第５０卷第７期 通信技术 Ｖｏ１．５０ Ｎｏ．７ ２０１７年７月 Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｔｅｃｈｎｏｌｏｇｙ Ｊｕ１．２０１７ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００２—０８０２．２０１７．０７．０１２ 遗传算法在图像处理中的应用 朱陈柔玲，张达敏，张慕雪，杨菊蜻 （贵州大学大数据与信息工程学院，贵州贵阳５５００２５） 摘要：遗传算法是一类借鉴生物界自然选择和遗传机制的随机搜索方法。图像处理过程中可能 会产生部分误差对处理结果产生较大影响的影响，而应用遗传算法的全局搜索特点能快速得到较 好的处理效果。因此，介绍遗传算法的理论基础、主要问题及其改进，主要阐述遗传算法在图像处 理中的应用，特别是在参数化优化、图像增强、图像边缘检测、图像拼接、图像融合等方面的作用， 并展望其今后的研究方向。 关键词：遗传算法；图像增强；图像拼接；图像匹配；图像边缘检测 中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ 文章编号：１００２—０８０２（２０１７）一０７—１４０１—０６ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ｉｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ＺＨＵ Ｃｈｅｎ—ｒｏｕ—ｌｉｎｇ，ＺＨＡＮＧ Ｄａ—ｍｉｎ，ＺＨＡＮＧ ｎｕ—ＸＵｅ，ＹＡＮＧ Ｊｕ－ｑｉｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｄａｔａ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｇｕｉｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ Ｇｕｉｚｈｏｕ ５５００２５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ）ｉｓ ａ ｒａｎｄｏｍ ｓｅａｒｃｈ ｍｅｔｈｏｄ ｗｈｉｃｈ ｒｅｆｅｒｅｎｅｅ ｔｏ ｂｉｏｌｏｇｉｃａｌ ｎａｔｕｒａｌ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｇｅｎｅｔｉｃ ｍｅｃｈａｎｉｓｍ．Ｓｏｍｅ ｅｒｒｏｒｓ ｐｒｏｄｕｃｅｄ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｍａｙ ｅｘｅｒｔ ｇｒｅａｔ ｉｎｆｌｕｅｎｃｅ ｏｎ ｔｈｅ ｐｒｏｃｅｓｓｉｎｇ ｒｅｓｕｌｔ，ｗｈｉｌｅ ｔｈｅ ｇｌｏｂａｌ ｓｅａｒｃｈ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｏｆ ｔｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｃａｎ ａｃｑｕｉｒｅ ｍｕｃｈ ｂｅｔｔｅｒ ｐｒｏｃｅｓｓｉｎｇ ｅｆｆｅｃｔ ｑｕｉｃｋｌｙ．Ｆｏｒ ｔｈｉｓ ｐｕｒｐｏｓｅ，ｔｈｅ ｔｈｅｏｒｅｔｉｃａｌ ｂａｓｉｓ，ｍａｉｎ ｐｒｏｂｌｅｍｓ ａｎｄ ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｒｅ ｄｉｓｃｕｓｓｅｄ，ｄｅｓｃｒｉｂｅｓ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ，ｐａｒｔｉｃｕｌａｒｌｙ ｉｎ ｔｈｅ ｆｉｂｌｄｓ ｏｆ ｐａｒａｍｅｔｉｒｃ ｏｐｔｉｍｉｚａｔｉｏｎ，ｉｍａｇｅ ｅｎｈａｎｃｅｍｅｎｔ，ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ，ｉｍａｇｅ ｍｏｓａｉｃ，ｉｍａｇｅ ｆｕｓｉｏｎ ａｎｄ ＳＯ ｏｎ， ａｌｓｏ ｄｅｓｃｒｉｂｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅ ｆｕｔｕｒｅ ｒｅｓｅａｒｃｈ ｄｉｒｅｃｔｉｏｎｓ ａｒｅ ｆｏｒｅｃａｓｔｅｄ． Ｋｅｙ ｗｏｒｄｓ：ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ｉｍａｇｅ ｅｎｈａｎｃｅｍｅｎｔ；ｉｍａｇｅ ｍｏｓａｉｃ；ｉｍａｇｅ ｍａｔｃｈｉｎｇ；ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ０ 引 言 生出代表新的解集的种群，逐代实现自然选择和遗 遗传算法（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，ＧＡ）是模拟生 传机制，演化出越来越好的解，直到满足优化要求 物在自然环境下的遗传和进化规律而形成的一种自 为止，最后得到的末代则是近似最优解。 适应全局优化概率搜索算法，也是计算机科学和人 图像处理是对图像信息进行加工处理以满足人 工智能领域中用来解决最优化问题的一种搜索启发 们的视觉心理和实际应用要求的过程，是计算机视 算法 】。从本质上来看，是ＧＡ一个群体迭代过程， 觉非常关键的分析目标。在图像变换、特征搜集、 从任意一个初始（解）群体开始，以进化规律（适 图像拼接等过程中可能产生些许误差，使得计算机 者生存，优胜劣汰遗传机制）为原则，通过竞争、 视觉实用化水平无法快速提高【２】。要实现这些误差 选择、繁殖、变异等类似生物遗传进化的作用，产 的最小化，需要对图像进行预处理，其中涉及大量 ｛收稿日期：２０１７—０３—１３；修回日期：２０１７—０６—１６ Ｒｅｃｅｉｖｅｄ ｄａｔｅ：２０１７—０３—１３；Ｒｅｖｉｓｅｄ ｄａｔｅ：２０１７—０６—１６ 基金项目：贵州省合作计划项目（黔科合计省合［２０１４１７００２］）；贵州大学研究生创新基金项目（研理工２０１６０６９） Ｆｏｕｎｄａｔｉｏｎ Ｉｔｅｍ：Ｃｏｏｐｅｒａｔｉｖｅ Ｐｒｏｊｅｃｔ ｏｆ Ｇｎｉｚｈｏｕ Ｐｒｏｖｉｎｃｅ（［２０１４］７００２］）；Ｇｒａｄｕａｔｅ Ｓｔｕｄｅｎｔ Ｉｎｎｏｖａｔｉｏｎ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｇｕｉｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ（Ｎｏ．２０１６０６９） ・１４０１・ 通信技术 的优化计算。ＧＡ的全局搜索最优的特点可以快速 得到较好的处理效果。目前，ＧＡ已在图像处理中 控制参数的选择以及ＧＡ结构等方面，提出了很多 改进方法。 的各个阶段得到广泛应用。 ２遗传算法在图像处理中的应用 １遗传算法的基本原理 ＧＡ的操作对象是一群二进制串（成为染色体 或个体，即种群），每个染色体都对应问题的一个解。 从初始种群出发，采用基于适应度函数的选择策略 ２．１基于ＧＡ的图像增强 图像增强是对图像质量的改善，消除噪声的影 响，突出图像中感兴趣的部分。传统图像增强方法 在当前种群中选择个体，使用交叉和变异来产生下 一代种群。通过一代一代不断繁衍进化，使种群进 化到搜索空间中越来越好的区域，从而求得问题的 最优解。图１是ＧＡ的流程图 ｊ。 实际问题初始解 编码成位串 ’位串解释得到参数 １计算目标函数 １函数值向适应值映射 ）适应度值调整 牵１ Ｉ 改善或＿晕决实际问题 图１ ＧＡ实现流 步骤中，编码成位串、初始化种群ｑ（０）的生成、 设计适应度函数计算适应度，是ＧＡ在实际应用中 的关键。对于ｉ种遗传算子的操作，选择算子实现 了优胜劣汰的原则；交叉算子重组父辈中有价值的 信息产生新个体，以实现高效搜索；变异算子保持 种群中个体基因的多样性，阻止局部最优收敛的作 用。ＧＡ输出最优解的终止条件是判断是否满足收 敛条件或固定迭代次数。 ＧＡ算法结构简单，对搜索域无限制；过程简单， 搜索时仅需适应度函数启发；寻优具有随机性，使 用概率机制进行迭代；具有可扩展性，异于其他算 法结合，有很大的发展空间。 但是，它存在的问题仍旧很多，其中ＧＡ的早 熟收敛现象是最难解决的一个问题。学者们在使 用的过程中也在不断改进算法，分别从参数编码、 初始化种群、适应度函数设计、遗传操作算子、 ・１ ４０２・ 分为两大类：空问域方法和频率域方法。一一一一一一一一～— 一一 空间域方法是直接对图像中像素的灰度进行 处理，主要包括直方图均衡、灰度变换法、局部 增强、反锐化掩模等。其中，灰度变换法可增大 图像动态范围，加强图像对比度，但其普适性较差。 文献【４］选用灰度变换的三段线性变换法，在确定 转折点和分段直线斜率处，如果用一般方法难以 调节合适参数来达到图像增强最佳效果，而文中 采用遗传算法对两个折线拐点的位置和分段直线 的斜率进行适应度调整，得到了最优的分段线性 变换曲线，扩展了灰度范围，增强了图像的对比 度和细节，还有效抑制了图像噪声，提高了实验 实时性。 频率域方法是以某种数学变换为基础的。首先 将图像映射到频率域，通过频率域处理达到增强的 目的。这类算法的计算量较大，且需人工干预选取 变换参数。ＧＡ算法应用于图像增强领域作用于其 数学模型，直接对过程中的控制参数进行优化，以 达到改善图像视觉效果的作用。其中，文献ｆ５１利 用模拟退火算法和遗传算法相融合的方式确定Ｂｅｔａ 函数的参数６ｃ、 ，实现图像质量的增强。 Ｆ（“）＝Ｂ （ ， ）× （１－ｆ） ｄｔ （１） ０ 该方法不仅通过模拟退火算法的引入克服了遗 传算法的早熟现象，又能快速准确找到最优参数 、 。过程中，还根据个体适应度动态调整交叉、变 异算子概率，防止陷入局部极值。 另外，本文中采用量子遗传算法（ＱＧＡ）对图 像进行自适应增强处理，如图２所示。由原图及其 直方图可以看出，图像灰度比较集中，对比度偏低； 整体上视觉效果不佳；而通过图像增强处理后的图 （ｃ）与原图对比，可以发现在视觉效果和对比度 上都有了明显改善，由其直方图也可以看出图像的 灰度分布更加均匀。 陈 玲，ｉ ｉ／ ￣。￣敏，０长躲 ， ，杨菊蜻：遗传 ：法 冬１像处邢【｛］ｉ＇ｉ，＇ｊＩ、 ＪＩＩ 第７ 度值 （Ｉ１） 像 ＿，， （ｒ１）处 Ｊ ｌＪ冬１像 ［７，Ｉ羽 ２（）（ Ａ 脱 【像Ｊ Ｉ辽心增强的 验 将越子计算引入遗传编 ，』… ｊ 比特的儿率 幅川于染色体编码，他 － ．个染色体可以表达多个 态的盛ＪＪｌＩ，并川ｌｆＩ｝子逻 门实现染色体的更新 这 样其种群规模 巫小，ｆｔｔ－Ｊ，ｉｉｌ￣＇ｊ‘ｊ－－更好￣ｉ＇，Ｊ Ｌｌｋ敛性和多 样性特 、 ＧＡ Ｉ 像增强处理Ｊ－７＜ｒ！ｌｌｌ菩效果，但 时ＧＡ 的 ￡熟收敛现象却不容忽视 （ Ａ与其他智能优化 算法ＪＰｌｌ￣ｋ合『丁ｌ以在一定程度＿Ｌ弥补这一不足，值得 对 进行深入研究。 ２．２基于ＧＡ的图像拼接 ｌ冬１像拼接是将一组有关联的局部图像拼接成一 幅完整的冈像。基本原理是将获取的图像数字化得 到 值Ｉ冬ｆ像，对陶像进行 配处理得到原始罔像的 最优组合，从 实现［皋Ｉ像拼接的目的。 传统的陶像拼接算法需要遍历所有图像 １听有 可能的配准点，并在每个配准点上计算对应像素灰 度差值的平方和，取其最小做为最佳配准点、这会 产生大量繁琐计算，大大ｓ￣；０ｉｉ了算法的时间冗余度 但是，采用基于ＧＡ的图像拼接方法在维持匹配准 确性的同时，能够大大减少汁算量。ＧＡ是一种不 需要穷举的优化计算，能利用父代的信息，通过编 码、选择、交叉、变异以及解码在解空间中快速寻 找使适歧度嘲数达到最优化的值＝ 像拼接技术关键在于 像配准的精度和实 时性．．图像配准中有 个关键参数：配准的水平 位移、竖直位移和旋转角度。遗传算法是一种参 数寻优的算法，其将这＿二个参数统一编码：配准 时，变异是按单一参数变异操作，会导致－ －个参 数变异的概率不均匀．ｍ现过变异和欠变异的问 题，且容易陷入局部极值。文献『６］提ｆｆ｛多参数独 立编码、独立分段变异的遗传算法搜寻最优参数， 之后 得到的配准参数进行图像配准。它与单一 编码遗传算法相比，分段编码、分段变异算法使 各个参数变异概率均匀，搜索的准确率更高．速 度更快。 本文根据特征点的相互 配关系，选用特征 配算法对 像进行拼接处理。该算法关键在于从两 幅 像所有特征点中筛选…两两距离最小特征点 但使，仅得ｆｎ最小距离还不够，需控制其最，＇Ｊ－，ＴＥ离 和次小距离的比值。为使正确牢更高，这里使用的 阀值是 ｌ／ｒｅ＜０．５： 冈３是实验结果图，其Ｉｆ＿１ ３（ａ）、图３（ｈ） 为罔像碎片，图３（ｃ）图为经过筛选后的配对特征点， 网３（ｅ）是拼接后的图像。与原Ｉ （ｄ）对比可以荷…， 视觉效果上差别不大，但交接处隐隐有些扭Ｉｌｊ１，故 而在视觉效果和实时性改善 ，这种算法还ｒＩｆ以 ｝１．Ｔｆｌ￣ 法棚结合，使得拼接效果更佳。 ・１ ４０３・ 嗵 技术 （ ・）ｌ｛；ｌｍ ， 除 ｐｔ眦 （ｔＩ） （ ）拼接，ｆＩ 冬『３ 『 像拼｛爱 。 ・１ ４０４・ （ Ａ埘于图像拼接技术虽然在汁箅 等办面有很大改进，ＣＨＪ￣ｆｉ－：拼接质 ｌ ｎｒ能 觉筹 这里ｎｒ以改进适Ｊ、 度 数或 他仃Ｊｔｌ ： 法融合 补的力‘式对 进行改进 ２．３基于ＧＡ的图像匹配 像 配是对不 米源数据的集成ｌ 作，址 像分析过程【Ｉ１ｉ欠墩最终 像信息的承要－步它 研究的问题是］．找ｌ从ｊ幅 像之问的最优。 ＪＪ化 灰度的映射，从 他 ｒｈ＇４１￣Ｉ像 脱最ｆｌｌ ｎ，Ｊｐ 艾献『７１将ｌ 像今¨耿度攸不１１遗传钎：法 合， 提ｊ ・种基１：遗传算法的快速 像 算法，增嵌 ｒ算法的快速性卡¨令均收敛性能√匕以 列 的 耿包父联度为通Ｊ、 俊函数，川ｔ多父杂交的遗传斡：ｒ 实现选择、交 、变 等遗传操作．对遗传个ｆ小进 行迭代 优，找ｊｔ｛ 像ｒｆＩ的最 配点，减少ｊ 运 斡叫－ｔ ｌＬ，捉高ｒ算法的实叶１陀 ． 基丁（ Ａ的ｉ冬ｌ像 眦算法利川（ Ａ进化思想改 进ｒ传统模板ＩＪ亡 算法的搜索策略， 选择操作 １ｔ 结合排序力‘法和最优保仔模板，并 整个遗传过 ｔＩ１引入许行处理的慨念 通过基于（ Ａ的个＝Ｊ 拍｛＝优 化力‘法，从未校准罔像叶Ｉ提取角点进行 根据 挑选ｊＩＩ的角点，估汁两幅图像问的 变换．许把 实时 像中的实际瞄准点变换到存储图像ｒｆ１进行定 位 这样不仅减小了算法陷丁局部极值的ｌＩ『能性， 仃效发挥了全局寻优能力，Ｉｎ ¨大大提高Ｊ 斡：法的 搜索速度。 史献【８ｌ提ｊ¨荩ｒ 遗传算法的 像十ＩＩ火ｌＪＬ配 办法 遗传算法结合（ Ａ思想，｝ｆ｝ （ Ａ交 、 变肄操作慨念，ＪＨ 『：态 模型的、 条什 生成算法 实现交义操作， ｒ云 成算法实现变 操作 ＩＬ 念 模 柯随机性干¨稳定倾 Ｉ＇ｌ－￣＇１４Ｊ特点．随机一 ｌ１Ｊ 以 持个体多样性，从 避免搜索陷入Ｊ－部撇ｆ ； 稳定倾向 Ｍ－．义Ｉ ＿『以很女ｆ－地 护较优个体，从 埘令 局最值进行ｒ１适 定化，从 捉Ｉ曲 精度 Ｉ迷度， ｒｉ｜抗噪 能力强 ． 术文用ｈａｕｓｄｏｒｆｆ距离求得 幅 像之问的极人 微小ｆ 序列，排序 似－＂－２过遗传算法求…最ｆＩ 似 ，最后按求¨：化 Ｉ冬１像ｒ｝】 现…术， 『欠ｌ４所爪 遗传算法ｒ １通应度 数怂稗序运行的动 Ｊ，』 好 坏火系荇最优伉的准确率；使川ｈａｕｓｔｔｏｔｌｆ‘ 离箅法 作为通心度 数，通过两次求解『Ｊ亡 点之问的最大 最小值，呵以更准确找… 点 标， 现 像Ｉ 酣操作 第５０卷 朱陈柔玲．张达敏，张慕雪，杨菊蜻：遗传算法在罔像处理中的应用 第７期 ｝ 。 舞… …～ 焱 ｜ 一一 ｉ Ｉ ！图４基于ＧＡ的图像匹配 在图像匹配领域中，主要研究的不仅是如何提 高图像匹配的精度，而且还要减小与相关算法的计 算量。ＧＡ具有非遍历性寻优的特点，将其引入图 像匹配，通过减少搜索位置的数量来减少相关的总 有学者提出一种将传统ＧＡ改进并结合最大类问方 差法（Ｏｔｓｕ）对图像进行边缘检测的方法。陔方法通 过两次全局寻最优解的方式解ｆ｝Ｉ使得类问方差ｃ，ｆ，） 最大的ｆ值，作为边缘检测的阈值。改进方法能有 效提高收敛速度，同时得出非常接近最优解的结果。 计算量。从而大大提高匹配速度、 配精度，降低 时耗。 ２．４基于ＧＡ的图像边缘检测 边缘处理操作广泛存在于图像的各种分析处理 巾。根据它的要求选择不同的边缘处理方式，其巾 简单的处理方式如利用ＭＡＴＬＡＢ等数据处理平台 Ｔ具箱中的边缘函数来实现边缘检测；而复杂的处 理方式有很多，研究的关键是确定检测阈值。 边缘是图像最基本的特征之一。边缘包含ｒ一 副图像的大部分信息。通过边缘信息可以勾ｉ画出物 体的几何轮廓特征，传递多种信息，描述物体景象 的重要特征，为人们描述或识别目标、解释图像提 供有价值的、重要的特征参数。这些信息对人们进 行高层次的处理（如 像滤波、特征描述、模式识 别等）具有重要影响。因此，图像边缘检测在同像 处理中显得尤为重要和关键 ＧＡ与传统的边缘检测算法相结合，可以提高 算法的精度和速度，克服传统算法存在的缺陷。而 改进遗传算法的操作能进一步提高其收敛速度，防 止算法进入早熟现象。冈此，ＧＡ的改进在图像边 缘领域可以有更深度的挖掘潜力。 传统的边缘检测依据每个像素点及其领域像素 点之间的关系进行边缘检测，却没有考虑图像边缘 ３结语 局部结构信息，故不能有效抑制噪声，易丢失边缘 重要信息。产生断裂的边缘，将导致边缘检测精度 较低。文献【９】提出一种采用遗传算法的图像边缘 检测算法。综合考虑局部结构信息和像素点之间关 系的基础上，将边缘检测问题转化为函数寻优问题， 然后用遗传算法对函数寻优问题进行求解：文献提 出的算法相对于传统边缘检测算法，引入遗传算法 不仅提高了冈像边缘检测精度，还克服了传统算法 存在的缺陷，使稳定性更高，抗噪性能更优。 综上所述，ＧＡ作为一种非确定性的、拟自然 算法，为求解复杂系统优化问题提供了通用框架。 具有较高的搜索能力和极强的鲁棒性，在图像处理 这种大量数据的空间内部寻优上效果颇佳。 应用ＧＡ处理图像问题虽然优势明显，但同时也 存在需要改进的地方，如参数编码方案、初始种群设 定、相关参数、适应度函数等确定是否最适问题的处 理。因此，要得到最优解（兼顾收敛速度和解的品 但是，由于遗传算法的不足，它在应用于边缘 检测阈值选取时收敛速度慢，且易陷入早熟问题。 质）需要综合各方面确定最佳方案初始种群、二三个遗 传算子、适应度函数等。实际上，研究者们经常依据 经验确定ＧＡ的多种参数，故而今后研究中不仅需要 ・１ ４０５・ ＷＷＷ．ｔｘＪＳＺＺ．ｔｏｍ 通信技术 ２０１７年 对其基本理论和方法改进外，还需继续引入混合遗传 算法概念来改善提高算法性能。文中介绍的改进遗传 ［４】黄楠．遗传算法在图像增强中的应用研究［Ｊ］．计算机 仿真，２０１２，２９（０８）：２６１—２６４． ＨＵＡＮＧ Ｎａｎ．Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｇｅｎｅｔｉｃ 算法的组成成分、采用非标准的遗传算子、采用并行 算法、采用模拟退火等混合遗传算法、采用动态自适 应技术等，从基本理论、参数等方面对ＧＡ进行改进， 很好地弥补了ＧＡ的不足，使ＧＡ在图像处理上得到 了更突出表现。另外，ＧＡ的早熟现象是迄今为止最 难处理的关键问题，主要表现为当还未达到全局最优 Ａｌｇｏｒｉｔｈｍ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ［Ｊ］．Ｃｏｍｐｕｔｅ ｒ Ｓｉｍｕｌａｔｉｏｎ，２０１２，２９（Ｏ８）：２６１—２６４． 【５】古良玲，王玉菡．基于模拟退火遗传算法的图像增 强［Ｊ］．激光杂志，２０１５，３６（０２）：１９－２２． ＧＵ Ｌｉａｎｇ－ｌｉｎｇ，ＷＡＮＧ Ｙｕ－ｈａｎ．Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ 解或满意解时，群体中不能再产生Ｉ生能超越父代的后 ｂａｓｅｄ ｏｎ Ｓｉｍｕｌａｔｅｄ Ａｎｎｅａｌｉｎｇ Ａｌｇｏｒｉｔｈｍ ａｎｄ Ｇｅｎｅｔｉｃ 代，群体中各个个体非常相似。究其原因，问题关键 在于群体中个体结构的多样性急剧减少，导致遗传算 法的交叉算子和选择算子不能再产生更有生命力的新 个体。因此，如何维持群体多样性以保证在寻找到最 优解或满意解以前不发生未成熟收敛现象，是遗传算 法的重要研究点。 目前，ＧＡ在图像处理方面的应用基本上还处 于理论性仿真阶段，实际系统中的应用还不广泛。 如何针对图像处理方面的特点选择适应于图像处理 和分析的ＧＡ结构或合适的参数是今后研究的内容。 随着ＧＡ及其交叉学科的理论研究深入，ＧＡ将以 其特有的算法特点使其在图像处理问题中的应用越 来越广泛。广泛的数学方法和强大的计算机模拟工 具的出现，必将使ＧＡ研究得到更大进展，使ＧＡ 在图像处理中的应用更加实用。 参考文献： 鱼滨，张善文，郭竞等．基于ＭＡＴＬＡＢ和遗传算法的 图像处理［Ｍ１．西安：西安电子科技大学出版社，２０１５． ＹＵ Ｂｉｎ，ＺＨＡＮＧ Ｓｈａｎ—ｗｅｎ，ＧＵＯ Ｊｉｎｇ，ｅｔ ａ１．Ｉｍａｇｅ ＰｒｏＣｅ ｓ ｓｉｎｇ ｂａｓｅｄ ｏｎ ＭＡＴＬＡＢ ａｕｄ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ［Ｍ］．Ｘｉ’ａｎ：Ｘｉａｎ Ｕｎ ｅｒｓｉｔｙ Ｐｒｅｓｓ．２０１５． ［２］ 田莹，苑玮琦．遗传算法在图像处理中的应用 中 国图象图形学报，２００７，１２（０３）：３８９—３９４． ＴＩＡＮ Ｙｉｎｇ，ＹＵＡＮ Ｗｅｉ－ｑｉ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ｉｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ，２００７，１２（０３）：３８９—３９４． ［３］ 雷英杰，张善文．ＭＡＴＬＡＢ遗传算法工具箱及应用 ［Ｍ】．第２版．西安：西安电子科技大学ｍ版社 ２０１５． ＬＥＩ Ｙｉｎｇ—ｊｉｅ，ＺＨＡＮＧ Ｓｈａｎ—ｗｅｎ．ＭＡＴＬＡＢ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ Ｔｏｏｌｂｏｘ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ． Ｘｉ’ａｎ：Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｈｉｎａ Ｐｒｅｓｓ，２０１５． ・１ ４０６・ Ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｌａｓｅｒ Ｊｏｕｒｎａｌ，２０１５，３６（０２）：１９—２２． 【６］ 王力，王敏．基于多参数分段变异遗传算法的红外图 像配准方法ＩＪｊ＿计算机应用研究，２０１６，３３（０７）：２２１０— ２２１３． ＷＡＮＧ Ｌｉ，ＷＡＮＧ Ｍｉｎ．Ｉｎｆｒａｒｅｄ Ｉｍａｇｅ Ｒｅｇｉｓｔｒａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｍｕｌｔｉ－ｐａｒａｍｅｔｅｒ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｍｕｔａｔｉｎｇ Ｍｅｔｈｏｄ［Ｊ】．ＡｐｐｌｉＣａｔｉｏｎ Ｒｅ ｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒ，２０１６，３３（０７）：２２１０—２２１３． 【７］ 李红梅．基于遗传算法的图像匹配算法研究ｆＪ］．计算 机与数字工程，２０１３，４１（１ １１：１８２３—１８２５． ＬＩ Ｈｏｎｇ—ｍｅｉ．Ｉｍａｇｅ Ｍａｔｃｈｉｎｇ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｃｏｍｐｕｔｅｒ ａｎｄ Ｄｉｇｔｉａｌ Ｅｎｇｉ－ ｎｅｅｒｉｎｇ，２０１３，４１（１ １）：１８２３—１８２５． ［８】姚小强，鄢余武，王葳．基于云遗传算法的图像相关 匹配［Ｊ１．计算机工程，２０１ １，３７（０１）：２０１—２０３． ＹＡＯ Ｘｉａｏ—ｑｉａｎｇ，ＹＡＮ Ｙｕ－ｗｕ，ＷＡＮＧ Ｗｅｉ．Ｉｍａｇｅ Ｃｏｒｒｅｌａｔｉｏｎ Ｍａｔｃｈｉｎｇ Ｂａｓｅｄ ｏｎ Ｃｌｏｕｄ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１ １，３７ｆ０１）：２０１－２０３． ［９］ 陆怡．图像边缘检测算法的研究和仿真ｆＪ１＿计算机仿 真，２０１２，２９（０９）：２８９—２９２． ＬＵ Ｙｉ．Ｓｉｍｕｌａｔｉｏｎ ａｎｄ Ｓｔｕｄｙ ｏｎ Ｉｍａｇｅ Ｅｄｇｅ Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｓｉｍｕｌａｔｉｏｎ，２０１２，２９（０９）：２８９—２９２． 作者简介： ■ 要通术研讯、究作网朱张方络者陈达慕拥向敏，柔雪为塞主玲（图控要１１９（９９３一），女，硕士，主要 像制６研１７９处一究； ３理方一）；， 向）男为，计女博算，士机硕，应士教用，授主技， 研究方向为人工智能； 杨菊蜻（１９９３一），女，硕士，主要研究方向为智 能算法。
