遺傳算法的早熟現(xiàn)象研究及其在圖像恢復中的應用.pdf

1、在圖像成像、復制、掃描、傳輸、顯示等過程中，不可避免地要造成圖像的退化，而在許多應用領域中，需要清晰的、高質(zhì)量的圖像，因此，圖像恢復具有重要的意義。圖像恢復目的是對退化圖像進行處理，盡可能恢復成原始圖像。它是圖像處理、模式識別、機器視覺的基礎，并在天文學、遙感成像、醫(yī)療圖像等領域獲得廣泛的應用。 在圖像恢復中，由于圖像信息本身的復雜性和較強的相關性，在處理過程中的各個不同層次可能出現(xiàn)不完整性、不精確性、非結(jié)構(gòu)化等問題，因此將計算

2、智能信息處理方法應用于圖像恢復，在一些場合比傳統(tǒng)恢復方法具有更好的效果。 遺傳算法作為一種智能優(yōu)化算法，是借鑒生物界選擇和遺傳機制的隨機化搜索算法，其主要特點是在搜索空間中同時在很多點進行求解，利用隨機規(guī)則米引導搜索，且搜索不依賴于梯度信息，它尤其適用于處理傳統(tǒng)搜索方法難于解決的復雜和非線性問題。遺傳算法的優(yōu)勢是利用所允許的不精確性、不確定性和部分真實性，以得到易于處理、魯棒性和成本較低的解決方案，因此是很有發(fā)展?jié)摿Φ膱D像智能信

3、息處理方法。 本論文圍繞遺傳算法中存在的早熟現(xiàn)象及其在圖像恢復中的應用主要做了以下三個方面的工作。 (1)針對遺傳算法中存在的早熟收斂現(xiàn)象，提出一種用于防止早熟收斂的改進遺傳算法。該算法首先利用從基因和個體兩個方面設計的種群多樣性算子產(chǎn)生較好的初始種群分布，并以該算子作為判斷種群是否早熟收斂的依據(jù)。一旦出現(xiàn)早熟收斂或早熟收斂的趨勢，則進行災變，以恢復算法的進化能力。其次，經(jīng)過該算法中的選擇和交叉算子后的種群由兩部分構(gòu)成，

4、一是從父代種群中選出的保留種群，二是利用父代種群中的最優(yōu)個體與引入的隨機種群進行交叉操作產(chǎn)生的交叉種群，保留種群和交叉種群重新組成下一代種群。通過實驗仿真并與SGA和EGA算法進行比較，驗證了該算法在函數(shù)優(yōu)化中能有效維持種群的多樣性，快速找到全局最優(yōu)解。 (2)針對遺傳算法用于圖像恢復時存在的早熟現(xiàn)象，提出一種用于二值圖像恢復的改進遺傳算法。該算法每進化k代引入一次比例為r的隨機種群，r是隨機種群占種群規(guī)模n的比例。如果在某代加

5、入隨機種群，則該代中的交叉算子就用當前最優(yōu)個體與加入隨機種群后的種群中的每一個個體進行交叉操作。同時，該算法設計了只對最優(yōu)個體進行變異的局部變異算子，對于任何一個待變異點，首先用“canny”算子檢測其與8-鄰域像素點構(gòu)成的局部區(qū)域是否含有邊緣信息，對不含邊緣信息的局部連通區(qū)域進行0、1變異或保持局部連通區(qū)域的原值不變。每隔一定代數(shù)加入一次隨機種群加強了遺傳算法搜索新的解空間的能力，基于邊緣信息的局部變異算子使算法加速向最優(yōu)解收斂。仿真

6、實驗驗證了該算法優(yōu)于SGA算法，并且對圖像的模糊程度依賴性小。 (3)在圖像恢復中，去噪也是很重要的研究內(nèi)容之一。通過對L濾波的研究，提出一種新的圖像混合噪聲濾波算法。該算法依據(jù)中心極限定理，通過在圖像上交互式的選擇感興趣區(qū)域估計混合噪聲模型，并把該混合噪聲模型添加到一幅較小的測試圖像上，重建退化過程。然后以測試圖像為目標，用遺傳算法優(yōu)化L濾波的權(quán)系數(shù)，并用得到的一組最優(yōu)權(quán)系數(shù)結(jié)合圖像的邊緣信息對圖像進行L濾波。在進行L濾波時，