吳海花

摘要：從標(biāo)準(zhǔn)遺傳算法操作的整體結(jié)構(gòu)上對其遺傳操作進(jìn)行了相關(guān)改進(jìn)，改進(jìn)遺傳算法處理后的圖像與維納濾波法相比可以更好地抑制噪聲的影響。從客觀評價標(biāo)準(zhǔn)MSE與PSNR等數(shù)據(jù)中也可以看出，改進(jìn)的遺傳算法恢復(fù)的圖像質(zhì)量優(yōu)于維納濾波法與標(biāo)準(zhǔn)遺傳算法。

關(guān)鍵詞：遺傳算法；圖像恢復(fù)；圖像仿真

DOIDOI：10.11907/rjdk.151534

中圖分類號：TP311

文獻(xiàn)標(biāo)識碼：A 文章編號文章編號：16727800（2015）008010003

1 圖像恢復(fù)預(yù)處理初始化遺傳種群

標(biāo)準(zhǔn)的遺傳算法主要通過圖像恢復(fù)的初始化群體作為圖像灰度的可能解，這種方法在尺寸較大的圖像中運(yùn)算效率十分低下[12]。按照傳統(tǒng)的圖像恢復(fù)方法，例如：本文選用維納濾波法預(yù)先恢復(fù)退化圖像，以此形成初始化群體。為了能夠更好地對圖像進(jìn)行相應(yīng)的預(yù)處理，首先需要確定k值的取值范圍。下面分析參數(shù)k值在維納濾波法中對噪聲圖像恢復(fù)PSNR的影響情況，k值如表1所示。

從表1中可以看出，維納濾波法參數(shù)k值取值范圍是0.01～0.1，該范圍能夠達(dá)到最佳的恢復(fù)效果，所以參數(shù)k值為0.01～0.1之間的維納濾波恢復(fù)的圖像是作為初始化群體[3]。最初的種群規(guī)模數(shù)可以設(shè)置為10～80，這樣可保證最優(yōu)的搜索速度。同時在初始化群體中隨機(jī)加入相應(yīng)的高斯函數(shù)進(jìn)行擾動處理，增加擾動后的基因值如下：

其中，f0（x，y）是經(jīng)過維納濾波處理后最理想的圖像灰度值。因?yàn)閳D像像素間存在十分強(qiáng)的相關(guān)性，并加入隨機(jī)擾動的數(shù)量與時機(jī)，從而規(guī)避因過度或出現(xiàn)過多擾動而影響算法的準(zhǔn)確性。因此，設(shè)定每進(jìn)化五代就增加一次擾動，使其隨機(jī)擾動達(dá)到0.05，以有效地減少早熟，提高算法的搜索能力。

2 改進(jìn)遺傳算法中的組合選擇

采取一定比例的選擇方法，在循環(huán)地產(chǎn)生新個體過程中可能會使遺傳算法的運(yùn)行效率以及收斂性受到不同程度的影響，這是算法出現(xiàn)早熟的一個最重要原因[4]。下面對選擇算子進(jìn)行相應(yīng)改進(jìn)，具體操作流程如下：①在第t代中，需要隨機(jī)選取2個個體來參賽，將適應(yīng)能力較高的個體放到下一代；②再隨機(jī)在t代中不斷循環(huán)參賽k次，并且使t+l代新增k個個體。為了全面提高運(yùn)算速度，在此設(shè)定k值為5；③第t+1代的個體通過交叉以及變異操作之后，按照適應(yīng)度對比值，可以得出當(dāng)代最佳個體（也即適應(yīng)能力最強(qiáng)的個體）與最差個體（也即適應(yīng)能力最弱的個體）；④通過分析比較當(dāng)代最強(qiáng)與下一代最強(qiáng)的個體，選取一個最強(qiáng)個體作為全局最優(yōu)個體，這樣一個總的最強(qiáng)個體根據(jù)比較而發(fā)生了相應(yīng)改變；⑤應(yīng)用總的最優(yōu)個體取代當(dāng)代的最差個體；⑥將第t代占種群15%的適應(yīng)能力最強(qiáng)的個體直接放入到第t+1代中去。

該方法主要是使用適應(yīng)能力最強(qiáng)的個體來取代最弱個體，同時更好地確保適應(yīng)度高的個體不會被破壞。通過多代之后，優(yōu)秀的個體會變得越來越多，較差的個體則會被淘汰掉，以此全面提高運(yùn)算速率。

3 改進(jìn)遺傳算法中的動態(tài)調(diào)整機(jī)制

3.1 動態(tài)濾除相似個體

在每一代進(jìn)行選擇操作之前，對當(dāng)代中的各個個體進(jìn)行一對對的比較，當(dāng)相似度大于某個值R時，則將這兩個個體設(shè)為相似。相似度高于R值時只需保留其中適應(yīng)度值最高的個體，以這個最佳值作為標(biāo)準(zhǔn)。在運(yùn)算初期R值建議略取大一些，而后期的值可以取小一些，目的是為了保持群體的多樣性，避免一種模式主導(dǎo)出現(xiàn)早熟現(xiàn)象，同時加快了運(yùn)算速度。

3.2 動態(tài)補(bǔ)充新個體

當(dāng)過濾完相似個體之后，補(bǔ)充與之相適應(yīng)的個體數(shù)量以保持群體正常運(yùn)轉(zhuǎn)。通過將父代中適應(yīng)度排名最高的前幾位個體進(jìn)行數(shù)次隨機(jī)變異操作，產(chǎn)生m個新個體作為子代個體，m的個數(shù)等于動態(tài)濾除相似個體的數(shù)量，從而使新個體很好地繼承父代中排名最優(yōu)的個體，在下一步交叉及變異過程中能產(chǎn)生新的最優(yōu)子代個體。改進(jìn)后的算法則可以動態(tài)地調(diào)整群體個體數(shù)量，避免陷入局部最優(yōu)解。改進(jìn)后用于失真圖像復(fù)原算法的流程如圖1所示。

圖1 改進(jìn)遺傳算法用于圖像恢復(fù)基本流程

具體流程為：①確定控制參數(shù)，設(shè)置交叉概率為0.8，變異概率為0.01，濾除以及補(bǔ)充新個體數(shù)量為10，應(yīng)用維納濾波方法處理出的圖像作為初始化種群的個體；②按照適應(yīng)度函數(shù)的相關(guān)要求評定是否具有最優(yōu)解，根據(jù)評定得出的輸出結(jié)果確定是否繼續(xù)；③任意選擇2個父代進(jìn)行相互比較，將適應(yīng)度最高的父代列入到下一代。然后反復(fù)比較5次后，用當(dāng)前得到最高適應(yīng)度的個體代替下一個群體中的最差個體，使第t代中適應(yīng)度最高的前15%的個體直接進(jìn)入到下一代；④依照順序執(zhí)行均勻塊狀交叉以及均值塊狀變異；⑤通過相似度的判斷，濾除相似個體；⑥通過動態(tài)方式補(bǔ)充新個體；⑦判斷是否符合相關(guān)條件，如果符合則輸出結(jié)果，否則跳轉(zhuǎn)到第二步。

4 改進(jìn)的遺傳算法在圖像恢復(fù)中的應(yīng)用及仿真實(shí)驗(yàn)

下面使用MATLAB作為實(shí)驗(yàn)平臺，以二維256灰度圖“img.png”作為原始圖像。分別使用經(jīng)典的維納濾波和標(biāo)準(zhǔn)遺傳算法以及應(yīng)用改進(jìn)的遺傳算法對幾種常見的模糊圖像進(jìn)行恢復(fù)處理，并通過人的視覺效果以及圖像質(zhì)量評估標(biāo)準(zhǔn)進(jìn)行比較及評價。

4.1 高斯噪化圖像恢復(fù)

圖2是屬于高斯噪化圖像的恢復(fù)處理，改進(jìn)后的算法很好地克服了因高斯噪聲帶來的影響，比原來的標(biāo)準(zhǔn)遺傳算法顯得更加平滑。

圖2 高斯噪化圖像恢復(fù)比較

4.2 運(yùn)動模糊圖像恢復(fù)

對“img.png”圖像進(jìn)行方向?yàn)閤=12，y=10的運(yùn)動模糊處理，通過該方式來退化圖像，如圖3所示。改進(jìn)的算法處理出來的圖像比前兩種算法更加細(xì)膩，視覺效果也較好。

圖3 運(yùn)動模糊圖像恢復(fù)比較

4.3 隨機(jī)噪聲模糊圖像恢復(fù)

從圖4中可以發(fā)現(xiàn)，維納濾波對隨機(jī)噪聲恢復(fù)的效果并不理想，而利用改進(jìn)后的遺傳算法恢復(fù)后則清晰度較好，同時也有效減少了因隨機(jī)噪聲引起的噪點(diǎn)。

4.4 實(shí)際模糊圖像恢復(fù)

從圖5中可以發(fā)現(xiàn)，改進(jìn)的遺傳算法依然可以很好地對模糊圖像進(jìn)行有效恢復(fù)，同時其清晰度也非常高。

圖4 隨機(jī)噪聲模糊圖像恢復(fù)比較

圖5 實(shí)際模糊圖像恢復(fù)比較

4.5 圖像恢復(fù)評價

下面通過圖像質(zhì)量評價標(biāo)準(zhǔn)均方誤差（MSE）以及峰值信噪比（PSNR）來進(jìn)行客觀的評價及比較，均方誤差（MSE ）公式如下[6]：

MSE=1M×N∑Mi=1∑Nj=1（A-B）2（2）

其中，A屬于原始圖像，B屬于處理后的圖像，具體的峰值信噪比計算公式為：

通過相關(guān)計算，將改進(jìn)后的遺傳算法與標(biāo)準(zhǔn)遺傳算法、維納濾波法對實(shí)際圖像的恢復(fù)質(zhì)量進(jìn)行客觀的評價對比，如表2所示。

表2中可以看出，改進(jìn)后的遺傳算法對實(shí)際模糊圖像可以進(jìn)行很好的恢復(fù)，其PSNR值為45.1313dB，比維納濾波恢復(fù)高出了0.9278dB，相比標(biāo)準(zhǔn)遺傳算法高出了0.3842dB；其MSE值為2，比標(biāo)準(zhǔn)遺傳算法低0.1349，同時也比維納濾波恢復(fù)低0.4989。說明在退化原因不清楚的情況下，改進(jìn)的遺傳算法比維納濾波法以及標(biāo)準(zhǔn)遺傳算法恢復(fù)的圖像質(zhì)量高。證明了改進(jìn)的算法在求解問題時更容易得到最優(yōu)解，在一定程度上可以更好地克服標(biāo)準(zhǔn)遺傳算法出現(xiàn)的早熟現(xiàn)象。

5 結(jié)語

本文通過應(yīng)用MATLAB軟件進(jìn)行仿真分析，從仿真實(shí)驗(yàn)結(jié)果來看，改進(jìn)的遺傳算法可以很好地恢復(fù)退化圖像質(zhì)量，與過去的維納濾波法和標(biāo)準(zhǔn)遺傳算法相比，其對圖像的恢復(fù)效果更加平滑，對細(xì)節(jié)的處理更為細(xì)膩。而且改進(jìn)的遺傳算法在處理噪聲方面具有優(yōu)越性，對高斯噪聲和隨機(jī)噪聲模糊圖像恢復(fù)的效果都較好。

參考文獻(xiàn)：

[1] CHEN FFENJIE，DOU LIHUA.A novel image restore method based on improved genetic algorithm[C].Beijing， Proceedings of the 29th Chinese Control Conference，2010.

[2] 李文書，趙悅.數(shù)字圖像處理算法及應(yīng)用[M].北京：北京大學(xué)出版社，2012：110130.

[3] 何忠蛟.基于遺傳算法的圖像恢復(fù)研宄[J].機(jī)床與液壓，2005（1）：157159.

[4] 黎明，李軍華.噪聲環(huán)境下遺傳算法的性能評價[J].電子學(xué)報，2010，38（9）：20902094.

[5] 盧麗敏，周海銀.一種基于遺傳算法的圖像增強(qiáng)方法[J].數(shù)學(xué)理論與應(yīng)用，2003（1）：8288.

[6] 沈庭芝，王蕾，周長志.遺傳算法在小目標(biāo)圖像分割中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù)，2002（12）：8587.

（責(zé)任編輯：黃 健）