图像处理过程中遗传算法的应用
遗传算法的优势与应用领域探析
遗传算法的优势与应用领域探析遗传算法是一种基于自然选择和遗传机制的优化算法，它模拟了生物进化的过程，通过不断迭代和优胜劣汰的方式，寻找问题的最优解。
遗传算法具有许多独特的优势，使其在各个领域的问题求解中得到了广泛的应用。
首先，遗传算法具有良好的全局搜索能力。
由于遗传算法采用了随机的初始种群，并通过交叉、变异等操作引入随机性，从而能够在搜索空间中进行全局搜索，不易陷入局部最优解。
这使得遗传算法在复杂的优化问题中具有较高的收敛性和稳定性。
其次，遗传算法能够处理高维、非线性和多模态的问题。
在实际应用中，许多问题的搜索空间非常庞大，传统的优化算法往往难以找到全局最优解。
而遗传算法通过种群的并行搜索和全局优化策略，能够有效地应对这些复杂问题，提高求解的效率和准确性。
此外，遗传算法还具有较强的鲁棒性和适应性。
在实际问题中，往往存在着不确定性和噪声的干扰，传统的优化算法容易受到这些干扰的影响而陷入困境。
而遗传算法通过种群的多样性和自适应性，能够在不同的环境中自动调整参数和搜索策略，从而具有较强的适应性和鲁棒性。
基于以上的优势，遗传算法在许多领域中得到了广泛的应用。
其中，最为典型的应用领域之一是优化问题的求解。
例如，在工程设计中，遗传算法可以用于寻找最优的参数组合，以达到最佳的设计效果。
在机器学习中，遗传算法可以用于优化神经网络的权重和结构，提高模型的性能和泛化能力。
在物流和路径规划中，遗传算法可以用于求解最短路径、车辆路径优化等问题。
此外，遗传算法还在组合优化、图像处理、数据挖掘等领域中得到了广泛的应用。
例如，在组合优化中，遗传算法可以用于求解旅行商问题、背包问题等。
在图像处理中，遗传算法可以用于图像压缩、图像分割等。
在数据挖掘中，遗传算法可以用于特征选择、聚类分析等。
然而，遗传算法也存在一些不足之处。
首先，遗传算法的计算复杂度较高，尤其是在处理大规模问题时，需要消耗大量的计算资源和时间。
其次，遗传算法的参数设置对算法的性能和效果有较大的影响，不同问题需要调整不同的参数，这增加了算法的使用难度。
遗传算法在图像处理中的应用
遗传算法在图像处理中的应用一、引言随着技术的进步，人类现在能够生成大量的数字图像。
这些图像不仅仅是美学和娱乐，还有许多实际应用。
对于一些图像处理问题，遗传算法是一种很好的解决方案。
本文将介绍遗传算法在图像处理中的应用。
二、遗传算法简介遗传算法是一种强大的优化算法，它的工作原理是模拟生物遗传进化，通过不断的优胜劣汰来搜索最优解。
遗传算法具有全局性的搜索能力和并行性，因此被广泛应用于各种领域，包括机器学习、优化问题等。
遗传算法中最重要的是个体和种群。
个体是表示问题空间中的一个解。
种群由若干个个体组成。
遗传算法通过进化操作来更新种群中的个体，这些操作包括选择、交叉、变异等。
在选择过程中，每个个体的适应度用来评估其在进化过程中的生存和繁殖能力。
在交叉过程中，两个个体交换它们的部分基因，从而创建一个新的个体。
在变异过程中，某些个体的遗传信息被突变改变，从而产生一个新的个体。
这些进化操作被反复执行，直到达到特定的终止条件，例如达到最大进化代数或达到最小目标函数值。
三、遗传算法在图像处理中的应用1. 图像分割图像分割是图像处理中的一个重要问题。
它的目的是将图像分割成若干个具有相似特征的子区域。
遗传算法可以用来选择最佳的分割参数，并且对这些参数进行优化。
在图像分割过程中，可以将每个像素看作是一个个体，将整个图像看作是一个种群。
通过遗传算法的进化操作，可以找到最优的分割结果。
2. 图像去噪图像去噪是一个复杂的问题。
遗传算法可以用来选择最佳的去噪算法并对其参数进行调优。
在图像去噪中，可以将每个算法看作是一个个体，将整个算法集合看作是一个种群。
通过遗传算法的进化操作，可以找到最优算法和参数组合。
3. 图像融合图像融合是将多幅图像合并成一组图像的过程。
遗传算法可以用来选择最佳的融合方法和参数。
在图像融合中，可以将每个融合方法看作是一个个体，将整个融合算法集合看作是一个种群。
通过遗传算法的进化操作，可以找到最佳的融合方法和参数组合。
遗传算法在图像处理中的应用
遗传算法在图像处理中的应用一、引言图像处理一直是一个热门的话题，而遗传算法则是一个经过长时间磨练的计算机优化算法。
本篇文章将介绍遗传算法在图像处理领域的应用及其中的优缺点。
二、遗传算法基本原理遗传算法（Genetic Algorithm，简称GA）是一种模仿自然进化过程的优化算法。
在遗传算法中，将问题的解视为染色体，通过群体选择、交叉、变异等运算，逐步寻找最优解。
三、遗传算法在图像处理中的应用1.图像增强图像增强是图像处理领域中的一个重要问题，遗传算法可以通过求解图像的最优参数来达到增强图像的目的。
例如，在对图像进行直方图均衡化时，可以将直方图分成若干个区间，通过遗传算法来计算每个区间的最优分割点，从而得到增强后的图像。
2.图像分割图像分割是指将图像中具有相似特性的区域分离成一个一个的子图像。
遗传算法可以通过寻找图像中连续的像素点，将它们聚集成一个簇，从而实现图像分割的目的。
3.图像去噪在图像采集、传输过程中，常常会受到环境的影响而产生噪声。
遗传算法可以通过寻找图像中的最优参数、对图像进行滤波等手段，从而达到去噪的效果。
4.图像匹配在计算机视觉领域，图像匹配是一个非常重要的问题。
遗传算法可以通过求解图像之间的相似度、寻找最优的匹配角度等手段，从而实现图像之间的匹配。
5.图像识别在图像识别领域中，遗传算法可以通过训练神经网络、计算图像的特征向量等方式来实现图像的识别。
例如，在图像识别中，可以通过遗传算法来训练神经网络，从而实现数字识别、人脸识别等目的。
四、遗传算法在图像处理中的优缺点1.优点(1)寻找最优解在图像处理领域中，往往需要寻找图像的最优解。
遗传算法通过不断地进化、优胜劣汰的方式，能够快速寻找问题的最优解。
(2)并行计算遗传算法的并行计算能力较强，可以同时处理多个问题，从而提高了计算效率。
(3)自适应性遗传算法具有较强的自适应性，能够根据问题的变化来自动调整参数，从而得到更优的解。
2.缺点(1)对初始条件敏感遗传算法的效果受到初始条件的影响较大，如果初始条件不好，就会导致算法无法找到最优解。
遗传算法在图像增强中的应用
成为 １ 个个体即染色体 ， 个个体 构成 １ ， ｖ 个种群 。
３ ）确定表示可行解 的染 色体 的编码方法 ， 也即确定 出
均衡化 、 空域 滤波等。一般定义 为 ：
ｇ ，）＝ｒ ， ） （ Ｙ Ｗ（ Ｙ ］
６ ）确定遗传算法 的有关运行参数 ， 即确定遗传算法 的
初始种群规模 、 最大 进化代 数 、 叉概 率 Ｐ 交 和变异 概
率Ｐ。
糊， 甚至得到错 误 的信息 。因而 ， 必须 对 图像进 行增 强操 作， 改善 图像 的质量 ， 消除噪声 的影 响 ， 突出 图像 中感兴趣
的部分。
１ １ 遗传算法” ． 遗传算 法是 模拟 生物 在 自然 环境 中的遗传 和进 化规
律 而演 化 出 来 的 自适 应 全 局 优 化 概 率 搜 索 算 法 。对 一 个 需要 进 行 优 化 计 算 的实 际 应 用 问 题 ， 般 可 按 照 下 述 步 骤 一
计是 构造 遗传 算法时的关键 环节。
３个算子产生 出代 表新 的解集 的种群 ， 子代种 群 比父 代 使
具有更 大 的 适 应 度 值 ， 而 确 保 所 求 出 的解 为 全 局 最 从
优解 。
及到生物学 、 医学 、 化学 、 计算机学 、 军事运筹 学等学科 。
数 字 图 像 在 获取 （ 字 化 过 程 ） 传 输 过 程 中 ， 可 避 数 和 不 免地会受到各种 噪声 的污染 ， 致 图像分 辨率 低 ， 节模 导 细
遗 传 算 法 （ｅｅｉ ａ ｏｉ ｍ， 称 Ｇ 是 美 国 Ｍｉ ｉａ ｇｎｔ ｌ ｒｈ 简 ｃ ｇ ｔ Ａ） ｃ ｇｎ ｈ
遗传算法在图像处理中的应用
遗传算法在图像处理中的应用一、本文概述随着计算机科学技术的飞速发展，图像处理技术在众多领域，如医学诊断、安全监控、航空航天、自动驾驶等，发挥着日益重要的作用。
然而，传统的图像处理技术面临着处理复杂度高、实时性要求高等诸多挑战。
遗传算法作为一种模拟生物进化过程的优化搜索算法，以其全局搜索能力强、鲁棒性高等特点，为图像处理提供了新的解决思路。
本文旨在探讨遗传算法在图像处理中的应用，分析其原理、方法、优势和限制，并展望其未来的发展趋势。
本文将简要介绍遗传算法的基本原理和图像处理的基本任务。
然后，将重点分析遗传算法在图像处理中的几个典型应用，如图像优化、图像分割、图像恢复等，并具体阐述其实现过程和效果。
接着，本文将讨论遗传算法在图像处理中的优势和限制，如搜索速度快、全局优化能力强等优点，以及易陷入局部最优、计算复杂度高等缺点。
本文将展望遗传算法在图像处理中的未来发展方向，如与其他智能算法的结合、在新型图像处理任务中的应用等。
通过本文的阐述，读者可以对遗传算法在图像处理中的应用有一个全面而深入的理解，为相关研究和应用提供有益的参考。
二、遗传算法的基本原理遗传算法（Genetic Algorithm, GA）是一种模拟生物进化过程的优化搜索算法，其核心原理源自达尔文的生物进化论和孟德尔的遗传学说。
遗传算法通过模拟自然选择和遗传学中的交叉、突变等机制，在问题解空间中寻找最优解。
遗传算法的起始点是将问题的解表示为染色体，通常通过二进制编码、实数编码或其他方式实现。
编码后的染色体构成初始种群，种群中的每个染色体都代表问题的一个潜在解。
适应度函数用于评估种群中每个染色体的优劣，通常与问题的目标函数相对应。
适应度值高的染色体在后续的选择过程中更有可能被保留。
选择操作模拟自然选择过程，根据适应度值从当前种群中选择优秀的染色体进入下一代。
常见的选择算法有轮盘赌选择、锦标赛选择等。
交叉操作模拟了生物进化中的基因重组过程，通过随机选择两个染色体的一部分进行交换，生成新的染色体。
图像处理过程中遗传算法的应用
一
图１ 遗传 算法 基本 流程 图 由图 １ ． １ 可 知 ，遗传算 法是一种 群体性 操作 ，他针对 的 不是 某一 个个体进行 操作 。 其 中，选择 、交叉和 变异是遗 传 算法的三个主要基本算子， 他们三个构成 了遗传的基本操作 步骤 ， 就是这 三个步骤 使得遗传 算法具 备了与其 他传统算 法 不同的特性。遗传算饭包含五个基本要素，分别是：（ １ ）参 数编码 。这个要 素是要 建立～个空 间映射 ，就是 问题的解 空 间与编 码空 间的映射 ， 每个 不 同的候选解用 有一个 单独 的串 号。（ ２ ）初始群 体 的设 定 。 将 种群进行 初始化 。（ ３ ） 适 应度 函数的设计。在种群中，将每个个体的染色体进行解码，变 成适 合计算 式适应 度的 函数 形式 。（ ４ ） 选择 。 将 适应度大 的 个体作为优秀个体繁殖下一代 ， 适应度越大被选择繁殖下一 代的可能性也就越大。（ ５ ）交叉。将选中的两个用于繁殖下 代 的位置相 同个体 的位置进 行交叉互 换 。（ ６ ） 变异 。按 照 基因 突变 的概率翻 转 串中 的基 因 。（ ７ ）重 复步骤 （ ４ ）到 步 骤 （ ６ ）使 得结 果满 足 已设定 的遗 传条件 。 遗 传 算法 结构 较 为简 单 ，算 法也 不复 杂 ，但 是又 具有 良好 的选 择 效果 ，具 有 自适 应性 、子 组 织性和 自学 习性等
计算 机光 盘软 件 与应用
信 息技术应用研 究 Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｃ Ｄ Ｓ ｏ ｆ ｔ ｗ ａ ｒ ｅ ａ ｎ ｄ Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ２ ０ １ ３年第 Ｏ ４ 期
图像 处 理 过 程 中遗传 算 法 的应 用
物 ＿ ＿－ １ ，物 … 一， ‘
遗传算法的的原理及应用
遗传算法的原理及应用1. 介绍遗传算法是一种模拟进化过程的优化算法，通过模拟自然界中的生物遗传、变异、选择等过程，来求解最优化问题。
本文将介绍遗传算法的原理和一些应用示例。
2. 原理遗传算法的原理主要包括以下几个步骤：2.1 初始化首先，需要根据问题的特性和规模，确定遗传算法的一些参数，如种群大小、染色体长度、变异率等，并随机生成初始种群。
2.2 评价对于给定的初始种群，根据问题的评价函数，对每个个体进行评价，得到适应度值。
适应度值反映了个体解决问题的优劣程度。
2.3 选择根据个体的适应度值，利用选择算子选择一些个体作为下一代的父代，通常选择适应度高的个体，以增加下一代的优秀性。
2.4 交叉在交叉操作中，从父代个体中选取两个个体，通过染色体的交叉点，将部分染色体进行交换，生成两个新的个体作为下一代的子代。
2.5 变异变异操作是为了保持种群的多样性，通过随机改变染色体中的部分基因，引入新的基因信息。
变异率一般较低，以避免过多的基因变化。
2.6 更新将经过选择、交叉和变异操作后的新一代个体替代原有的个体，形成新的种群。
然后继续进行评价、选择、交叉和变异的循环操作，直到满足终止条件。
3. 应用遗传算法被广泛应用于很多领域，下面将介绍几个常见的应用示例。
3.1 优化问题由于遗传算法能够在较大的搜索空间中找到最优解，因此被广泛应用于优化问题的求解。
例如，在工程设计中，通过优化设计变量，可以实现最小化成本或最大化性能的目标。
3.2 机器学习遗传算法在机器学习领域也有广泛的应用。
例如，在神经网络的权重调整中，可以利用遗传算法来搜索最优的权重参数。
3.3 调度问题调度问题常常涉及到任务安排、资源调配等。
遗传算法可以用来求解这些问题，通过优化任务的分配和资源的利用效率，提高任务的完成效率。
3.4 图像处理遗传算法在图像处理中的应用也很多。
例如，在图像增强中，通过遗传算法优化图像的亮度、对比度等参数，可以获得更好的图像效果。
遗传算法在信号处理中的应用案例展示
遗传算法在信号处理中的应用案例展示引言：遗传算法是一种模拟自然选择和遗传机制的优化算法，它在信号处理领域有着广泛的应用。
本文将通过几个实际案例，展示遗传算法在信号处理中的应用，并探讨其优势和局限性。
案例一：音频降噪音频降噪是一项重要的信号处理任务，它可以提高音频质量和语音识别的准确性。
传统的降噪方法通常基于滤波器设计，但是这些方法往往需要手动调整参数，且效果不尽如人意。
而遗传算法可以通过优化参数的方式，自动地寻找最佳的降噪滤波器。
在这个案例中，我们首先定义了一个适应度函数，用于评估降噪滤波器的性能。
然后，通过遗传算法的迭代过程，不断优化滤波器的参数，直到找到最佳解。
通过实验验证，使用遗传算法设计的降噪滤波器在降噪效果上明显优于传统方法。
案例二：图像压缩图像压缩是一种常见的信号处理任务，它可以减小图像文件的大小，提高存储和传输效率。
传统的图像压缩方法如JPEG基于离散余弦变换，但是这些方法无法充分利用图像的特性，导致压缩效果不佳。
而遗传算法可以通过优化压缩算法的参数，提高压缩率和图像质量。
在这个案例中，我们将图像压缩问题转化为一个优化问题，定义了一个适应度函数，用于评估压缩算法的性能。
然后，通过遗传算法的迭代过程，不断优化压缩算法的参数，直到找到最佳解。
通过实验验证，使用遗传算法优化的压缩算法在压缩率和图像质量上都有明显的提升。
案例三：信号分类信号分类是一项重要的信号处理任务，它可以将不同类型的信号区分开来，为后续的处理提供基础。
传统的信号分类方法如支持向量机需要手动选择特征和调整参数，且对于复杂的信号类型效果不佳。
而遗传算法可以通过优化分类器的参数和特征选择，提高分类准确率和鲁棒性。
在这个案例中，我们首先定义了一个适应度函数，用于评估分类器的性能。
然后，通过遗传算法的迭代过程，不断优化分类器的参数和特征选择，直到找到最佳解。
通过实验验证，使用遗传算法优化的分类器在不同类型的信号分类任务上都取得了较好的结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像处理过程中遗传算法的应用
摘要：遗传算法是将自然选择和遗传机理结合到一起的一种随机搜索和优化的方法。
随着科学家对遗传算法进行优化，其在工业领域也得到了很好的应用，此方法受到了国内外专家的一致认可。
文章介绍了遗传算法的基本原理和它在运算过程中的一些特点，主要介绍了遗产算法在图像处理过程中的应用，包括图像压缩、恢复、重建和增强技术等方面，针对目前遗传算法在处理图像过程中存在的一些问题得出这种算法的将来发展方向。
关键词：遗传算法；图像处理；自然选择；自动控制
中图分类号：tp391.4 文献标识码：a 文章编号：1007-9599 （2013） 04-0000-02
遗传算法是一类借鉴生物界自然选择和自然选择机制的随机化搜索方法，有美国j·holland教授提出，他的主要特点是能够提供群体的搜索方案和实现群体里面个体之间的信息交换，且搜索不会依赖于梯度信息。
它尤其适用于处理传统搜索方法难于解决的复杂和非线性的问题，可广泛应用于组合优化、机器学习、自适应控制、规划设计和图像处理等多个方面，是二十一世纪的智能计算的关键技术之一。
1 遗传算法的基本原理和基本性质
遗传算法是具有“生成+检测”的迭代过程的搜索算法，它的基本处理流程图如图1-1所示。
图1-1 遗传算法基本流程图
由图1-1可知，遗传算法是一种群体性操作，他针对的不是某一个个体进行操作。
其中，选择、交叉和变异是遗传算法的三个主要基本算子，他们三个构成了遗传的基本操作步骤，就是这三个步骤使得遗传算法具备了与其他传统算法不同的特性。
遗传算饭包含五个基本要素，分别是：（1）参数编码。
这个要素是要建立一个空间映射，就是问题的解空间与编码空间的映射，每个不同的候选解用有一个单独的串号。
（2）初始群体的设定。
将种群进行初始化。
（3）适应度函数的设计。
在种群中，将每个个体的染色体进行解码，变成适合计算式适应度的函数形式。
（4）选择。
将适应度大的个体作为优秀个体繁殖下一代，适应度越大被选择繁殖下一代的可能性也就越大。
（5）交叉。
将选中的两个用于繁殖下一代的位置相同个体的位置进行交叉互换。
（6）变异。
按照基因突变的概率翻转串中的基因。
（7）重复步骤（4）到步骤（6）使得结果满足已设定的遗传条件。
遗传算法结构较为简单，算法也不复杂，但是又具有良好的选择效果，具有自适应性、子组织性和自学习性等特点，具有许多其它算法没有的优点，主要有：
（1）遗传算法只是根据所选参数的编码进行操作，不是对参数主体进行操作，有效的减少了约束条件对于参数的束缚，增大了计算效率。
（2）遗传算法利用的是多点搜索的方法，降低了只能选出
局部最优解的可能性。
（3）遗传算法只是根据参数的适应度来对参数进行搜索，减少了对问题的依赖。
（4）遗传算法的寻优过程计算不是确定性的，而是概率性的。
2 遗传方法在图像处理中的应用
2.1 在图像增强中的应用。
图像增强技术是将不清晰的图像经过优化处理变成一张比之前更加清楚，或者变成一张使得特点更加鲜明的照片，以便于对图像再进行后期的加工。
目前图像增强方法主要包括将图像进行某种变换的频域法和对直接对原始图像进行处理的空域法两种。
而基于遗传算法的图像增强技术的实现则是利用遗传的选择方法找到一个最优或者局部最优的方法。
具体的操作方法是，首先将每一个目标值设置一个基位，用实数进行编码，这样问题就转化成求解这个目标基位组合的题目。
然后，对适应度进行设计，适应度设计为个体进化提供动力，在设置适应度的时候既要考虑图像的整体和局部的质量问题，也要将结构和细节考虑进去。
再后，对遗传算子进行设计，先根据前面设置的适应度值将个体从大到小进行排列，从中选择优秀的个体进入下一个程序当中；为了防止遗传算法在计算的过程中过早收敛，对种群的多样性进行保护，在计算过程中采用交叉操作的方法产生新的个体；对进化方向进行微调，采用变异操作的方法，对一个被选中的变异操作来说，就是采用“1”→“0”和“1”→“0”的方式进行变异。
最后，设置算法的结束
条件，一般算法的结束条件就是迭代次数达到了最大进化代数或者最大适应度的值变化不明显。
2.2 图像恢复技术。
图像恢复技术的目的就是降一些退化的图像经过技术处理使得图像的本来面目得到恢复。
作为数字图像处理技术的一个分支，他的恢复方法有很多，包括维纳滤波法，逆滤波法、最大熵恢复法和奇异值分解伪逆法等。
但是，上述方法在应用过程中都有自己的缺陷，图像退化原因的不确定性和无确定的函数表达式，会导致上述算法过于复杂，计算量过大和约束条件过多等情况的出现。
采用遗传算法进行图像恢复，突破了原有理论的束缚，能够更好的与其他一些计算方法进行融合，使得计算效率和精确度都有很大的提高。
由于遗传算法具有功能强大的全局搜索能力，采用遗传算法结合其他算法处理过的图像在客服噪声影响方面具有很大的优势，同时也能使得图像边缘不会出现条纹效应、过的更加平滑，整体感觉好。
2.3 图像重建技术。
图像重建是由在某种观测方式下得到的携带图像信息的数据恢复出原图像的过程。
图像重建技术的方法也有很多种，主要是根据取得图像信息的方法不同，使用的重建方法也不同，有迭代法、代数法和傅里叶变换法等方法。
遗传算法在图像重建中的应用主要是解决带有噪声的投影数据的图像处理问题。
遗传算法在这方面的处理方法有很多，包括利用
最小化被测像素值和计算的射线总和之间的差的方法；利用松弛迭代的傅里叶变换算法来解决计算过程中出现的停滞现象；假定目标组合点分散的条件下，使用线性拟合方式来重建高分辨雷达图像数据。
2.4 图像压缩技术。
图像压缩技术最主要的原理就是将拥有自相似性的对象用这一组简单的代数关系式进行表达的过程。
将互相不重叠的小块定义为值域块，然后进行编码，并使经过映射后的定义域块与值域块的距离在某种度量值下最小，在分解和处理过程中，由于值域块的数量过于庞大，压缩搜索过程任务繁重，遗传算法的强大全局搜索能力就能很好的派上用场，发挥良好的效果。
3 各种技术的未来发展趋势
（1）遗传算法用于图像增强技术能够很好的达到预期效果，但是在时间上进行考量，目前的方法在寻找最优解方面速度好比较慢，可以考虑在运算过程中使用并行遗传算法，是未来遗传算法在这个领域的发展方向。
（2）在图像恢复技术中，遗传算法的计算量相对较大，而且解不止一个，未来要在编码技术上多投入精力，解决遗传算法早熟的问题。
（3）遗传算法在图像重建过程中还没能形成一个成熟的算法，目前拥有的算法都具有一些问题，如速度较慢，处理出的图像边缘不清晰等，需要进行更多有效的探索。
（4）在图形压缩技术方面，由于遗传算法在寻找最优解和分形计算时间上具有一定的优势，但是控制参数一般都是经验获得的，如何自适应的
控制这些参数是未来发展的趋势，也是增强压缩和解码质量的一个重要手段，遗传算法与分形结构的结合具有良好的发展前景。
参考文献：
[1]林磊，王晓龙，刘家锋.基于遗传算法的手写体汉字识别系统优化方法的研究[j].计算机研究与发展，2001，38（6）.
[2]刘智明，周激流.基于遗传算法的有效人脸检测法[j].计算机辅助设计与图形学学报，2002，14（10）.
[作者简介]杨云（1982-），女，籍贯：贵州遵义人，单位：贵州省商业学校信息技术教研室，学历：硕士研究生，职称：讲师，研究方向：图形图像处理；杨阳（1981-），男，籍贯：贵州遵义人，单位：贵阳学院数信学院，学历：硕士研究生，职称：讲师，研究方向：计算机科学及数据挖掘。