自適應(yīng)遺傳算法優(yōu)化圖像增強方法研究

楊 洋

(安徽理工大學(xué) 電氣與信息工程學(xué)院， 安徽 淮南 232000)

變電站中紅外圖像在檢測設(shè)備缺陷方面有著重要作用，為了利于計算機進行后續(xù)的分析處理，紅外成像設(shè)備獲得的紅外圖像需要轉(zhuǎn)化成更簡單的灰度圖像，轉(zhuǎn)化后的灰度圖像往往存在對比度差的問題，因此對灰度圖像的增強處理至關(guān)重要[1]。

根據(jù)增強處理過程所在的空間不同，圖像增強方法可分為頻域法和空域法[2]。頻域法屬于間接增強方法，是通過對圖像的傅里葉變換進行修改從而得到增強圖像的一種方法，缺點是計算量較大且需要人工干預(yù)的地方較多。空域法針對像素層進行處理，是一種直接增強方法。空域法中分段灰度變換法算法簡單，可以有效突出感興趣的目標抑制不感興趣的灰度區(qū)間，變換函數(shù)可以任意合成，是圖像增強中的常用方法。三段線性變換的關(guān)鍵是如何確定轉(zhuǎn)折點以及分段直線斜率，在傳統(tǒng)的三分段線性變換法中，多采用人工試湊的方式來確定分段點的位置[3]，這種方法顯然不具有自適應(yīng)性，難以達到最佳的增強效果。

本文使用了自適應(yīng)遺傳算法來確定分段線性變換的分段點參數(shù)，在基本遺傳算法的基礎(chǔ)上，通過改進的自適應(yīng)遺傳算法自動選擇分段線性變換的的轉(zhuǎn)折點和分段直線斜率，實現(xiàn)圖像增強處理。

1 自適應(yīng)遺傳算法的圖像增強方法

1.1 圖像的三段線性變換

圖像的灰度變換是指依照變換函數(shù)逐點改變源圖像中每一個像素灰度值從而達到某種目標條件的方法[4]。用數(shù)學(xué)表達式可以表示為

g(x,y)=T(f(x,y))

(1)

式中:f(x,y)為源圖像灰度函數(shù)；T為變換函數(shù)；g(x,y)為輸出圖像函數(shù)。分段線性變換能夠增強圖像的對比度，突出圖像中感興趣的區(qū)域，有效解決采集圖像質(zhì)量較差的問題[5]，是常用的灰度變換法之一。本文使用的三段線性變換法的數(shù)學(xué)表達式為：

(2)

根據(jù)式中對各灰度區(qū)間的壓縮或擴展，可以獲得圖像如圖1所示。

圖1 三段線性變換

圖1中，對轉(zhuǎn)折點(a,c)和(b,d)的位置之間灰度區(qū)間進行了拉伸，拉伸的比例依據(jù)分段直線的斜率大小，由此控制參數(shù)a、c和b、d是實現(xiàn)圖像增強的關(guān)鍵。為了更快更精確的獲得a、c和b、d的值，選擇自適應(yīng)遺傳算法來實現(xiàn)這一功能。

1.2 自適應(yīng)遺傳算法

遺傳算法是根據(jù)自然界生物進化理論而形成的搜尋最優(yōu)解的算法，能夠有效解決較為復(fù)雜的組合優(yōu)化問題，在各個領(lǐng)域被廣泛應(yīng)用[6]。但在進化過程中，由于交叉概率PC與變異概率PM恒定不變，導(dǎo)致算法的收斂速度和自適應(yīng)性受到限制，無法達到理想效果。

本文采用動態(tài)自適應(yīng)遺傳算法，遺傳參數(shù)PC和PM可以根據(jù)種群中個體適應(yīng)度不同適當調(diào)整，解決了基本遺傳算法的限制難題，可以更加快速更加準確地找出三段線性變換中的最佳參數(shù)，增強了算法中的種群多樣性，防止早熟現(xiàn)象的出現(xiàn)。

2 算法設(shè)計與實現(xiàn)

自適應(yīng)遺傳算法在工作流程上與基本遺傳算法不同，在交叉算子和變異算子的設(shè)計中加入了自適應(yīng)操作，基本流程如圖2所示。

圖2 自適應(yīng)遺傳算法流程圖

2.1 編碼設(shè)計

要優(yōu)化的參數(shù)為a、b、c、d，設(shè)置自變量長度為30，采用二進制編碼。

2.2 適應(yīng)度函數(shù)的設(shè)計

采用圖像信息熵作為圖像質(zhì)量評估函數(shù)。將圖像信息熵作為適應(yīng)度函數(shù)，可以有效反映出圖像信息量的大小，信息量越大圖像質(zhì)量越好[7]。根據(jù)輸入圖像的原始灰度圖像，其信息熵為

(3)

式中：pi是第i個區(qū)間中像素點灰度值的概率。

2.3 遺傳算子設(shè)計

(1)選擇算子

選擇算子采用輪盤賭與保留最佳個體相結(jié)合的方法。根據(jù)個體適應(yīng)度的大小決定個體進入下一代的概率，并將當前代中最優(yōu)個體放入下一代中，得到強生命力個體的新種群，避免在選擇過程中，最優(yōu)個體的無意流失。

(2)交叉算子

(4)

(3)變異算子

變異操作采用二進制取反變異法，即對個體編碼串上的一個或多個基因座上的基因值作取反運算，簡單易于操作。

(4)遺傳參數(shù)的自適應(yīng)改進

為了實現(xiàn)交叉算子和變異算子的自適應(yīng)調(diào)整，交叉概率依公式(5)自適應(yīng)變化,變異概率依公式(6)自適應(yīng)變化,其中PC是交叉概率,PM是變異概率。

(5)

(6)

式中：gmax為在種群進化的每一代中最優(yōu)的個體的最大適應(yīng)度值；ga為群體每一代個體適應(yīng)度值的平均值；g,為兩個交叉?zhèn)€體適應(yīng)度值中的較大值；g為群體中被選中進行變異個體的適應(yīng)度值。算法中k1、k2、k3、k4的值在(0，1)范圍中選擇即可。

2.4 算法結(jié)束條件

當連續(xù)多代群體的最優(yōu)適應(yīng)度函數(shù)值保持不變或者變化不大時，或者當算法的迭代次數(shù)到達最大進化代數(shù)時，算法結(jié)束。

3 仿真實驗

3.1 圖像增強效果分析

為了檢驗基于自適應(yīng)遺傳算法的增強效果，在Matlab R2018a的仿真環(huán)境下對實驗圖像“l(fā)ena”進行增強效果評估。使用本文算法對圖像進行增強，得到的增強效果如圖3所示。

圖3 實驗圖像lena增強前后的效果

圖3中原圖像的視覺效果偏暗，對比度較低。在利用自適應(yīng)遺傳算法對分段線性變換的參數(shù)進行優(yōu)化后，得到的圖像曝光明顯增強，對比度較強，主次也比較清楚，圖像的質(zhì)量明顯提升。

目標函數(shù)的迭代過程如圖4所示，最大值終止代數(shù)在10左右，算法收斂迅速。

圖4 目標函數(shù)迭代過程圖

為了定量的評估圖像增強效果，本文采用圖像的均值、標準差、信息熵來反映其明暗度、對比度以及信息量。所有算法圖像的評價標準如表1所示。

表1 不同算法的評價標準

從表1中的數(shù)據(jù)可以看出：與原始圖像和其他圖像增強方法相比，算法處理后的圖像標準差和均值均最大，說明其視覺效果更亮且對比度最強。

3.2 本文算法性能分析

為了更好比較自適應(yīng)遺傳算法和基本遺傳算法在優(yōu)化目標參數(shù)方面的性能，使用平均進化代數(shù)和平均運行時間來作為評價指標[8],實驗對象是網(wǎng)上自采集圖像，最大迭代次數(shù)為120。兩種算法的性能對比如表2所示。由表2可以看出，使用的自適應(yīng)遺傳算法在收斂速度和全局收斂方面的性能要明顯優(yōu)于基本遺傳算法。

表2 遺傳算法的性能對比

4 結(jié) 語

提出了利用自適應(yīng)遺傳算法對三段線性變換參數(shù)進行自適應(yīng)確定，有效地提升算法的收斂速度和精度，避免早熟現(xiàn)象，且圖像的對比度更強，圖像更亮，具有一定的應(yīng)用價值。