自适应遗传算法优化图像增强方法研究

杨 洋

(安徽理工大学 电气与信息工程学院， 安徽 淮南 232000)

变电站中红外图像在检测设备缺陷方面有着重要作用，为了利于计算机进行后续的分析处理，红外成像设备获得的红外图像需要转化成更简单的灰度图像，转化后的灰度图像往往存在对比度差的问题，因此对灰度图像的增强处理至关重要[1]。

根据增强处理过程所在的空间不同，图像增强方法可分为频域法和空域法[2]。频域法属于间接增强方法，是通过对图像的傅里叶变换进行修改从而得到增强图像的一种方法，缺点是计算量较大且需要人工干预的地方较多。空域法针对像素层进行处理，是一种直接增强方法。空域法中分段灰度变换法算法简单，可以有效突出感兴趣的目标抑制不感兴趣的灰度区间，变换函数可以任意合成，是图像增强中的常用方法。三段线性变换的关键是如何确定转折点以及分段直线斜率，在传统的三分段线性变换法中，多采用人工试凑的方式来确定分段点的位置[3]，这种方法显然不具有自适应性，难以达到最佳的增强效果。

本文使用了自适应遗传算法来确定分段线性变换的分段点参数，在基本遗传算法的基础上，通过改进的自适应遗传算法自动选择分段线性变换的的转折点和分段直线斜率，实现图像增强处理。

1 自适应遗传算法的图像增强方法

1.1 图像的三段线性变换

图像的灰度变换是指依照变换函数逐点改变源图像中每一个像素灰度值从而达到某种目标条件的方法[4]。用数学表达式可以表示为

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

(1)

式中:f(x,y)为源图像灰度函数；T为变换函数；g(x,y)为输出图像函数。分段线性变换能够增强图像的对比度，突出图像中感兴趣的区域，有效解决采集图像质量较差的问题[5]，是常用的灰度变换法之一。本文使用的三段线性变换法的数学表达式为：

(2)

根据式中对各灰度区间的压缩或扩展，可以获得图像如图1所示。

图1 三段线性变换

图1中，对转折点(a,c)和(b,d)的位置之间灰度区间进行了拉伸，拉伸的比例依据分段直线的斜率大小，由此控制参数a、c和b、d是实现图像增强的关键。为了更快更精确的获得a、c和b、d的值，选择自适应遗传算法来实现这一功能。

1.2 自适应遗传算法

遗传算法是根据自然界生物进化理论而形成的搜寻最优解的算法，能够有效解决较为复杂的组合优化问题，在各个领域被广泛应用[6]。但在进化过程中，由于交叉概率PC与变异概率PM恒定不变，导致算法的收敛速度和自适应性受到限制，无法达到理想效果。

本文采用动态自适应遗传算法，遗传参数PC和PM可以根据种群中个体适应度不同适当调整，解决了基本遗传算法的限制难题，可以更加快速更加准确地找出三段线性变换中的最佳参数，增强了算法中的种群多样性，防止早熟现象的出现。

2 算法设计与实现

自适应遗传算法在工作流程上与基本遗传算法不同，在交叉算子和变异算子的设计中加入了自适应操作，基本流程如图2所示。

图2 自适应遗传算法流程图

2.1 编码设计

要优化的参数为a、b、c、d，设置自变量长度为30，采用二进制编码。

2.2 适应度函数的设计

采用图像信息熵作为图像质量评估函数。将图像信息熵作为适应度函数，可以有效反映出图像信息量的大小，信息量越大图像质量越好[7]。根据输入图像的原始灰度图像，其信息熵为

(3)

式中：pi是第i个区间中像素点灰度值的概率。

2.3 遗传算子设计

(1)选择算子

选择算子采用轮盘赌与保留最佳个体相结合的方法。根据个体适应度的大小决定个体进入下一代的概率，并将当前代中最优个体放入下一代中，得到强生命力个体的新种群，避免在选择过程中，最优个体的无意流失。

(2)交叉算子

(4)

(3)变异算子

变异操作采用二进制取反变异法，即对个体编码串上的一个或多个基因座上的基因值作取反运算，简单易于操作。

(4)遗传参数的自适应改进

为了实现交叉算子和变异算子的自适应调整，交叉概率依公式(5)自适应变化,变异概率依公式(6)自适应变化,其中PC是交叉概率,PM是变异概率。

(5)

(6)

式中：gmax为在种群进化的每一代中最优的个体的最大适应度值；ga为群体每一代个体适应度值的平均值；g,为两个交叉个体适应度值中的较大值；g为群体中被选中进行变异个体的适应度值。算法中k1、k2、k3、k4的值在(0，1)范围中选择即可。

2.4 算法结束条件

当连续多代群体的最优适应度函数值保持不变或者变化不大时，或者当算法的迭代次数到达最大进化代数时，算法结束。

3 仿真实验

3.1 图像增强效果分析

为了检验基于自适应遗传算法的增强效果，在Matlab R2018a的仿真环境下对实验图像“lena”进行增强效果评估。使用本文算法对图像进行增强，得到的增强效果如图3所示。

图3 实验图像lena增强前后的效果

图3中原图像的视觉效果偏暗，对比度较低。在利用自适应遗传算法对分段线性变换的参数进行优化后，得到的图像曝光明显增强，对比度较强，主次也比较清楚，图像的质量明显提升。

目标函数的迭代过程如图4所示，最大值终止代数在10左右，算法收敛迅速。

图4 目标函数迭代过程图

为了定量的评估图像增强效果，本文采用图像的均值、标准差、信息熵来反映其明暗度、对比度以及信息量。所有算法图像的评价标准如表1所示。

表1 不同算法的评价标准

从表1中的数据可以看出：与原始图像和其他图像增强方法相比，算法处理后的图像标准差和均值均最大，说明其视觉效果更亮且对比度最强。

3.2 本文算法性能分析

为了更好比较自适应遗传算法和基本遗传算法在优化目标参数方面的性能，使用平均进化代数和平均运行时间来作为评价指标[8],实验对象是网上自采集图像，最大迭代次数为120。两种算法的性能对比如表2所示。由表2可以看出，使用的自适应遗传算法在收敛速度和全局收敛方面的性能要明显优于基本遗传算法。

表2 遗传算法的性能对比

4 结 语

提出了利用自适应遗传算法对三段线性变换参数进行自适应确定，有效地提升算法的收敛速度和精度，避免早熟现象，且图像的对比度更强，图像更亮，具有一定的应用价值。