基于混合遺傳算法的圖像增強技術

1、基于混合遺傳算法的圖像增強技術摘要：在圖像增強中，Tubbs提出了歸一不完全函數(shù)表示常用的幾種使用的非線性變換函數(shù)對圖像進行研究增強。但是如何確定beta系數(shù)功能仍是一個問題。在圖像增強處理和利用遺傳算法快速算法的搜索能力進行適應編譯和搜索我們提出了一種混合遺傳微分進化算法。最后利用仿真實驗證明了該方法的有效性。關鍵詞：圖像增強，混合遺傳算法，自適應增強。介紹在圖像形成傳遞或轉(zhuǎn)換過程，由于其他客觀因素，如系統(tǒng)噪聲，不足或過度曝光，相對運動等的影響會使圖像通常與原圖之間有差別（簡稱退化）。退化圖像通常模糊或信息的提取，通過機器后減少甚至是錯誤的，它必須采取一些改進措施。圖像增強技術是在其目的是為

2、了提高圖像的質(zhì)量這一意義上提出的。模糊圖像增強情況是根據(jù)圖像使用各種特殊技術集錦的一些信息圖像，減少或消除不相關的信息，來強調(diào)整體或局部特征的目標圖像。圖像增強方法仍沒有統(tǒng)一的理論，圖像增強技術可分三類：點運算，與空間頻率增強方法增強法。本文介紹了根據(jù)圖像特征自動調(diào)整自適應圖像增強法，成為混合遺傳算法。為了實現(xiàn)圖像的自適應增強它結(jié)合了差分進化自適應搜索算法，自動確定的參數(shù)值的變換函數(shù)。圖像增強技術 圖像增強是圖像的某些特征，如輪廓，對比，強調(diào)或突出的邊緣等為了便于檢測和進一步的分析處理，增強將不會增加圖像中的信息數(shù)據(jù)，但會選擇適當?shù)膭討B(tài)范圍的功能的擴展，使得這些特點更容易檢測或確定，為后續(xù)的分

3、析和處理的檢測打下良好的基礎。 圖像增強方法包括點運算，空間濾波，頻域濾波類別。點運算包括對比度拉伸，直方圖建模，并限制噪聲和圖像減影技術?？臻g濾波包括低通濾波，中值濾波，高通濾波器（銳化）。頻率濾波器包括同態(tài)濾波，多尺度多分辨率圖像增強中的應用。差分進化算法 差分進化首次提出了強硬的價值，并與其他進化算法進行比較，DE算法具有強大的空間搜索能力，易實現(xiàn)，容易理解。DE算法是一種新型的搜素算法，它首先是在搜索空間中隨機產(chǎn)生初始種群，然后計算之間的任何差異向量的兩個成員，不同的添加到向量的第三個成員，通過該方法，形成一個新的。如果你發(fā)現(xiàn)新的個體成員比原來的好，然后替換原來的個體，自我形成。 DE

4、操作作為遺傳算法一樣，它結(jié)論突變，交叉，選擇，但方法是不同的。我們假設組的大小是P，矢量維D，我們可以表達的目標向量為：Xi=xi1,xi2,xiD(i=1,P) 變異向量可以表示為：V1=Xr1+F*(Xr2-Xr3) i=1,.P Xr1,Xr2,Xr3是三個從群中隨機選擇的個人，其中，r1r2r3i。F是一系列的0,2之間的實際類型的用于控制影響的常數(shù)因子差異向量，通常被稱為比例因子。顯然，矢量之間的區(qū)別越小則干擾也越小，這意味著如果組接近最佳值，擾動會自動降低。 DE算法的選擇操作是一個“貪婪”的選擇模式，當且僅當新的矢量Ui比目標向量Xi更好更健全，Ui將被保留到下一組，否則，目標向

5、量Xi留在原來的組，再次作為下一代的父矢量。圖像增強圖像的混合遺傳算法增強是獲得快速對象檢測的基礎，因此有必要群選擇實時性能好的算法。對不同系統(tǒng)的實際要求，許多算法需要確定的參數(shù)和人工閾值。它可以使用一個非完全beta函數(shù)來完全覆蓋典型變換式的圖像增強，但確定beta函數(shù)參數(shù)仍有許多亟待解決的問題。本節(jié)介紹了一種beta功能，因為根據(jù)適用的圖像增強的方法，自適應混合遺傳算法的搜索能力，自動確定變換命令的參數(shù)值來實現(xiàn)圖像的自適應功能。 圖像增強的目的是提高圖像質(zhì)量，是在指定的比較突出的特點恢復退化圖像細節(jié)等。一個共同的特征的退化圖像通常是對比的下冊呈明亮的，暗淡或灰色。低對比度退化圖像可拉伸達到

6、一種動態(tài)的直方圖增強，如灰度變化。我們用lxy來說明點(x,y)的灰度級，它可由以下表示。Lxy=f(x,y) 其中：“f”為一個線性或非線性函數(shù)。在一般情況下，灰圖像有四個非線性的表達，可以是圖一所示。我們采用歸一化的beta函數(shù)自動適應4類圖像增強轉(zhuǎn)變曲線。定義： 其中 對于不同的，值，我們可以從以上表達式中得到響應曲線。 該混合算法可以利用前面的部分自適應查分進化算法搜索最佳函數(shù)來確定的值，然后每個像素灰度值為的函數(shù)，相應的圖一轉(zhuǎn)化，產(chǎn)生理想的圖像增強。詳細描述如下： 假設原始圖像的像素(x,y)的像素的灰度水平表示為(4)記為ixy，(x,y)，這里是圖像域。增強的圖像由lxy表示。首

7、先 ，圖像的灰度值在(6)中歸到0,1。 其中：imax和imin表示圖像灰度的最大值和最小值。 定義非線性變換函數(shù)f(U)(0U1)變換成原圖像GXY=f(GXY)，其中，0GXY1。最后，我們使用了混合遺傳算法來確定適當?shù)腷eta函數(shù)f(U)的最佳參數(shù)和。實驗和分析 在模擬中，我們使用兩種不同類型的灰度圖像退化，程序執(zhí)行了50次，忍空大小為30，進化600次。結(jié)果表明，提出的方法可以非常有效地提高不同退化圖像類型。 原始圖像 增強圖像 原始圖像 增強圖像 第一行圖原始圖像為320*320的大小，它是對比度低，細節(jié)更為模糊的，特別的，外圍和其他細節(jié)很不明顯，視覺效果差，使用文中提出的方法部分

8、，克服了以上的一些問題，并得到令人滿意的圖像效果，如第二張圖所示，該視覺效果得到了明顯改善。從直方圖看來，圖像的強度分布范圍比較均勻，光明與黑暗的灰色區(qū)域的分布更合理了，混合遺傳算法自動確定函數(shù)曲線的非線性變換，從曲線可以得出值9.837,5.7912，它符合第二行圖的C級，跨越壓縮變換的中間區(qū)域，這與直方圖相一致，整體的原始圖像低對比度，在中間區(qū)域兩端壓縮拉伸區(qū)域與人的視覺一致，增強效果明顯提高。 第二行圖原始圖像大小為320*256，整體強度低，使用文中提出的方法得到第二張圖，wome你可以看到地上椅子和衣服和其他細節(jié)的分辨率和對比度比原始圖像有明顯改善，原始圖像的灰度分布集中在較低的區(qū)域

9、，其增強的灰度圖像的灰度均勻，兩張圖的基本變換和非線性變換是一樣的，即圖像暗區(qū)伸展的值是5.9409,9.5704，非線性變換的圖像退化類型推斷是正確的，增強視覺效果和良好的圖像增強效應。 圖像還沒有一個統(tǒng)一的評價標準，則很難評價圖像質(zhì)量的提高，有共同峰值信號噪聲比方面的評價，但峰值信噪比不反映人類視覺系統(tǒng)誤差。因此我們利用邊緣保護指數(shù)與對比增長指數(shù)評價實驗結(jié)果。 Edgel保護指數(shù)(EPI)的定義如下： 對比度增加指數(shù)(CII)定義如下： 在下圖中我們比較了小波變換算法得到評估表TABLE 1。 圖4顯示原始圖像和差分進化算法增強的結(jié)果，可以看出，對比度明顯提高，有更清晰的圖像細節(jié)，邊緣特征

10、更為突出。B，C表明，基于小波變換的混合遺傳算法的圖像比較增強：基于小波變換的增強方法。以提高圖像細節(jié)部分的視覺效果實在原始圖像上的改進，但增強不明顯，基于自適應混合遺傳算法變換的圖像增強效果非常好，圖像細節(jié)，紋理，清晰的結(jié)果相比提高了，基于小波變換，大大提高了圖像分析后處理的能力。增強實驗利用小波變換sym4小波，增強差分進化算法實驗，它的參數(shù)和值分別為5.9409,9.5704。對于一個256*256大小的圖像變換的自適應混合遺傳算法在MATLAB 7軟件中的圖像增強，計算時間約為2秒，操作很快。從表一中客觀的評價標準可以看出，無論是從邊緣保護指數(shù)，或以提高對比度指數(shù)，基于自適應混合遺傳算法相比傳統(tǒng)的小波變換方法具有較大的增強，這是本節(jié)介紹的方法的客觀優(yōu)勢。 從以上分析我們可以看到，這種方法是有用的，有效的。結(jié)論 在本文中，為了保持完整性的視角的圖像信息，利用混合遺傳算法來進行圖像增強，從實驗結(jié)果可以看出，基于混合遺傳算法的圖像增強方法具有明顯的效果。與其他進化算法相比，該算法的混合遺傳算法突破表現(xiàn)在它是最簡單的，魯棒性和快速收斂，在每次運行時發(fā)現(xiàn)它幾乎是最佳的解決方案，該混合遺傳算法只有幾個參數(shù)需要設置和相同的一組參數(shù)可以用在許多不同的問題。應用混合遺傳算法的幾個快速搜索能力對于一個給定的測試圖像的自適應變異進行搜索，最終確定變換函數(shù)的最佳參數(shù)值與窮舉法相比，顯著