本站原创
摘 要：遗传算法是将自然选择和遗传机理结合到一起的一种随机搜索和优化的方法。随着科学家对遗传算法进行优化，其在工业领域
关键词：遗传算法；图像处理；自然选择；自动控制
1007-9599 （2013） 04-0000-02
遗传算法是一类借鉴生物界自然选择和自然选择机制的随机化搜索方法，有美国J·Holland教授提出，他的主要特点是能够提供群体的搜索方案和实现群体里面个体之间的信息交换，且搜索不会依赖于梯度信息。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的问题，可广泛应用于组合优化、机器学习、自适应控制、规划设计和图像处理等多个方面，是二十一世纪的智能计算的关键技术之一。
图1-1 遗传算法基本流程图
由图1-1可知，遗传算法是一种群体性操作，他针对的不是某一个个体进行操作。其中，选择、交叉和变异是遗传算法的三个主要基本算子，他们三个构成了遗传的基本操作步骤，就是这三个步骤使得遗传算法具备了与其他传统算法不同的特性。遗传算饭包含五个基本要素，分别是：（1）参数编码。这个要素是要建立一个空间映射，就是问题的解空间与编码空间的映射，每个不同的候选解用有一个单独的串号。（2）初始群体的设定。将种群进行初始化。（3）适应度函数的设计。在种群中，将每个个体的染色体进行解码，变成适合计算式适应度的函数形式。（4）选择。将适应度大的个体作为优秀个体繁殖下一代，适应度越大被选择繁殖下一代的可能性也就越大。（5）交叉。将选中的两个用于繁殖下一代的位置相同个体的位置进行交叉互换。（6）变异。按照基因突变的概率翻转串中的基因。（7）重复步骤（4）到步骤（6）使得结果满足已设定的遗传条件。
遗传算法结构较为简单，算法也不复杂，但是又具有良好的选择效果，具有自适应性、子组织性和自学习性等特点，具有许多其它算法没有的优点，主要有：
（1）遗传算法只是根据所选参数的编码进行操作，不是对参数主体进行操作，有效的减少了约束条件对于参数的束缚，增大了计算效率。（2）遗传算法利用的是多点搜索的方法，降低了只能选出局部最优解的可能性。（3）遗传算法只是根据参数的适应度来对参数进行搜索，减少了对问题的依赖。（4）遗传算法的寻优过程计算不是确定性的，而是概率性的。
而基于遗传算法的图像增强技术的实现则是利用遗传的选择方法找到一个最优或者局部最优的方法。具体的操作方法是，首先将每一个目标值设置一个基位，用实数进行编码，这样问题就转化成求解这个目标基位组合的题目。然后，对适应度进行设计，适应度设计为个体进化提供动力，在设置适应度的时候既要考虑图像的整体和局部的质量问题，也要将结构和细节考虑进去。再后，对遗传算子进行设计，先根据前面设置的适应度值将个体从大到小进行排列，从中选择优秀的个体进入下一个程序当中；为了防止遗传算法在计算的过程中过早收敛，对种群的多样性进行保护，在计算过程中采用交叉操作的方法产生新的个体；对进化方向进行微调，采用变异操作的方法，对一个被选中的变异操作来说，就是采用“1”→“0”和“1”→“0”的方式进行变异。最后，设置算法的结束条件，一般算法的结束条件就是迭代次数达到了最大进化代数或者最大适应度的值变化不明显。
2.2 图像恢复技术。图像恢复技术的目的就是降一些退化的图像经过技术处理使得图像的本来面目得到恢复。作为数字图像处理技术的一个分支，他的恢复方法有很多，包括维纳滤波法，逆滤波法、最大熵恢复法和奇异值分解伪逆法等。但是，上述方法在应用过程中都有自己的缺陷，图像退化原因的不确定性和无确定的函数表达式，会导致上述算法过于复杂，计算量过大和约束条件过多等情况的出现。
采用遗传算法进行图像恢复，突破了原有理论的束缚，能够更好的与其他一些计算方法进行融合，使得计算效率和精确度都有很大的提高。由于遗传算法具有功能强大的全局搜索能力，采用遗传算法结合其他算法处理过的图像在噪声影响方面具有很大的优势，同时也能使得图像边缘不会出现条纹效应、过的更加平滑，整体感觉好。
2.3 图像重建技术。图像重建是由在某种观测方式下得到的携带图像信息的数据恢复出原图像的过程。图像重建技术的方法也有很多种，主要是根据取得图像信息的方法不同，使用的重建方法也不同，有迭代法、代数法和傅里叶变换法等方法。
遗传算法在图像重建中的应用主要是解决带有噪声的投影数据的图像处理问题。遗传算法在这方面的处理方法有很多，包括利用最小化被测像素值和计算的射线总和之间的差的方法；利用松弛迭代的傅里叶变换算法来解决计算过程中出现的停滞现象；检测定目标组合点分散的条件下，使用线性拟合方式来重建高分辨雷达图像数据。
2.4 图像压缩技术。图像压缩技术最主要的原理就是将拥有自相似性的对象用这一组简单的代数关系式进行表达的过程。将互相不重叠的小块定义为值域块，然后进行编码，并使经过映射后的定义域块与值域块的距离在某种度量值下最小，在分解和处理过程中，由于值域块的数量过于庞大，压缩搜索过程任务繁重，遗传算法的强大全局搜索能力就能很好的派上用场，发挥良好的效果。
参考文献：
林磊，王晓龙，刘家锋.基于遗传算法的手写体汉字识别系统优化方法的研究[J].计算机研究与发展，2001，38（6）.
刘智明，周激流.基于遗传算法的有效人脸检测法[J].计算机辅助设计与图形学学报，2002，14（10）.
[作者简介]杨云（1982-），女，籍贯：贵州遵义人，单位：贵州省商业学校信息技术教研室，学历：硕士研究生，职称：讲师，研究方向：图形图像处理；杨阳（1981-），男，籍贯：贵州遵义人，单位：贵阳学院数信学院，学历：硕士研究生，职称：讲师，研究方向：计算机科学及数据挖掘。
摘自：毕业论文格式字体www.udooo.com
也得到了很好的应用，此方法受到了国内外专家的一致认可。文章介绍了遗传算法的基本原理和它在运算过程中的一些特点，主要介绍了遗产算法在图像处理过程中的应用，包括图像压缩、恢复、重建和增强技术等方面，针对目前遗传算法在处理图像过程中存在的一些问题得出这种算法的将来发展方向。关键词：遗传算法；图像处理；自然选择；自动控制
1007-9599 （2013） 04-0000-02
遗传算法是一类借鉴生物界自然选择和自然选择机制的随机化搜索方法，有美国J·Holland教授提出，他的主要特点是能够提供群体的搜索方案和实现群体里面个体之间的信息交换，且搜索不会依赖于梯度信息。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的问题，可广泛应用于组合优化、机器学习、自适应控制、规划设计和图像处理等多个方面，是二十一世纪的智能计算的关键技术之一。
1 遗传算法的基本原理和基本性质
遗传算法是具有“生成+检测”的迭代过程的搜索算法，它的基本处理流程图如图1-1所示。图1-1 遗传算法基本流程图
由图1-1可知，遗传算法是一种群体性操作，他针对的不是某一个个体进行操作。其中，选择、交叉和变异是遗传算法的三个主要基本算子，他们三个构成了遗传的基本操作步骤，就是这三个步骤使得遗传算法具备了与其他传统算法不同的特性。遗传算饭包含五个基本要素，分别是：（1）参数编码。这个要素是要建立一个空间映射，就是问题的解空间与编码空间的映射，每个不同的候选解用有一个单独的串号。（2）初始群体的设定。将种群进行初始化。（3）适应度函数的设计。在种群中，将每个个体的染色体进行解码，变成适合计算式适应度的函数形式。（4）选择。将适应度大的个体作为优秀个体繁殖下一代，适应度越大被选择繁殖下一代的可能性也就越大。（5）交叉。将选中的两个用于繁殖下一代的位置相同个体的位置进行交叉互换。（6）变异。按照基因突变的概率翻转串中的基因。（7）重复步骤（4）到步骤（6）使得结果满足已设定的遗传条件。
遗传算法结构较为简单，算法也不复杂，但是又具有良好的选择效果，具有自适应性、子组织性和自学习性等特点，具有许多其它算法没有的优点，主要有：
（1）遗传算法只是根据所选参数的编码进行操作，不是对参数主体进行操作，有效的减少了约束条件对于参数的束缚，增大了计算效率。（2）遗传算法利用的是多点搜索的方法，降低了只能选出局部最优解的可能性。（3）遗传算法只是根据参数的适应度来对参数进行搜索，减少了对问题的依赖。（4）遗传算法的寻优过程计算不是确定性的，而是概率性的。
2 遗传方法在图像处理中的应用
2.1 在图像增强中的应用。图像增强技术是将不清晰的图像经过优化处理变成一张比之前更加清楚，或者变成一张使得特点更加鲜明的照片，以便于对图像再进行后期的加工。目前图像增强方法主要包括将图像进行某种变换的频域法和对直接对原始图像进行处理的空域法两种。而基于遗传算法的图像增强技术的实现则是利用遗传的选择方法找到一个最优或者局部最优的方法。具体的操作方法是，首先将每一个目标值设置一个基位，用实数进行编码，这样问题就转化成求解这个目标基位组合的题目。然后，对适应度进行设计，适应度设计为个体进化提供动力，在设置适应度的时候既要考虑图像的整体和局部的质量问题，也要将结构和细节考虑进去。再后，对遗传算子进行设计，先根据前面设置的适应度值将个体从大到小进行排列，从中选择优秀的个体进入下一个程序当中；为了防止遗传算法在计算的过程中过早收敛，对种群的多样性进行保护，在计算过程中采用交叉操作的方法产生新的个体；对进化方向进行微调，采用变异操作的方法，对一个被选中的变异操作来说，就是采用“1”→“0”和“1”→“0”的方式进行变异。最后，设置算法的结束条件，一般算法的结束条件就是迭代次数达到了最大进化代数或者最大适应度的值变化不明显。
2.2 图像恢复技术。图像恢复技术的目的就是降一些退化的图像经过技术处理使得图像的本来面目得到恢复。作为数字图像处理技术的一个分支，他的恢复方法有很多，包括维纳滤波法，逆滤波法、最大熵恢复法和奇异值分解伪逆法等。但是，上述方法在应用过程中都有自己的缺陷，图像退化原因的不确定性和无确定的函数表达式，会导致上述算法过于复杂，计算量过大和约束条件过多等情况的出现。
采用遗传算法进行图像恢复，突破了原有理论的束缚，能够更好的与其他一些计算方法进行融合，使得计算效率和精确度都有很大的提高。由于遗传算法具有功能强大的全局搜索能力，采用遗传算法结合其他算法处理过的图像在噪声影响方面具有很大的优势，同时也能使得图像边缘不会出现条纹效应、过的更加平滑，整体感觉好。
2.3 图像重建技术。图像重建是由在某种观测方式下得到的携带图像信息的数据恢复出原图像的过程。图像重建技术的方法也有很多种，主要是根据取得图像信息的方法不同，使用的重建方法也不同，有迭代法、代数法和傅里叶变换法等方法。
遗传算法在图像重建中的应用主要是解决带有噪声的投影数据的图像处理问题。遗传算法在这方面的处理方法有很多，包括利用最小化被测像素值和计算的射线总和之间的差的方法；利用松弛迭代的傅里叶变换算法来解决计算过程中出现的停滞现象；检测定目标组合点分散的条件下，使用线性拟合方式来重建高分辨雷达图像数据。
2.4 图像压缩技术。图像压缩技术最主要的原理就是将拥有自相似性的对象用这一组简单的代数关系式进行表达的过程。将互相不重叠的小块定义为值域块，然后进行编码，并使经过映射后的定义域块与值域块的距离在某种度量值下最小，在分解和处理过程中，由于值域块的数量过于庞大，压缩搜索过程任务繁重，遗传算法的强大全局搜索能力就能很好的派上用场，发挥良好的效果。
3 各种技术的未来发展趋势
（1）遗传算法用于图像增强技术能够很好的达到预期效果，但是在时间上进行考量，目前的方法在寻找最优解方面速度好比较慢，可以考虑在运算过程中使用并行遗传算法，是未来遗传算法在这个领域的发展方向。（2）在图像恢复技术中，遗传算法的计算量相对较大，而且解不止一个，未来要在编码技术上多投入精力，解决遗传算法早熟的问题。（3）遗传算法在图像重建过程中还没能形成一个成熟的算法，目前拥有的算法都具有一些问题，如速度较慢，处理出的图像边缘不清晰等，需要进行更多有效的探索。（4）在图形压缩技术方面，由于遗传算法在寻找最优解和分形计算时间上具有一定的优势，但是控制参数一般都是经验获得的，如何自适应的控制这些参数是未来发展的趋势，也是增强压缩和解码质量的一个重要手段，遗传算法与分形结构的结合具有良好的发展前景。参考文献：
林磊，王晓龙，刘家锋.基于遗传算法的手写体汉字识别系统优化方法的研究[J].计算机研究与发展，2001，38（6）.
刘智明，周激流.基于遗传算法的有效人脸检测法[J].计算机辅助设计与图形学学报，2002，14（10）.
[作者简介]杨云（1982-），女，籍贯：贵州遵义人，单位：贵州省商业学校信息技术教研室，学历：硕士研究生，职称：讲师，研究方向：图形图像处理；杨阳（1981-），男，籍贯：贵州遵义人，单位：贵阳学院数信学院，学历：硕士研究生，职称：讲师，研究方向：计算机科学及数据挖掘。