| 标题 | 改进遗传算法在图像恢复中的应用及仿真研究 |
| 范文 | 吴海花 摘要：从标准遗传算法操作的整体结构上对其遗传操作进行了相关改进，改进遗传算法处理后的图像与维纳滤波法相比可以更好地抑制噪声的影响。从客观评价标准MSE与PSNR等数据中也可以看出，改进的遗传算法恢复的图像质量优于维纳滤波法与标准遗传算法。 关键词：遗传算法；图像恢复；图像仿真 DOIDOI：10.11907/rjdk.151534 中图分类号：TP311 文献标识码：A 文章编号文章编号：16727800（2015）008010003 1 图像恢复预处理初始化遗传种群 标准的遗传算法主要通过图像恢复的初始化群体作为图像灰度的可能解，这种方法在尺寸较大的图像中运算效率十分低下[12]。按照传统的图像恢复方法，例如：本文选用维纳滤波法预先恢复退化图像，以此形成初始化群体。为了能够更好地对图像进行相应的预处理，首先需要确定k值的取值范围。下面分析参数k值在维纳滤波法中对噪声图像恢复PSNR的影响情况，k值如表1所示。 从表1中可以看出，维纳滤波法参数k值取值范围是0.01～0.1，该范围能够达到最佳的恢复效果，所以参数k值为0.01～0.1之间的维纳滤波恢复的图像是作为初始化群体[3]。最初的种群规模数可以设置为10～80，这样可保证最优的搜索速度。同时在初始化群体中随机加入相应的高斯函数进行扰动处理，增加扰动后的基因值如下： 其中，f0（x，y）是经过维纳滤波处理后最理想的图像灰度值。因为图像像素间存在十分强的相关性，并加入随机扰动的数量与时机，从而规避因过度或出现过多扰动而影响算法的准确性。因此，设定每进化五代就增加一次扰动，使其随机扰动达到0.05，以有效地减少早熟，提高算法的搜索能力。 2 改进遗传算法中的组合选择 采取一定比例的选择方法，在循环地产生新个体过程中可能会使遗传算法的运行效率以及收敛性受到不同程度的影响，这是算法出现早熟的一个最重要原因[4]。下面对选择算子进行相应改进，具体操作流程如下：①在第t代中，需要随机选取2个个体来参赛，将适应能力较高的个体放到下一代；②再随机在t代中不断循环参赛k次，并且使t+l代新增k个个体。为了全面提高运算速度，在此设定k值为5；③第t+1代的个体通过交叉以及变异操作之后，按照适应度对比值，可以得出当代最佳个体（也即适应能力最强的个体）与最差个体（也即适应能力最弱的个体）；④通过分析比较当代最强与下一代最强的个体，选取一个最强个体作为全局最优个体，这样一个总的最强个体根据比较而发生了相应改变；⑤应用总的最优个体取代当代的最差个体；⑥将第t代占种群15%的适应能力最强的个体直接放入到第t+1代中去。 该方法主要是使用适应能力最强的个体来取代最弱个体，同时更好地确保适应度高的个体不会被破坏。通过多代之后，优秀的个体会变得越来越多，较差的个体则会被淘汰掉，以此全面提高运算速率。 3 改进遗传算法中的动态调整机制 3.1 动态滤除相似个体 在每一代进行选择操作之前，对当代中的各个个体进行一对对的比较，当相似度大于某个值R时，则将这两个个体设为相似。相似度高于R值时只需保留其中适应度值最高的个体，以这个最佳值作为标准。在运算初期R值建议略取大一些，而后期的值可以取小一些，目的是为了保持群体的多样性，避免一种模式主导出现早熟现象，同时加快了运算速度。 3.2 动态补充新个体 当过滤完相似个体之后，补充与之相适应的个体数量以保持群体正常运转。通过将父代中适应度排名最高的前几位个体进行数次随机变异操作，产生m个新个体作为子代个体，m的个数等于动态滤除相似个体的数量，从而使新个体很好地继承父代中排名最优的个体，在下一步交叉及变异过程中能产生新的最优子代个体。改进后的算法则可以动态地调整群体个体数量，避免陷入局部最优解。改进后用于失真图像复原算法的流程如图1所示。 图1 改进遗传算法用于图像恢复基本流程 具体流程为：①确定控制参数，设置交叉概率为0.8，变异概率为0.01，滤除以及补充新个体数量为10，应用维纳滤波方法处理出的图像作为初始化种群的个体；②按照适应度函数的相关要求评定是否具有最优解，根据评定得出的输出结果确定是否继续；③任意选择2个父代进行相互比较，将适应度最高的父代列入到下一代。然后反复比较5次后，用当前得到最高适应度的个体代替下一个群体中的最差个体，使第t代中适应度最高的前15%的个体直接进入到下一代；④依照顺序执行均匀块状交叉以及均值块状变异；⑤通过相似度的判断，滤除相似个体；⑥通过动态方式补充新个体；⑦判断是否符合相关条件，如果符合则输出结果，否则跳转到第二步。 4 改进的遗传算法在图像恢复中的应用及仿真实验 下面使用MATLAB作为实验平台，以二维256灰度图“img.png”作为原始图像。分别使用经典的维纳滤波和标准遗传算法以及应用改进的遗传算法对几种常见的模糊图像进行恢复处理，并通过人的视觉效果以及图像质量评估标准进行比较及评价。 4.1 高斯噪化图像恢复 图2是属于高斯噪化图像的恢复处理，改进后的算法很好地克服了因高斯噪声带来的影响，比原来的标准遗传算法显得更加平滑。 图2 高斯噪化图像恢复比较 4.2 运动模糊图像恢复 对“img.png”图像进行方向为x=12，y=10的运动模糊处理，通过该方式来退化图像，如图3所示。改进的算法处理出来的图像比前两种算法更加细腻，视觉效果也较好。 图3 运动模糊图像恢复比较 4.3 随机噪声模糊图像恢复 从图4中可以发现，维纳滤波对随机噪声恢复的效果并不理想，而利用改进后的遗传算法恢复后则清晰度较好，同时也有效减少了因随机噪声引起的噪点。 4.4 实际模糊图像恢复 从图5中可以发现，改进的遗传算法依然可以很好地对模糊图像进行有效恢复，同时其清晰度也非常高。 图4 随机噪声模糊图像恢复比较 图5 实际模糊图像恢复比较 4.5 图像恢复评价 下面通过图像质量评价标准均方误差（MSE）以及峰值信噪比（PSNR）来进行客观的评价及比较，均方误差（MSE ）公式如下[6]： MSE=1M×N∑Mi=1∑Nj=1（A-B）2（2） 其中，A属于原始图像，B属于处理后的图像，具体的峰值信噪比计算公式为： 通过相关计算，将改进后的遗传算法与标准遗传算法、维纳滤波法对实际图像的恢复质量进行客观的评价对比，如表2所示。 表2中可以看出，改进后的遗传算法对实际模糊图像可以进行很好的恢复，其PSNR值为45.1313dB，比维纳滤波恢复高出了0.9278dB，相比标准遗传算法高出了0.3842dB；其MSE值为2，比标准遗传算法低0.1349，同时也比维纳滤波恢复低0.4989。说明在退化原因不清楚的情况下，改进的遗传算法比维纳滤波法以及标准遗传算法恢复的图像质量高。证明了改进的算法在求解问题时更容易得到最优解，在一定程度上可以更好地克服标准遗传算法出现的早熟现象。 5 结语 本文通过应用MATLAB软件进行仿真分析，从仿真实验结果来看，改进的遗传算法可以很好地恢复退化图像质量，与过去的维纳滤波法和标准遗传算法相比，其对图像的恢复效果更加平滑，对细节的处理更为细腻。而且改进的遗传算法在处理噪声方面具有优越性，对高斯噪声和随机噪声模糊图像恢复的效果都较好。 参考文献： [1] CHEN FFENJIE，DOU LIHUA.A novel image restore method based on improved genetic algorithm[C].Beijing， Proceedings of the 29th Chinese Control Conference，2010. [2] 李文书，赵悦.数字图像处理算法及应用[M].北京：北京大学出版社，2012：110130. [3] 何忠蛟.基于遗传算法的图像恢复研宄[J].机床与液压，2005（1）：157159. [4] 黎明，李军华.噪声环境下遗传算法的性能评价[J].电子学报，2010，38（9）：20902094. [5] 卢丽敏，周海银.一种基于遗传算法的图像增强方法[J].数学理论与应用，2003（1）：8288. [6] 沈庭芝，王蕾，周长志.遗传算法在小目标图像分割中的应用[J].系统工程与电子技术，2002（12）：8587. （责任编辑：黄 健） |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。