自適應遺傳算法優化圖像增強方法研究

楊 洋

(安徽理工大學 電氣與信息工程學院， 安徽 淮南 232000)

變電站中紅外圖像在檢測設備缺陷方面有著重要作用，為了利于計算機進行后續的分析處理，紅外成像設備獲得的紅外圖像需要轉化成更簡單的灰度圖像，轉化后的灰度圖像往往存在對比度差的問題，因此對灰度圖像的增強處理至關重要[1]。

根據增強處理過程所在的空間不同，圖像增強方法可分為頻域法和空域法[2]。頻域法屬于間接增強方法，是通過對圖像的傅里葉變換進行修改從而得到增強圖像的一種方法，缺點是計算量較大且需要人工干預的地方較多。空域法針對像素層進行處理，是一種直接增強方法?？沼蚍ㄖ蟹侄位叶茸儞Q法算法簡單，可以有效突出感興趣的目標抑制不感興趣的灰度區間，變換函數可以任意合成，是圖像增強中的常用方法。三段線性變換的關鍵是如何確定轉折點以及分段直線斜率，在傳統的三分段線性變換法中，多采用人工試湊的方式來確定分段點的位置[3]，這種方法顯然不具有自適應性，難以達到最佳的增強效果。

本文使用了自適應遺傳算法來確定分段線性變換的分段點參數，在基本遺傳算法的基礎上，通過改進的自適應遺傳算法自動選擇分段線性變換的的轉折點和分段直線斜率，實現圖像增強處理。

1 自適應遺傳算法的圖像增強方法

1.1 圖像的三段線性變換

圖像的灰度變換是指依照變換函數逐點改變源圖像中每一個像素灰度值從而達到某種目標條件的方法[4]。用數學表達式可以表示為

g(x,y)=T(f(x,y))

(1)

式中:f(x,y)為源圖像灰度函數；T為變換函數；g(x,y)為輸出圖像函數。分段線性變換能夠增強圖像的對比度，突出圖像中感興趣的區域，有效解決采集圖像質量較差的問題[5]，是常用的灰度變換法之一。本文使用的三段線性變換法的數學表達式為：

(2)

根據式中對各灰度區間的壓縮或擴展，可以獲得圖像如圖1所示。

圖1 三段線性變換

圖1中，對轉折點(a,c)和(b,d)的位置之間灰度區間進行了拉伸，拉伸的比例依據分段直線的斜率大小，由此控制參數a、c和b、d是實現圖像增強的關鍵。為了更快更精確的獲得a、c和b、d的值，選擇自適應遺傳算法來實現這一功能。

1.2 自適應遺傳算法

遺傳算法是根據自然界生物進化理論而形成的搜尋最優解的算法，能夠有效解決較為復雜的組合優化問題，在各個領域被廣泛應用[6]。但在進化過程中，由于交叉概率PC與變異概率PM恒定不變，導致算法的收斂速度和自適應性受到限制，無法達到理想效果。

本文采用動態自適應遺傳算法，遺傳參數PC和PM可以根據種群中個體適應度不同適當調整，解決了基本遺傳算法的限制難題，可以更加快速更加準確地找出三段線性變換中的最佳參數，增強了算法中的種群多樣性，防止早熟現象的出現。

2 算法設計與實現

自適應遺傳算法在工作流程上與基本遺傳算法不同，在交叉算子和變異算子的設計中加入了自適應操作，基本流程如圖2所示。

圖2 自適應遺傳算法流程圖

2.1 編碼設計

要優化的參數為a、b、c、d，設置自變量長度為30，采用二進制編碼。

2.2 適應度函數的設計

采用圖像信息熵作為圖像質量評估函數。將圖像信息熵作為適應度函數，可以有效反映出圖像信息量的大小，信息量越大圖像質量越好[7]。根據輸入圖像的原始灰度圖像，其信息熵為

(3)

式中：pi是第i個區間中像素點灰度值的概率。

2.3 遺傳算子設計

(1)選擇算子

選擇算子采用輪盤賭與保留最佳個體相結合的方法。根據個體適應度的大小決定個體進入下一代的概率，并將當前代中最優個體放入下一代中，得到強生命力個體的新種群，避免在選擇過程中，最優個體的無意流失。

(2)交叉算子

(4)

(3)變異算子

變異操作采用二進制取反變異法，即對個體編碼串上的一個或多個基因座上的基因值作取反運算，簡單易于操作。

(4)遺傳參數的自適應改進

為了實現交叉算子和變異算子的自適應調整，交叉概率依公式(5)自適應變化,變異概率依公式(6)自適應變化,其中PC是交叉概率,PM是變異概率。

(5)

(6)

式中：gmax為在種群進化的每一代中最優的個體的最大適應度值；ga為群體每一代個體適應度值的平均值；g,為兩個交叉個體適應度值中的較大值；g為群體中被選中進行變異個體的適應度值。算法中k1、k2、k3、k4的值在(0，1)范圍中選擇即可。

2.4 算法結束條件

當連續多代群體的最優適應度函數值保持不變或者變化不大時，或者當算法的迭代次數到達最大進化代數時，算法結束。

3 仿真實驗

3.1 圖像增強效果分析

為了檢驗基于自適應遺傳算法的增強效果，在Matlab R2018a的仿真環境下對實驗圖像“lena”進行增強效果評估。使用本文算法對圖像進行增強，得到的增強效果如圖3所示。

圖3 實驗圖像lena增強前后的效果

圖3中原圖像的視覺效果偏暗，對比度較低。在利用自適應遺傳算法對分段線性變換的參數進行優化后，得到的圖像曝光明顯增強，對比度較強，主次也比較清楚，圖像的質量明顯提升。

目標函數的迭代過程如圖4所示，最大值終止代數在10左右，算法收斂迅速。

圖4 目標函數迭代過程圖

為了定量的評估圖像增強效果，本文采用圖像的均值、標準差、信息熵來反映其明暗度、對比度以及信息量。所有算法圖像的評價標準如表1所示。

表1 不同算法的評價標準

從表1中的數據可以看出：與原始圖像和其他圖像增強方法相比，算法處理后的圖像標準差和均值均最大，說明其視覺效果更亮且對比度最強。

3.2 本文算法性能分析

為了更好比較自適應遺傳算法和基本遺傳算法在優化目標參數方面的性能，使用平均進化代數和平均運行時間來作為評價指標[8],實驗對象是網上自采集圖像，最大迭代次數為120。兩種算法的性能對比如表2所示。由表2可以看出，使用的自適應遺傳算法在收斂速度和全局收斂方面的性能要明顯優于基本遺傳算法。

表2 遺傳算法的性能對比

4 結 語

提出了利用自適應遺傳算法對三段線性變換參數進行自適應確定，有效地提升算法的收斂速度和精度，避免早熟現象，且圖像的對比度更強，圖像更亮，具有一定的應用價值。