基于遗传算法的数字图像处理方法研究

李亚男 赵娜

摘要：随着科技不断增强，计算机技术广泛应用在数字图像处理方面，并带动了数字图像处理的迅猛发展。数字图像处理方法已被广泛地应用于生活中的各个领域。此文简单阐述遗传算法在数字图像处理方面的主要应用，探讨了目前遗传算法在图像识别方面的进展和成果以及改进方向。

关键词：遗传算法；数字图像处理；图像识别

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2019）08-0141-02

开放科学（资源服务）标识码（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

数字图像处理是指利用计算机处理图像信号并且将它转换成数字信号的过程。这个优点就是内容丰富，有灵活的变通能力，处理过程的精度高，可以进行复杂的非线性处理。通常来说，只要利用不同的软件就可以处理其内容[1]。困难的是它的处理速度，特别是在进行复杂的处理。目前，遗传算法已经在图像校准、图像恢复、图像边缘特征提取、图像分割、图像压缩、三维重建优化以及图像检索等图像处理领域取得了成功应用。它的发展涉及有计算机科学、数学、物理学以及生物学等学科，因此这些相关的学科对数字图像处理的发展有越来越大的影响。

随着计算机科学与技术和人工智能的快速发展，数字图像处理技术向更高、更深的层次探索。现在已经准备研究怎么用计算机系统来解释图形图像，很像是人类的视觉系统所理解的外部世界，这被称为是计算机视觉。随着科技和计算机硬件和软件技术的进步，计算机视觉开始用于智能识别，采用基于遗传算法方法进行数字图像处理。

2 遗传算法的原理

遗传算法是一种利用生物界的进化规律演化而来的随机搜索方法，也是计算机技术、人工智能领域中用于解决最优化问题的一种搜索启示式算法。该方法能够生成有效的解决方案来优化这类问题。到目前为止，遗传算法已经在图像压缩、图像分割、图像恢复、等图像处理领域应用广泛。

根据达尔文的进化学说，个体在自然生长环境下，有些强壮个体经过长期的进化规律，能够适应环境、繁殖后代进而生存下来。在后代个体中，大部分与自己的上一代有着相似的性状，这种现象称为遗传；而个别个体与自己的上一代有着很大的差距，便称之为变异。遗传和变异现象的产生都是为了更加适应不断变化的自然环境，以便于更好地生存下去。受到达尔文进化论中适者生存、优胜劣汰规律的启发设计了一种选代思想，这种思想是指当得到一个初始的解，当这个解与所想那个精确的解相差很大时，就要通过某种方法接近那个精确解，这就像上课的时候对高次方程求根一样，而每次得到的解都比上一次得到的解更加接近于精确解。

在“软计算”领域中的一个重要研究课题就是本文中提到的遗传算法，把它与计算机程序结合起来的思想出现在遗传算法的应用中。在标准遗传算法中，由问题的可行解也就是定长字符串借助于复制、变异等诸如此类的遗传操作不断进化得到的最优解。程序设计运用遗传算法的思想，通常采用树的结构来表示在计算机中运行的程序，用来解决日常生活中的实际问题。对于生活中的人工智能的问题可看作编写一个计算机程序，即在程序中需要特定输入产生特定输出用来实现程序归纳。所以说遗传的程序设计用了归纳的方法。

假设用长度为A的m个二进制字符串称为初始群体，把它标记为bi（i=1，2，…，m）组成遗传算法的初始群体。在每一个二进制字符串中，一个二进制位就是染色体基因。根据进化论，对群体如下三种操作：

1）遗传中的选择：

将群体中较适应环境的个体选择出来。这些选中的个体用来继续繁殖下一代，所以也会将这一操作称为再生。由于是根据个体对环境的适应度选择用于繁殖下一代而决定其繁殖量的，故有时也称作非均匀再生。

2）遗传中的交叉：

挑选出用于繁殖下一代的个体，对两个不同个体的基因的相同位置进行交换继而产生新的个体。

3）遗传中的变异：

在生物體父代与子代之间或是子代的个体之间存在的差异。在二进制字符串中，如若在某一位置的基因是1，那么它的变异就是将之变成0；反之亦然。[3]

3 遗传算法在数字图像处理中的应用

遗传算法是借鉴自然界生物选择和进化机制发展起来的一种高度并行的搜索算法，它利用群体搜索技术，假设每个种群都代表一组解，它适用于普遍的搜索算法解决不了的问题和非线性问题。在函数优化、人工智能、机器处理、图像处理和模式识别等领域都可以用遗传算法来解决。

1）图像分割

自动目标识别的关键就是图像分割，它的目的是把目标和背景分离，为后续的计算机视觉处理提供了重要依据。到目前为止图像分割的方法有很多，常用的是阈值法、边缘检测法和区域跟踪法。其中最常用的方法就是阈值法——它是一种简单有效的方法，用一个或几个阈值来分割图像的灰度级，这样就可以认为属于同一部分的像素即为同一物体[4]。各种阈值法一般是对某种特定图像的分割效果较佳，面对其他类别图像的分割效果相对较差。因此，在实际应用时应针对具体的应用背景和给定的图像类别，选择适当的分割方法。阈值法最独特的就是计算简单，被广泛运用在重视运算效率的应用场合。

基于遗传算法中图像分割的思想是：通常把图形图像的像素用T（也就是阈值）按灰度值把它分成两类，一类是目标图像，另一类则是背景图像。目标图像的像素是灰度值在0-T之间组成，背景图像的像素是灰度值在T+1-L-1（其中L指灰度级数）之间组成。全局阈值分割有半阈值法与二值法这两种。通常二值法是在局部阈值时，它是在全局阈值分割的基础上进行的，局部阈值分割的步骤是这样的：先将图像根据坐标分成若干个子图，再在每个子图中分别进行全局阈值分割。

全局阈值分割方法是给定一个种群规模大小初始值，要求初始种群采用均匀采样法，这样做的目的是使交叉具有很高的覆盖率，在很大程度上避免了遗传算法的过早熟的产生。在种群内部选择时，好的个体直接保留，这样做的目的是避免交叉破坏优秀基因。对数字交叉时，进行编译是在除去前两位之后采用二进制的方法。变异操作是先随机生成变异的概率值，再与计算得出的变异概率进行比较。

遗传终止是指规定在遗传五十代内连续出现十代的最优解不再变化或最多遗传到五十代，即已经达到整体最优解，表示遗传终止[5]。

2） 图像增强

图像增强过程就像是图像序列的优化过程，可以说是一个寻优过程，这就和遗传算法又有异曲同工之妙了。对于图像增强，曾有人将遗传规划这种方法用在彩色图像的增强处理方面，采取专家目视解释去评价图像质量的方法，但结果与预想还有些偏差。总的来说，进化算法在利用全局观点进行图像的增强处理时候，通常会忽略图像的局部信息，造成增强效果不明显，因而需要人工干预，导致无法自主完成图像增强的任务。

4 总结

遗传算法作为一种模拟自然界进化的算法，为非线性系统提供了一种新的求解方案，并且经过实践证明该算法确实有效。遗传算法在图像处理中的优化计算可以在很大程度上减小误差，已经有大量国内外学者从事这方面的研究，并且取得了相对成熟的研究成果，这在遗传算法上是向前的一大步。但对于新时代来说，遗传算法的应用领域还有待开拓，理论研究仍需进一步深入。

参考文献：

[1] 李红俊，韩冀皖.数字图像处理技术及其应用[J].计算机测量与控制，2002，10（9）：620-622.

[2] 田有文，李成华.基于图像处理的日光温室黄瓜病害识别的研究[J].农机化研究，2006（2）.

[3] 遗传算法-百度文库《互联网文档资源（http：//wenku.baidu.c）》，2012

[4] 王英健，周书仁，唐贤瑛.基于适应性阈值和遗传算法的图像分割[J].长沙交通学院学报，2003（2）.

[5] 鱼滨.基于MATLAB和遗传算法的圖像处理[M].西安：西安电子科技大学出版社，2015.

【通联编辑：唐一东】