基于混合遗传算法的图像增强技术基于混合遗传算法的图像增强技术摘要：在图像增强中， Tubbs 提出了归一不完全函数表示常用的几种使用的非线性变换函数对图像进行研究增强。但是如何确定beta 系数功能仍是一个问题。在图像增强处理和利用遗传算法快速算法的搜索能力进行适应编译和搜索我们提出了一种混合遗传微分进化算法。最后利用仿真实验证明了该方法的有效性。关键词：图像增强，混合遗传算法，自适应增强。介绍在图像形成传递或转换过程，由于其他客观因素， 如系统噪声，缺乏或过度曝光， 相对运动等的影响会使图像通常与原图之间有差异简称退化 。退化图像通常模糊或信息的提取，通过机器后减少甚至是错误的，它必须采取一些改良措施。图像增强技术是在其目的是为了提高图像的质量这一意义上提出的。 模糊图像增强情况是根据图像使用各种特殊技术集锦的一些信息图像， 减少或消除不相关的信息， 来强调整体或局部特征的目标图像。 图像增强方法仍没有统一的理论， 图像增强技术可分三类： 点运算，与空间频率增强方法增强法。 本文介绍了根据图像特征自动调整自适应图像增强法， 成为混合遗传算法。 为了实现图像的自适应增强它结合了差分进化自适应搜索算法， 自动确定的参数值的变换函数。图像增强技术图像增强是图像的某些特征， 如轮廓，比照，强调或突出的边缘等为了便于检测和进一步的分析处理， 增强将不会增加图像中的信息数据， 但会选择适当的动态范围的功能的扩展，使得这些特点更容易检测或确定，为后续的分析和处理的检测打下良好的根底。图像增强方法包括点运算，空间滤波，频域滤波类别。点运算包括比照度拉伸，直方图建模， 并限制噪声和图像减影技术。 空间滤波包括低通滤波， 中值滤波， 高通滤波器 锐化 。频率滤波器包括同态滤波，多尺度多分辨率图像增强中的应用。差分进化算法差分进化首次提出了强硬的价值，并与其他进化算法进行比拟，DE 算法具有强大的空间搜索能力， 易实现，容易理解。DE 算法是一种新型的搜素算法， 它首先是在搜索空间中随机产生初始种群， 然后计算之间的任何差异向量的两个成员， 不同的添加到向量的第三个成员，通过该方法，形成一个新的。如果你发现新的个体成员比原来的好，然后替换原来的个体，自我形成。 DE 操作作为遗传算法一样， 它结论突变，交叉，选择，但方法是不同的。我们假设组的大小是 P，矢量维 D，我们可以表达的目标向量为：Xi=xi1,xi2,xiD(i=1,P)变异向量可以表示为：V1=Xr1+F*(Xr2-Xr3) i=1,.P Xr1,Xr2,Xr3 是三个从群中随机选择的个人， 其中， r1r2r3i。 F 是一系列的0,2之间的实际类型的用于控制影响的常数因子差异向量， 通常被称为比例因子。显然，矢量之间的区别越小那么干扰也越小，这意味着如果组接近最正确值，扰动会自动降低。 DE 算法的选择操作是一个“贪婪的选择模式，当且仅当新的矢量 Ui 比目标向量 Xi更好更健全，Ui 将被保存到下一组，否那么，目标向量Xi 留在原来的组，再次作为下一代的父矢量。图像增强图像的混合遗传算法增强是获得快速对象检测的根底， 因此有必要群选择实时性能好的算法。 对不同系统的实际要求，许多算法需要确定的参数和人工阈值。它可以使用一个非完全beta 函数来完全覆盖典型变换式的图像增强，但确定beta 函数参数仍有许多亟待解决的问题。本节介绍了一种 beta 功能，因为根据适用的图像增强的方法，自适应混合遗传算法的搜索能力，自动确定变换命令的参数值来实现图像的自适应功能。图像增强的目的是提高图像质量， 是在指定的比拟突出的特点恢复退化图像细节等。 一个共同的特征的退化图像通常是比照的下册呈明亮的， 暗淡或灰色。 低比照度退化图像可拉伸到达一种动态的直方图增强，如灰度变化。我们用lxy 来说明点(x,y)的灰度级，它可由以下表示。Lxy=f(x,y)其中： “f为一个线性或非线性函数。在一般情况下，灰图像有四个非线性的表达，可以是图一所示。我们采用归一化的beta 函数自动适应 4 类图像增强转变曲线。定义：其中对于不同的，值，我们可以从以上表达式中得到响应曲线。该混合算法可以利用前面的局部自适应查分进化算法搜索最正确函数来确定的值， 然后每个像素灰度值为的函数，相应的图一转化，产生理想的图像增强。详细描述如下：假设原始图像的像素(x,y)的像素的灰度水平表示为(4)记为 ixy，(x,y)，这里是图像域。增强的图像由lxy 表示。首先 ，图像的灰度值在(6)中归到0,1。其中：imax 和 imin 表示图像灰度的最大值和最小值。定义非线性变换函数 f(U)(0U1)变换成原图像 GXY=f(GXY)，其中，0GXY1。最后，我们使用了混合遗传算法来确定适当的beta 函数 f(U)的最正确参数和。实验和分析在模拟中， 我们使用两种不同类型的灰度图像退化， 程序执行了 50 次， 忍空大小为 30，进化 600 次。结果说明，提出的方法可以非常有效地提高不同退化图像类型。原始图像增强图像原始图像增强图像第一行图原始图像为320*320 的大小，它是比照度低， 细节更为模糊的，特别的，外围和其他细节很不明显，视觉效果差， 使用文中提出的方法局部，克服了以上的一些问题，并得到令人满意的图像效果，如第二张图所示，该视觉效果得到了明显改善。从直方图看来，图像的强度分布范围比拟均匀， 光明与黑暗的灰色区域的分布更合理了， 混合遗传算法自动确定函数曲线的非线性变换，从曲线可以得出值 9.837,5.7912，它符合第二行图的 C 级，跨越压缩变换的中间区域， 这与直方图相一致， 整体的原始图像低比照度， 在中间区域两端压缩拉伸区域与人的视觉一致，增强效果明显提高。第二行图原始图像大小为 320*256，整体强度低，使用文中提出的方法得到第二张图，wome 你可以看到地上椅子和衣服和其他细节的分辨率和比照度比原始图像有明显改善，原始图像的灰度分布集中在较低的区域， 其增强的灰度图像的灰度均匀， 两张图的根本变换和非线性变换是一样的，即图像暗区伸展的值是5.9409,9.5704，非线性变换的图像退化类型推断是正确的，增强视觉效果和良好的图像增强效应。图像还没有一个统一的评价标准， 那么很难评价图像质量的提高， 有共同峰值信号噪声比方面的评价， 但峰值信噪比不反映人类视觉系统误差。 因此我们利用边缘保护指数与比照增长指数评价实验结果。 Edgel 保护指数(EPI)的定义如下：比照度增加指数(CII)定义如下：在下列图中我们比拟了小波变换算法得到评估表TABLE 1。图 4 显示原始图像和差分进化算法增强的结果， 可以看出，比照度明显提高，有更清晰的图像细节，边缘特征更为突出。B，C 说明，基于小波变换的混合遗传算法的图像比拟增强：基于小波变换的增强方法。 以提高图像细节局部的视觉效果实在原始图像上的改良， 但增强不明显，基于自适应混合遗传算法变换的图像增强效果非常好，图像细节，纹理， 清晰的结果相比提高了，基于小波变换，大大提高了图像分析后处理的能力。 增强实验利用小波变换 sym4 小波，增强差分进化算法实验，它的参数和值分别为 5.9409,9.5704。对于一个256*256 大小的图像变换的自适应混合遗传算法在MATLAB 7 软件中的图像增强，计算时间约为 2 秒，操作很快。从表一中客观的评价标准可以看出，无论是从边缘保护指数，或以提高比照度指数， 基于自适应混合遗传算法相比传统的小波变换方法具有较大的增强， 这是本节介绍的方法的客观优势。从以上分析我们可以看到，这种方法是有用的，有效的。结论在本文中，为了保持完整性的视角的图像信息， 利用混合遗传算法来进行图像增强， 从实验结果可以看出， 基于混合遗传算法的图像增强方法具有明显的效果。 与其他进化算法相比，该算法的混合遗传算法突破表现在它是最简单的， 鲁棒性和快速收敛， 在每次运行时发现它几乎是最正确的解决方案， 该混合遗传算法只有几个参数需要设置和相同的一组参数可以用在许多不同的问题。 应用混合遗传算法的几个快速搜索能力对于一个给定的测试图像的自适应变异进行搜索， 最终确定变换函数的最正确参数值与穷举法相比， 显着减少时间求解，解决了计算机的复杂性。因此，所提出的这个图像增强方法具有一定的实用价值简要弊端分析此种算法只是将比照下呈明亮的， 暗淡或灰色的区域通过算法处理成比照度高细节明显的区域，但如果原图某区域特点本来就是这样，就会产生误处理，反而使原图真实性下降，这也是很多图像处理算法“一刀切的共同弊端，想要解决还是需要费很大功夫的。附录英文原件附录英文原件 ：