遗传算法的早熟现象研究及其在图像恢复中的应用

在图像成像、复制、扫描、传输、显示等过程中,不可避免地要造成图像的退化,而在许多应用领域中,需要清晰的、高质量的图像,因此,图像恢复具有重要的意义。图像恢复目的是对退化图像进行处理,尽可能恢复成原始图像。它是图像处理、模式识别、机器视觉的基础,并在天文学、遥感成像、医疗图像等领域获得广泛的应用。 在图像恢复中,由于图像信息本身的复杂性和较强的相关性,在处理过程中的各个不同层次可能出现不完整性、不精确性、非结构化等问题,因此将计算智能信息处理方法应用于图像恢复,在一些场合比传统恢复方法具有更好的效果。 遗传算法作为一种智能优化算法,是借鉴生物界选择和遗传机制的随机化搜索算法,其主要特点是在搜索空间中同时在很多点进行求解,利用随机规则来引导搜索,且搜索不依赖于梯度信息,它尤其适用于处理传统搜索方法难于解决的复杂和非线性问题。遗传算法的优势是利用所允许的不精确性、不确定性和部分真实性,以得到易于处理、鲁棒性和成本较低的解决方案,因此是很有发展潜力的图像智能信息处理方法。 本论文围绕遗传算法中存在的早熟现象及其在图像恢复中的应用主要做了以下三个方面的工作。 (1)针对遗传算法中存在的早熟收敛现象,提出一种用于防止早熟收敛的改进遗传算法。该算法首先利用从基因和个体两个方面设计的种群多样性算子产生较好的初始种群分布,并以该算子作为判断种群是否早熟收敛的依据。一旦出现早熟收敛或早熟收敛的趋势,则进行灾变,以恢复算法的进化能力。其次,经过该算法中的选择和交叉算子后的种群由两部分构成,一是从父代种群中选出的保留种群,二是利用父代种群中的最优个体与引入的随机种群进行交叉操作产生的交叉种群,保留种群和交叉种群重新组成下一代种群。通过实验仿真并与SGA和EGA算法进行比较,验证了该算法在函数优化中能有效维持种群的多样性,快速找到全局最优解。 (2)针对遗传算法用于图像恢复时存在的早熟现象,提出一种用于二值图像恢复的改进遗传算法。该算法每进化k代引入一次比例为r的随机种群,r是随机种群占种群规模n的比例。如果在某代加入随机种群,则该代中的交叉算子就用当前最优个体与加入随机种群后的种群中的每一个个体进行交叉操作。同时,该算法设计了只对最优个体进行变异的局部变异算子,对于任何一个待变异点,首先用“camy”算子检测其与8-邻域像素点构成的局部区域是否含有边缘信息,对不含边缘信息的局部连通区域进行0、1变异或保持局部连通区域的原值不变。每隔一定代数加入一次随机种群加强了遗传算法搜索新的解空间的能力,基于边缘信息的局部变异算子使算法加速向最优解收敛。仿真实验验证了该算法优于SGA算法,并且对图像的模糊程度依赖性小。 (3)在图像恢复中,去噪也是很重要的研究内容之一。通过对L滤波的研究,提出一种新的图像混合噪声滤波算法。该算法依据中心极限定理,通过在图像上交互式的选择感兴趣区域估计混合噪声模型,并把该混合噪声模型添加到一幅较小的测试图像上,重建退化过程。然后以测试图像为目标,用遗传算法优化L滤波的权系数,并用得到的一组最优权系数结合图像的边缘信息对图像进行L滤波。在进行L滤波时,对所在的滤波窗口内含有边缘信息的待滤波点不进行处理。由于高斯噪声和脉冲噪声存在范围较广,具有典型的代表性,所以只考虑由高斯噪声和脉冲噪声叠加而成的混合噪声。实验结果表明该算法优于拉普拉斯滤波和中值滤波。