在图像处理中的应用

姓名：

学号：

目录

TOC\o1-3\h\z\u摘要 2

1.引言 3

2.遗传算法的基本原理和基本性质 3

3.遗传算法在图像处理中的应用 5

3.1在图像增强中的应用 5

3.2在图像恢复中的应用 6

3.3在图像分割中的应用 7

3.4在图像压缩中的应用 8

3.5在图像匹配中的应用 9

4.遗传算法在图像处理中的问题及发展方向 10

参考文献 10

由上图可知，遗传算法模拟了自然选择和遗传进化中发生的繁殖、交配和突变现象，从任意一个初始种群出发，通过随机选择、交叉和变异操作，产生新的更适应环境的个体，使群体进化到搜索空间中越来越好的区域。这样一代一代不断繁殖、进化，最后收敛到一群最适应环境的个体上，求得问题的最优解。遗传算法对于复杂的优化问题无需建模和复杂运算，只要利用遗传算法的三种算子就能得到最优解。

GA把问题的解表示成染色体（也称串），GA的求解步骤如下：

（1）参数编码。这个要素是要建立一个空间映射，就是问题的解空间与编码空间的映射，每个不同的候选解用有一个单独的串号。

（2）初始群体的设定。将种群进行初始化。

（3）适应度函数的设计。在种群中，将每个个体的染色体进行解码，变

成适合计算式适应度的函数形式。

（4）选择。将适应度大的个体作为优秀个体繁殖下一代，适应度越大被选择繁殖下一代的可能性也就越大。

（5）交叉。将选中的两个用于繁殖下一代的位置相同个体的位置进行交叉互换。

（6）变异。按照基因突变的概率翻转串中的基因。

（7）重复步骤（4）到步骤（6）使得结果满足已设定的遗传条件。

GA结构较为简单，算法也不复杂，但是又具有良好的选择效果，具有自适应性、子组织性和自学习性等特点，具有许多其它算法没有的优点，主要有：

（1）GA是对参数编码进行操作,而非对参数本身,减少约束条件的限制,如连续性、可导性、单峰性等。

（2）GA是多点搜索,减少了陷于局部优解的风险。

（3）GA仅用适应度函数来指导搜索,不需要其他推导和附加信息,对问题依赖性小。

（4）GA的寻优规则是概率性的而非确定性的。

研究者们在应用GA过程中也不断研究改进GA的性能，使GA更能满足时代的需要，比如在选择策略中提出了精英选择、稳态选择和竞争选择等新的机制;在变异环节提出了两点、多点和一致变异作为传统一点变异的改进和补充;在编码环节中应用格雷码和动态编码等克服传统二进制编码和定点十进制整数编码所就带来的问题;此外,还提出自适应技术动态改变GA控制参数,克服采取传统的静态控制参数策略引起的多样性和收敛性不均衡问题,以及用梯度方法、单纯型法或模拟退火方法精细调整的混合GA,以提高算法的收敛速度;用均匀分布的初始群体代替随机产生的初始种群;研究了分布式GA、迁徙GA和并行GA等,进一步推动了GA的发展。

3.遗传算法在图像处理中的应用

3.1在图像增强中的应用

图像增强技术是将不清晰的图像经过优化处理变成一张比之前更加清楚，或者变成一张使得特点更加鲜明的照片，以便于对图像再进行后期的加工。目前图像增强方法主要包括将图像进行某种变换的频域法和对直接对原始图像进行处理的空域法两种。而基于遗传算法的图像增强技术的实现则是利用遗传的选择方法找到一个最优或者局部最优的方法。具体的操作方法是，首先将每一个目标值设置一个基位，用实数进行编码，这样问题就转化成求解这个目标基位组合的题目。然后，对适应度进行设计，适应度设计为个体进化提供动力，在设置适应度的时候既要考虑图像的整体和局部的质量问题，也要将结构和细节考虑进去。再后，对遗传算子进行设计，先根据前面设置的适应度值将个体从大到小进行排列，从中选择优秀的个体进入下一个程序当中；为了防止遗传算法在计算的过程中过早收敛，对种群的多样性进行保护，在计算过程中采用交叉操作的方法产生新的个体；对进化方向进行微调，采用变异操作的方法，对一个被选中的变异操作来说，就是采用“1”→“0”和“1”→“0”的方式进行变异。最后，设置算法的结束条件，一般算法的结束条件就是迭代次数达到了最大进化代数或者最大适应度的值变化不明显。

例如，对于一幅数字图像f(.),f(x,y)是图像在x行y列的像素值。f’(x,y)为增强后的图像在对应点的像素值。则有：

其中g(.)是一个对比度扩展函数。m(