基于遗传算法的图像增强方法研究

基于遗传算法的图像增强方法研究

1图像自动增强技术遗传算法是基于生物进化的自然选择理论和集团遗传原理的。近年来，它是一种发展起来的全球随机优化算法。到目前为止，已在数字图像的处理中应用了许多成功的应用，如图像压缩、编码、图像分割、图像重建等。此外，一些科学家还在图像的质量方面使用了遗传计划（pg）来增强彩色图像，并使用专家视觉翻译方法来评估图像质量，但结果并不成功。在图像增强技术的研究中，一些外国科学家进行了实验，但没有关于中国的文献。总结以前的一些有关文献可以看到,对于数字图像增强技术而言,进化算法有以下缺点:(1)利用全局观点进行图像的增强处理,忽略了图像的局部信息,导致增强结果不能令人满意;(2)需要用户的干预,不能自动完成图像增强任务.如果将图像增强过程看作是一个图像序列的优化过程,那么图像增强的过程实际上是一个寻优过程,这与遗传算法在思想上有明显的类似.本文就是基于这种思想而提出的.同时,本文采用客观的图像评价准则,克服了以上的不足,实现了基于遗传算法的自动图像增强.图像处理技术可以分为基于处理时间考虑的图像处理技术和基于处理后的效果考虑的图像处理技术.基于遗传算法的图像自动增强是可以实现的,而且还可以得到很好的图像评价数据,比如可以提高图像的信噪比(SNR)、减小平均绝对误差(MAE)等.但是,由于图像的数据量很大,因此算法实现所需要时间较长.在遗传算法的实现中,30个个体的群体就是小群体(注:遗传算法中个体的选择一般在30以上),也就是说,每一代都关系到至少30幅图像的计算,对于较为常见的256×256图像以及512×512图像而言,都需要较长的时间进行群体的进化.如果基于时间考虑,这种方法不能称为是一种好的图像处理方法;但是若基于图像增强的结果考虑,该方法可以取得明显的图像增强效果,是一种很好的图像增强方法.2实验方法与过程基于遗传算法的图像增强技术的实现过程实际上是一个寻找控制参数的最优或次优解的过程.因此,基于遗传算法的图像增强技术首先是一个选择图像参数模型的过程.本文采用J.S.LEE提出的图像参数模型.对于一幅数字图像f(·),f(x,y)是图像在x行y列的像素值.f′(x,y)为增强后的图像在对应点的像素值.则有:f′(x,y)=g(m(x,y))+k(f(x,y)-m(x,y))(1)其中g(·)是一个对比度扩展函数,m(x,y)为x行y列处像素点在它的某个领域内的局部均值,k>0是一个控制参数,其大小值接影响到图像的处理质量.因此,数字图像的增强过程可以转化为寻求最优参数k的过程.鉴于标准遗传算法在理论上可以证明未必能收敛到全局最优解,本文采用了较为常用的优胜劣汰遗传算法,以便于算法的实现简单.在遗传算法的编码问题上,本文采用最常用的二制编码方法.为了减少计算量,同时又能保证计算精度,染色体长度设定为8.种群数设定为M=40,其设定值主要是考虑到图像本身已经包含大量数据,而每一代群体的M个个体又关系到M幅图像,大大增加的数据量会造成运算速度缓慢,因此选取较小的M取值,此时的遗传算法种群是小种群.对于小种群,一般采用较大的变异率和交叉率,典型值为:交叉率为0.9,变异率为0.01.本文采用此变异率和交叉率进行运算.遗传算法的三种遗传算子分别为选择遗传算子、交叉遗传算子、变异遗传算子.由于三种遗传算子相互作用会影响实验结果,然而,目前却没有很好的标准进行算子的选取.作者在进行了多次实验的基础上,根据实验效果的好坏和实验是否易于实现,选取如下三种遗传算子:优胜劣汰算子为选择遗传算子,单点交叉算子为交叉遗传算子,均匀变异算子为变异遗传算子.实验目的是通过对参数k的优化从而实现图像增强,适应度函数在遗传算法中起评价群体中每个个体优劣的作用,在本算法中选取一种图像质量评价准则.最常用的图像质量评价准则是信噪比(SNR)和绝对平均误差(MAE)等.本次实验将分别用SNR和MAE作为适应度函数进行遗传算法的实现,并将处理结果与传统的图像增强方法处理结果进行比较.实验算法如下:(1)设置进化代数计数器t→1;(2)随机生成40个初始个体组成初始群体P(t),然后解码得到参数k的40个预测值,代入转化模型可得到40幅图像,并求出各个个体的适应度Fi(i=1,2,…,40)(或者说是由解码后的k得到的40幅图像的某种评价指标).(3)选择运算.依据计算得出的适应度,找出适应度最大的k,将它的二进制编码保留到下一代,并用它代替适应度最小时的k的二进制编码,即对群体P(t)进行优胜劣汰选择运算,得到P′(t).(4)交叉运算.对选择出的个体集合P′(t)进行单点交叉运算,得到P″(t).(5)变异运算.对P″(t)进行均匀变异操作,得到P‴(t).(6)计算各个新个体的适应度.(7)终止条件判断.预先设置进行代数T,若满足t=T,则计算终止,否则t→t+1,然后重复过程(3)～(5).3主观结果与客观结果的比较实验分别用GA对加性和乘性噪声降质后的LENA图像进行了处理,并将处理结果与传统的中值滤波方法以及直方图均衡化方法的处理结果进行了视觉上(主观)和客观(SNR和MAE)的比较.尽管不是绝对的,但在某种程度上,可以认为:SNR越大或者MAE越小,图像本身包含的信息量越大,图像质量越好.(1)图像边缘去噪效果对比在本实验中,选用256×256的LENA图像进行操作,以上给出了它的Sobel方法提取的边缘,下面考虑在加性噪声下的图像增强与边缘提取,并与原始图像及其用Sobel方法提取的边缘进行比较.m(x,y)为x行y列处的像素点在3×3领域内的局部均值.我们知道,中值滤波是一种效果很好的非线性滤波方法,其去噪效果好于大多数线滤波方法,能够较好的保留图像的边缘信息.从图1中可以看出,GA方法增强后的LENA图像与中值滤波增强后的LENA图像相比,视觉效果更清晰,而且,在采取同样方法提取边缘的前提下,边缘信息保持的更好,与原图像提取后的边缘更接近.可以说,与传统的有效去噪工具—中值滤波方法相比,GA方法可以更好地平滑掉噪声,并能够保留图像的更多细节(如图像边缘等)更为客观地,我们可以计算出增强后图像的信噪比(SNR)和绝对平均误差(MAE),并进行比较.对于加性噪声降质的图像来说,无论从主观和客观的对比结果来看,GA方法都存在比较明显的优势.(2)图像的预处理效果遥感图像的预处理过程中通常会遇到乘性噪声(如斑点噪声等).以下是对由乘性噪声降质图像的处理结果.乘性噪声降质的图像表示为:f=f0+n*f0,其中f为降质后的图像;f0为真实图像,n为噪声.尽管图像去噪技术已经有较长的研究历史,但到目前为止,对于乘性噪声而言,还没有特别有效的去噪方法.传统的中值滤波是一种有效的图像增强技术,而且,总的来说,非线性方法的处理效果要好于线性方法的处理效果,但是,从图3中处理后的图像边缘可以看出,(e)中边缘更清析,杂点较少,GA方法对乘性噪声的去噪效果明显要好于中值滤波对乘性噪声的去除效果.与加性噪声的处理过程类似,除进行视觉上的比较之外,我们还可以进行客观的比较,即比较它们的评价准则.尽管图像本身视觉效果相差不是很大,但从处理后图像的边缘以及图像的信噪比(SNR)和绝对平均误差(MAE)来看,GA方法能够更多地保留图像信息,具有比较明显的优势.4并行遗传算法ga主要存在的问题本文从保持图像信息的角度出发,采用对各种方法处理后的图像的边缘进行比较的方法,使图像的处理尽可能在平滑噪声的同时保持较多的细节.从实验结果可以看出,在给定图像评价指标的情况下,基于遗传算法的图像增强方法具有明显的优势.存在的问题是:遗传算法(GA)的参数选择是一个复杂的非线性优化问题,不但必须考虑遗传算子的相互作用,而且必须考虑优化目标函数的特征.尽管已经从理论和实验两方面对最优控制参数的选取进行了一些讨论,现在仍没有很好的解决方法.目前常用的几种图像质量评价指标并不能完全反映出图像