遗传算法在图像处理中的应用
遗传算法遗传算法
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
人工智能控制技术课件：图像处理案例
脸、矿石分拣中矿石等都是目标或前景。目标通常对应于图像中特定的、具有
独特性质的区域。为了更好识别和分析目标，我们就需要将与目标有关的区域
分离出来，排除背景区域的干扰，以便在此基础上对目标进行特征提取或测量
等。
图像边缘能够反映图像的结构特征信息，并将图像分成不同区域，因此图像边
《人工智能控制技术》
图像优化处理实例
图像处理概述
图像处理技术属于模式识别和优化控制的交叉，许多图像处理算法都用到优化
算法，特别是处理对象特征对比不明显图像，对优化控制的要求更加提高。本
章以图像分割为例，采用遗传算法和粒子群算法对图像进行优化处理，给出了
完成的处理过程，说明进化算法在优化控制中的应用。
原始图
灰度直方图
基于阈值的分割方法
利用灰度直方图当中 [width,height]=size(I);
谷点的灰度值作为全 for i=1:width
局阈值，对图像进行 for j=1:height
分割，就可以实现分
if (I(i,j)>140)
效地改善了分割效果。图像分割是图像处理、模式识别和人工智能等多个领域中一个十
分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图像分割
结果的好坏直接影响对计算机视觉中的图像理解。
图像分割技术介绍
阈值分割技术是最经典和流行的图像
分割方法之一，也是最简单的一种图
像分割方法。此方法的关键在于寻找
法。
基于阈值的分割方法
基于阈值的图像分割方法，其思路在于提取物体与
背景在灰度上的差异，把图像分为具有不同灰度级
基于遗传算法实现数字图像边缘检测
Ｅｄ ｅ Ｄ ｅ ｅ ｔｏ ｃ ｎｉ ｕ ｓ ｄ ｏ ｅ ｅ ｉ ｇ ｒｔ ｇ ｔ ｃ ｉ ｎ Ｔｅ ｈ ｑ ｅ Ｂａ ｅ ｎ Ｇ ｎ ｔｃＡｌ ｏ ｉｈｍ
Ｗ ｕ Ｘｉ ｏ ｉ Ｚｈ ｎ ｎ ａｌ ｎ ａ ｇ Ｄｏ ｇ
（ ｉ ９ ，Ｎｏ ９ ９ １ Ｔｒ ｏ ｓ ｏ Ｕｎ ｔ ６ ． ２ ４ ｏ ｐ ｆ ＰＬＡ ，Ｈ ｕ ｕ ａ １ ５ ０ ） ｌｄ ｏ ２ ０ １
吴晓琳等 ： 于遗传算法实 现数字 图像边缘检测 基
总第 ２ ７ ０ 期
２ ２ 适应度 的计 算 ． 适 应度 函数 相 当于现实 生物 界进 化 的环 境 ， 它 直 接地 影响生 物进 化 的结果 ， 以适 应 度 函数 的设 所
计 十分 重要 。文 中所 处 理 的 染 色体 是 一 些 二值 化
总第 ２ ７ ０ 期 ２１ ０ １年第 ９ 期
舰 船 电 子 工 程
Ｓ ｉ ｅ ｔ ｏ ｉ ｇ ｎ ｅ ｉｇ ｈ ｐ Ｅｌｃ ｒ ｎ ｃ Ｅｎ ｉ ｅ ｒｎ
Ｖｏ． １Ｎｏ ９ １３ ．
１ １７
基 于 遗 传 算 法 实现 数 字 图像 边 缘 检 测
吴 晓琳
（２ ４ 部 队 ９ ９９１ ６分队
１引 言
图像 最 基本 的特 征 就是边 缘 ， 谓边 缘 是 指 图 所
像 中像 素 灰 度 有 突 变 的
主
终产 生符 合要求 的结果边 缘 图像 。 那 些 像 素 的 集 合 ， 图 是 像 的一个 基 本 特 征 ， 通
过 边缘 检 测 可 以 大 大 减 ２ １ 初始 化子 群 ．
各代 价 因子 的值 由决 策数 来决 定 ， 面 给 出某 下
像素 点 Ｌ的代价 因子 决策数 。
基于Hausdorff距离和遗传算法的图像配准方法研究的开题报告
基于Hausdorff距离和遗传算法的图像配准方法研究的开题报告一、研究背景及意义图像配准（image registration）是指将两幅或多幅图像进行空间变换，以实现不同图像间几何位置的相对对应。
它在医学影像诊断、视频监控、数字图像处理等领域都有着广泛的应用。
其中，通过计算图像之间的相似度来进行图像配准是一种常见的方法。
目前，基于Hausdorff距离计算的图像配准方法被广泛应用，它可以快速准确地计算出两幅图像间的相似程度，但其存在的缺陷是只能得到全局的匹配结果，难以对局部信息进行精细调整。
因此，如何提升图像配准效果，使其能够更好地适应于特定的应用场景，一直是图像配准领域的研究热点。
本研究旨在探究基于Hausdorff距离和遗传算法的图像配准方法，以提高图像配准的精度和效率，实现更广泛的应用。
二、研究内容1. 国内外研究现状分析对于基于Hausdorff距离的图像配准方法，国内外学者已经进行了大量的研究。
通过对文献的综述和分析，掌握当前研究的进展和不足，引出本研究的创新点和意义。
2. 遗传算法在图像配准中的应用介绍遗传算法的基本原理和产生的背景，重点讨论遗传算法在图像配准中的应用。
分析其优缺点，总结现有算法的应用效果和存在的问题。
3. 基于Hausdorff距离和遗传算法的图像配准模型研究本研究将基于Hausdorff距离和遗传算法，提出一种新的图像配准模型。
通过对模型的详细设计和实现，探究其最优解的求解方法。
4. 模型测试与分析使用多组图像测试数据，对本研究提出的图像配准模型进行性能测试，并与其他图像配准方法进行比较。
分析测试结果，验证模型的有效性和可行性。
三、预期目标本研究旨在提出一种基于Hausdorff距离和遗传算法的图像配准模型，并实现模型的性能测试与分析。
预期达到以下目标：1. 通过对图像配准领域的深入研究，掌握常见的图像配准方法及其局限性。
2. 理论分析遗传算法在图像配准中的优势和适用条件。
基于混合遗传算法的图像分割识别方法
基于 Ｏ ｓ ， ｔ ｕ法 遗传算 法和混合遗传算 法进行 图像分割的阈值及运 算 时间如下表所示。 表 １ 图像阈值及运行 时间
Ｏｔ ｓ ｕ法
实 验 次数
Ｇ Ａ法 阈值 时间
（ ｓ ｍ）
ｌ４ ２ １ ．Ｏ ３５ ６
混合 Ｇ Ａ法 阈值 时间
科技信息
博士 ・ 家论 坛 专
基于混合遗传算 法硇图像分割 识别方法
安徽 科技 学院数 学 系 张 建华
［ 摘 要］ 本文基于遗传算法（ Ａ） Ｇ 与共轭梯 度法（ Ｇ） 出了一种混合算法 ， ｃ ， 提 将其用 于图像分割 问题 寻求最佳阈值 ， 该方法具有遗 传算法的全局搜 索能力和共轭梯度 法的强大局部搜 索的特 点。试验结果表 明， 新算 法具有快速收敛性和全局最优性 。 ［ 关键词 ］ 图像 分割 遗传算法 阈值 共轭梯度法
（ ） ｍｓ
１３ ２ １ ．０ ０１ ６
阈值
时间
ｍ） ｓ
（） ２ 根据适应值函数的定义 ， 计算各个体 的适应值 ； （） ３ 根据染色体的比例信息选择父代 ； （） ４ 以一点交换 和两点相结合 ， 固定 Ｐ 和 自适 应 Ｐ 相结合 的方法 ， 。 对 随机选 出的 ２个个体进行交换操作 ； （） ５ 以普通变异和大变异相结 合 ， 固定 Ｐ 自适应 Ｐ 和 相结合的方 法对每一个个体进行变异运算 ； （） ６若满足则停止准则 ， 得到全局最优解， 算法收敛 ， ， 否则 则转（ ） ２。
０ 引 言 ．
图像分割是 图像处理领域 中的基本问题之一 ，也是 自动 目标识别 技术 （ ｒ 中的一项关键技术 ， 目标特征 提取 、 ＡＩ １ Ｒ） 是 测量 、 识别与跟踪 的 基础 ， 在遥感卫星 图像分析 ， 机械 自动化 ， 医学 ， 军事等方面得 到广泛的
Hausdorff距离在图像匹配中的应用
！墨垡皇ｉ垫查！墨ＱＱ圣±蔓旦塑整蔓！兰Ｑ塑：Ｉ团岛圈墨髓＾…ｆ４．曰、：土§Ｊ。
ｒ小，¨的外部点被剔除。
同时参数ｆ也影响着计算速度，因此钆ＴＳ似徊卜击蚤姒口）（。
㈤塞篡薹主蓍慧雾慧？地肭耕鞑威毗其中参数Ⅳ同部分ＨＤ中的志相似，表示＾×Ⅳ＾，＾是一个给定的分数＾∈［ｏ，１］，Ｎ＾表示集合Ａ中点的个数。
如（口）（１）表示序列（如（口）（１）≤如（口）。
，≤…≤如Ｑ）。
Ⅳ．，）中的第ｉ个距离值。
可见＾ＬＴｓ（Ａ，曰）是将大的距离值剔除后，再对保留下来的距离值求平均。
所以，即使目标被遮掩或因噪声而退化，这种匹配方法也能产生较好结果。
因为在距离序列（如（拉）㈣≤如（口）。
∞≤…≤如（口）ｃⅣ．，）中，大的距离值通常是从外部点计算得到的，所以，在实验中，我们用可以剔除外部点的代价函数来代替欧几里德距离范数。
有向距离ｂ（Ａ，曰）定义为：１旦＾（Ａ，曰）一吉∑ＩＤ（ｄ口（口））（订（５）代价函数Ｐ是凸的对称函数，而且在零点有唯一的一个最小值。
在实验中，采用的代价函数ｌＤ定义为：ｆＩ引，ＩｚＩ≤ｒＰ∽净Ｉｒ，…＞ｒＩｒ，Ｊｚｌ＞ｒ其中ｒ是用来剔除外部点的域值，因此产生较大距离３实验结果图１（ａ）为一幅１６０×１６０像素的灰度图像，图中的多边形物体为目标图像，它被圆形、三角形等物体所遮掩。
图１（ｂ）为用于匹配的多边形的模板。
图１（ｃ）为图１（ａ）经过边缘检测等预处理后的二值化边缘图像，图１（ｄ）为图１（ｂ）的二值化边缘图像。
图ｌ（ｅ）为采用改进的Ｈａｕｓｄｏｒｆｆ距离作为度量，图１（ｃ）与图１（ｄ）的匹配结果，所保留窗口的中心即为目标中心，可以看到匹配结果是正确的。
图１（ｆ）为采用基于点点对应的传统的匹配算法，图１（ｃ）与图１（ｄ）的匹配结果，可以看到匹配结果有误。
在实验中，因为在改进的Ｈａｕｓｄｏｒｆｆ距离中嵌入了求平均运算，所以比部分ＨＤ得到更加准确的匹配位置；因为有效地剔除了外部点，所以它们得到比ＭＨＤ更好的结果。
遗传算法在图像边缘检测中的应用
３ ６
遗传算法在图像边缘检测 中的应用
２ ． ∞２ ３ 总第 ７ ０期
遗传 算 法在 图像边 缘检 测 中的应 用 。
张 东 郁 勇 吴晓琳
（ 海军工程大学电子工 程学院 ， 南京 ２ １０ 海 军 ９９ １ １８０ ２４ 部队 ， 葫芦 岛，２０ １ １５０ ）
４突然变异 ： 、 根据所确定的突然变异概率和突然变异的方法 ， 对每个个体选择遗传子座值与其相对立的
遗传 因子加 以替 代 ， 在返 回第 ２ 。从 第 ２ 至第 ４步 为遗传 过程 的一个运 行周期 ， 步 步 即一 代 。
摘
要
本 文提出了一种用遗传 算法来 进行边 缘检测 的方 法， 文中先介 绍 了遗 传算 法的基 本原 理和算 法步
边缘检测 适应度 交叉 突然 变异
骤， 然后将其应用 到图像边 缘检 测中去 ， 并在实验中取 得了较好 的效果 。 关键 词 遗传算法
Ｅｄ ｅＤｅｅ ｔ ｎ ｕｓ ｇ Ｇａ ｃ Ａｌ ｏ ｉ ｍ￣ ｇ ｔｃ ｉ ｉ ｏ ｎ ｇ ｒｔ ｈ
・ 来稿 日期 ：０２—２—１ ２Ｏ ６
维普资讯
２０ ３ ０ ２．
总第 ７ Ｏ期
海 军 工 程 大 学 电 子 工 程 学 院 学 报 Ｈ Ｉ Ｎ Ｇ ＧＭ Ｅ Ｇ Ｄ Ｘ Ｅ ＤＡＮ ＩＧ Ｎ Ｃ Ｅ Ｇ Ｘ Ｅ Ｕ ＮＸ Ｅ Ａ Ａｊ ＯＮ Ｃ Ｎ Ａ Ｕ Ｉ Ｚ Ｏ Ｃ Ｈ Ｎ Ｕ Ｙ Ａ Ｕ Ｂ Ｏ Ｕ
（ ａｙＵ ｉ９９ １ ｕ ｄｏ ｉ ｎ ｇ ２０ １ Ｎｖ ｎ ２４ ，Ｈ ｌ ａ，Ｌａ ｉ ，１５０ ） ｔ ｕ ｏｎ
Ａ 喇 ：Ａ ｅ ｔｏ ｓｐ ｅｅ ｔｄ ｆｒ Ｉ ｄ ｔ ｔ ｎ ｂ ｓ ｄ ｏ ｅ ｅｉ ｎ ｗ ｍｅｈ ｄ ｉ ｒｓ ｎｅ ｏ ｅｅ ｉ ａ ｅ ｎ ｇ ｎ ｔ ｃｏ ｃ ｔ ． ｝ 助ｓ ｔｅ ｒ ｎ ｌｏｉ ｍｉ ｐ ｏ ｅ ｓ ｈ ｏｙ ａ ｄ ａｇ ｒ ｈ ｃ ｒｃ ｓ ｔ
遗传算法的应用
遗传算法提供 了一种求解复杂 系统优 化问题 的通 用框架 ，它不依 赖 于问题的具体领域 ，对问题的种类有很强的鲁棒性。所以 ，广泛应 用于很多学科。下 面是 目前遗传算法的主要应用领域：
１ 、函数 优 化
工程上经常会遇到在 多准则或多设计 目 标下设计 和决策的问题 ， 如果这些 目标是相 背的，需要找到满足这 些 目 标 的最 佳设计方案。通 常的做法是根据某有效函数将多 目标合成单一 目标来进行优化。
另 Ｊ 『 ） 、图像恢复 、图像边缘 特征提取等方而得到了很好的应用。
７ 、人 工生 命
函数优化是遗传算法 的经典应用领域 ，也是对遗传算法进行性 能 评价 的常用算 例。很 多人 构造 出了各种各样 的复 杂形 式的测 试函数 。 有连续 函数也有离散 函数 ， 有 凸函数也有 凹函数 ，有低维 函数也有 高 维 函数 ，有 确定 函数也有 随机 函数 ，有单 峰值 函数 也有多 峰值 函数 等 。用这些几何特性各具特 色的函数来评 价遗传算法 的性能 ，更能反 映算法 的本质效果而对于一些非线性 、多模型 、多 目 标 的函数优化 问 题 ，用其他优化方法较难求解 。而遗传算法却可 以方便地得到较好 的
４ 、 自动控制
、
遗传 算Байду номын сангаас的原理
遗 传算 法是模 拟达尔文的生物 自然选择学说和 自然界 的生物进化 过程 的一种 自 适应全局概率搜索算法 。在解决具体 问题时先大致确定 问题 的潜在解的一个集合 ，这个集合就是算法 的初始种群 。种群 由计 算机生成 （ 一般是随机生成 ） 的一定数 目的个体组成 ，个体就是潜在 解的计算机编码 ，那么我们最后要求的解就 南这些初始生成 的个体进 化而来。每个个体具有其 自 的特征 （ 携带不 同基 因 ），我们根据这些 个体的不同的特征来确定其存活到下一代的可能性高低 ，按照优胜劣 汰的法则 ，我们由父代来产生子代 ，如此来繁衍 。 当然在具体 的进 化过程中为了保持种群多样性防止过早收敛 ，还 要在其中使个体以一定小概率发生变异。这样在最后满足收敛条件后 的种 群最优个体就是问题的近似最优解。遗传算法的实现过程主要包 括编码 、产生群体 、 计算适应度、复制 、交换 、变异等操作 。 ＝、遗传算法的应 用
- 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)。
课 程： 新技术讲座 题 目：遗传算法在图像处理中的应用
姓 名：
学 号： 1
目录 摘要 .............................................................................................. 2 1.引言 ........................................................................................... 3 2.遗传算法的基本原理和基本性质 .......................................... 3 3.遗传算法在图像处理中的应用 .............................................. 5 3.1在图像增强中的应用 ...................................................... 5 3.2在图像恢复中的应用 ...................................................... 6 3.3在图像分割中的应用 ...................................................... 7 3.4在图像压缩中的应用 ...................................................... 8 3.5在图像匹配中的应用 ...................................................... 9 4.遗传算法在图像处理中的问题及发展方向 ....................... 10 参考文献 .................................................................................... 10 2
遗传算法在图像处理中的应用 摘要 遗传算法是一种模拟生命进化机制，基于生物自然选择与遗传机理的随机搜索与优化方法。近几年来，遗传算法广泛应用在生物信息学、系统发生学、计算科学、工程学、经济学、化学、制造、数学、物理、药物测量学和其他领域之中，这种算法得到快速发展，尤其是在计算机科学人工智能领域中。本文将在系统并且深入的介绍遗传算法基本理论的基础上，重点综述遗传算法在数字图像处理中的主要应用，深入研究目前遗传算法在图像处理领域中存在的问题，并对这些问题作出了一些个人的见解，阐述了遗传算法在图像处理应用的发展方向。
关键词 ：遗传算法，数字图像处理
Abstract Genetic Algorithm is a simulation of the life evolution mechanism, random search and optimization method which is based on the natural selection and genetic mechanism.In recent years,due to the enormous potential of solving complex optimization problems and the successful applications in the industrial field,the Genetic Algorithm developed rapidly, Especially in the field of artificial intelligence in computer science. This article not only describes the basic theoretical foundation of genetic algorithms,but also focus on Genetic Algorithm in digital image processing.Moreover,it studies the problems of the Genetic Algorithm in the field of image processing and the direction of development in the future，Moreover, the author elaborates the personal opinion in the end.
keyword ：Genetic Algorithm, Digital image processing 3
1.引言 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。尤其是对研究智能领域的人来说，遗传算法的身影更是无处不在，在智能传感，机器学习，模式识别，计算智能，图像理解等课程中，对遗传算法在各个领域的应用都有所提及。 图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。 常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。图像处理是计算机视觉中德一个重要研究领域，然而，在图像处理过程中，如扫描、特征提取、图像分割等不可避免地会存在一些误差，从而影响图像的效果。于是，研究者就开始探索怎么样才能使这些误差最小从而使计算机视觉达到实用化的重要要求，最终，遗传算法凭借其在这些图像处理中的优化计算方面独特的优势成为各种算法的佼佼者，得到了广泛的应用。
2.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下图所示。 4
由上图可知，遗传算法模拟了自然选择和遗传进化中发生的繁殖、交配和突变现象，从任意一个初始种群出发，通过随机选择、交叉和变异操作，产生新的更适应环境的个体，使群体进化到搜索空间中越来越好的区域。这样一代一代不断繁殖、进化，最后收敛到一群最适应环境的个体上，求得问题的最优解。遗传算法对于复杂的优化问题无需建模和复杂运算，只要利用遗传算法的三种算子就能得到最优解。 GA把问题的解表示成染色体（也称串），GA的求解步骤如下： （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。 5
GA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）GA 是对参数编码进行操作, 而非对参数本身, 减少约束条件的限制, 如连续性、可导性、单峰性等。 （2）GA 是多点搜索, 减少了陷于局部优解的风险。 （3）GA 仅用适应度函数来指导搜索, 不需要其他推导和附加信息, 对问题依赖性小。 （4） GA 的寻优规则是概率性的而非确定性的。 研究者们在应用GA 过程中也不断研究改进GA的性能，使GA更能满足时代的需要，比如在选择策略中提出了精英选择、稳态选择和竞争选择等新的机制; 在变异环节提出了两点、多点和一致变异作为传统一点变异的改进和补充; 在编码环节中应用格雷码和动态编码等克服传统二进制编码和定点十进制整数编码所就带来的问题; 此外, 还提出自适应技术动态改变GA 控制参数, 克服采取传统的静态控制参数策略引起的多样性和收敛性不均衡问题, 以及用梯度方法、单纯型法或模拟退火方法精细调整的混合GA, 以提高算法的收敛速度; 用均匀分布的初始群体代替随机产生的初始种群; 研究了分布式GA、迁徙GA 和并行GA等, 进一步推动了GA 的发展。
3.遗传算法在图像处理中的应用
3.1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