基于遺傳算法的數字圖像處理方法研究

李亞男 趙娜

摘要：隨著科技不斷增強，計算機技術廣泛應用在數字圖像處理方面，并帶動了數字圖像處理的迅猛發展。數字圖像處理方法已被廣泛地應用于生活中的各個領域。此文簡單闡述遺傳算法在數字圖像處理方面的主要應用，探討了目前遺傳算法在圖像識別方面的進展和成果以及改進方向。

關鍵詞：遺傳算法；數字圖像處理；圖像識別

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2019）08-0141-02

開放科學（資源服務）標識碼（OSID）：

Research on Digital Image Processing Method Based on Genetic Algorithm

LI Ya-nan， ZHAO Na*

（Tianjin Agricultural University， Tianjin 300384，China）

Abstract： With the continuous enhancement of technology， computer technology is widely used in digital image processing， and has driven the rapid development of digital image processing. Digital image processing methods have been widely used in various fields of life. This paper briefly describes the main application of genetic algorithm in digital image processing， and discusses the progress and achievements of genetic algorithm in image recognition and the direction of improvement.

Key words： genetic algorithm； digital image processing； image recognition

1 概述

數字圖像處理是指利用計算機處理圖像信號并且將它轉換成數字信號的過程。這個優點就是內容豐富，有靈活的變通能力，處理過程的精度高，可以進行復雜的非線性處理。通常來說，只要利用不同的軟件就可以處理其內容[1]。困難的是它的處理速度，特別是在進行復雜的處理。目前，遺傳算法已經在圖像校準、圖像恢復、圖像邊緣特征提取、圖像分割、圖像壓縮、三維重建優化以及圖像檢索等圖像處理領域取得了成功應用。它的發展涉及有計算機科學、數學、物理學以及生物學等學科，因此這些相關的學科對數字圖像處理的發展有越來越大的影響。

隨著計算機科學與技術和人工智能的快速發展，數字圖像處理技術向更高、更深的層次探索。現在已經準備研究怎么用計算機系統來解釋圖形圖像，很像是人類的視覺系統所理解的外部世界，這被稱為是計算機視覺。隨著科技和計算機硬件和軟件技術的進步，計算機視覺開始用于智能識別，采用基于遺傳算法方法進行數字圖像處理。

2 遺傳算法的原理

遺傳算法是一種利用生物界的進化規律演化而來的隨機搜索方法，也是計算機技術、人工智能領域中用于解決最優化問題的一種搜索啟示式算法。該方法能夠生成有效的解決方案來優化這類問題。到目前為止，遺傳算法已經在圖像壓縮、圖像分割、圖像恢復、等圖像處理領域應用廣泛。

根據達爾文的進化學說，個體在自然生長環境下，有些強壯個體經過長期的進化規律，能夠適應環境、繁殖后代進而生存下來。在后代個體中，大部分與自己的上一代有著相似的性狀，這種現象稱為遺傳；而個別個體與自己的上一代有著很大的差距，便稱之為變異。遺傳和變異現象的產生都是為了更加適應不斷變化的自然環境，以便于更好地生存下去。受到達爾文進化論中適者生存、優勝劣汰規律的啟發設計了一種選代思想，這種思想是指當得到一個初始的解，當這個解與所想那個精確的解相差很大時，就要通過某種方法接近那個精確解，這就像上課的時候對高次方程求根一樣，而每次得到的解都比上一次得到的解更加接近于精確解。

在“軟計算”領域中的一個重要研究課題就是本文中提到的遺傳算法，把它與計算機程序結合起來的思想出現在遺傳算法的應用中。在標準遺傳算法中，由問題的可行解也就是定長字符串借助于復制、變異等諸如此類的遺傳操作不斷進化得到的最優解。程序設計運用遺傳算法的思想，通常采用樹的結構來表示在計算機中運行的程序，用來解決日常生活中的實際問題。對于生活中的人工智能的問題可看作編寫一個計算機程序，即在程序中需要特定輸入產生特定輸出用來實現程序歸納。所以說遺傳的程序設計用了歸納的方法。

假設用長度為A的m個二進制字符串稱為初始群體，把它標記為bi（i=1，2，…，m）組成遺傳算法的初始群體。在每一個二進制字符串中，一個二進制位就是染色體基因。根據進化論，對群體如下三種操作：

1）遺傳中的選擇：

將群體中較適應環境的個體選擇出來。這些選中的個體用來繼續繁殖下一代，所以也會將這一操作稱為再生。由于是根據個體對環境的適應度選擇用于繁殖下一代而決定其繁殖量的，故有時也稱作非均勻再生。

2）遺傳中的交叉：

挑選出用于繁殖下一代的個體，對兩個不同個體的基因的相同位置進行交換繼而產生新的個體。

3）遺傳中的變異：

在生物體父代與子代之間或是子代的個體之間存在的差異。在二進制字符串中，如若在某一位置的基因是1，那么它的變異就是將之變成0；反之亦然。[3]

3 遺傳算法在數字圖像處理中的應用

遺傳算法是借鑒自然界生物選擇和進化機制發展起來的一種高度并行的搜索算法，它利用群體搜索技術，假設每個種群都代表一組解，它適用于普遍的搜索算法解決不了的問題和非線性問題。在函數優化、人工智能、機器處理、圖像處理和模式識別等領域都可以用遺傳算法來解決。

1）圖像分割

自動目標識別的關鍵就是圖像分割，它的目的是把目標和背景分離，為后續的計算機視覺處理提供了重要依據。到目前為止圖像分割的方法有很多，常用的是閾值法、邊緣檢測法和區域跟蹤法。其中最常用的方法就是閾值法——它是一種簡單有效的方法，用一個或幾個閾值來分割圖像的灰度級，這樣就可以認為屬于同一部分的像素即為同一物體[4]。各種閾值法一般是對某種特定圖像的分割效果較佳，面對其他類別圖像的分割效果相對較差。因此，在實際應用時應針對具體的應用背景和給定的圖像類別，選擇適當的分割方法。閾值法最獨特的就是計算簡單，被廣泛運用在重視運算效率的應用場合。

基于遺傳算法中圖像分割的思想是：通常把圖形圖像的像素用T（也就是閾值）按灰度值把它分成兩類，一類是目標圖像，另一類則是背景圖像。目標圖像的像素是灰度值在0-T之間組成，背景圖像的像素是灰度值在T+1-L-1（其中L指灰度級數）之間組成。全局閾值分割有半閾值法與二值法這兩種。通常二值法是在局部閾值時，它是在全局閾值分割的基礎上進行的，局部閾值分割的步驟是這樣的：先將圖像根據坐標分成若干個子圖，再在每個子圖中分別進行全局閾值分割。

全局閾值分割方法是給定一個種群規模大小初始值，要求初始種群采用均勻采樣法，這樣做的目的是使交叉具有很高的覆蓋率，在很大程度上避免了遺傳算法的過早熟的產生。在種群內部選擇時，好的個體直接保留，這樣做的目的是避免交叉破壞優秀基因。對數字交叉時，進行編譯是在除去前兩位之后采用二進制的方法。變異操作是先隨機生成變異的概率值，再與計算得出的變異概率進行比較。

遺傳終止是指規定在遺傳五十代內連續出現十代的最優解不再變化或最多遺傳到五十代，即已經達到整體最優解，表示遺傳終止[5]。

2） 圖像增強

圖像增強過程就像是圖像序列的優化過程，可以說是一個尋優過程，這就和遺傳算法又有異曲同工之妙了。對于圖像增強，曾有人將遺傳規劃這種方法用在彩色圖像的增強處理方面，采取專家目視解釋去評價圖像質量的方法，但結果與預想還有些偏差。總的來說，進化算法在利用全局觀點進行圖像的增強處理時候，通常會忽略圖像的局部信息，造成增強效果不明顯，因而需要人工干預，導致無法自主完成圖像增強的任務。

4 總結

遺傳算法作為一種模擬自然界進化的算法，為非線性系統提供了一種新的求解方案，并且經過實踐證明該算法確實有效。遺傳算法在圖像處理中的優化計算可以在很大程度上減小誤差，已經有大量國內外學者從事這方面的研究，并且取得了相對成熟的研究成果，這在遺傳算法上是向前的一大步。但對于新時代來說，遺傳算法的應用領域還有待開拓，理論研究仍需進一步深入。

參考文獻：

[1] 李紅俊，韓冀皖.數字圖像處理技術及其應用[J].計算機測量與控制，2002，10（9）：620-622.

[2] 田有文，李成華.基于圖像處理的日光溫室黃瓜病害識別的研究[J].農機化研究，2006（2）.

[3] 遺傳算法-百度文庫《互聯網文檔資源（http：//wenku.baidu.c）》，2012

[4] 王英健，周書仁，唐賢瑛.基于適應性閾值和遺傳算法的圖像分割[J].長沙交通學院學報，2003（2）.

[5] 魚濱.基于MATLAB和遺傳算法的圖像處理[M].西安：西安電子科技大學出版社，2015.

【通聯編輯：唐一東】