改进遗传算法在图像恢复中的应用研究

摘要

图像在形成、传输和记录过程中，由于受到各个方面的影响，不可避免地造成图像质量的退化，而在很多的应用领域却是需要清晰的、高质量的图像，因此，研究图像恢复具有很重要的现实意义。
　　遗传算法是一种基于生物自然选择和遗传机理的随机搜索优化方法，能在搜索空间中同时进行多点求解，不依赖梯度信息，适用于处理传统算法难以解决的非线性问题，具有简单、鲁棒性好和自适应的突出优点。将其引入到图像恢复领域，可以较好地解决图像恢复的计算复杂度高、计算时间长等问题。
　　本文讨论了遗传算法、图像恢复的相关理论，针对遗传算法本身存在的过早收敛问题，提出一种改进遗传算法，采用预处理初始化群体和随机加扰的方法，保持了种群的多样性，通过对选择、交叉和变异三个基本操作进行改善，辅以加入成熟算法，提高遗传算法的搜索性能，有效提升图像恢复的质量。经实验证明，该算法对图像恢复的质量效果较好，是一种鲁棒性较强的算法。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 图像恢复的研究现状

1．3 研究目标和主要内容

2 图像恢复的基本原理

2．1 图像恢复的基本概念

2．2 图像恢复过程模型

2．3 经典的图像恢复方法

2．3．1 维纳滤波法

2．3．2 Lucy-Richardson滤波法

2．3．3 盲去卷积法

2．4 噪声模型及去噪方法

2．4．1 高斯噪声模型

2．4．2 瑞利噪声模型

2．4．3 脉冲噪声模型

2．4．4 常用的去噪方法

2．5 图像恢复质量评估

3 遗传算法

3．1 遗传算法的基本概念

3．2 遗传算法的操作步骤

3．2．1 编码

3．2．2 初始化群体

3．2．3 确定适应度函数

3．2．4 遗传算子

3．2．5 选择控制参数

3．2．6 停止条件

3．2．7 基本流程

3．3 遗传算法的数学理论

3．3．1 模式定理

3．3．2 隐含并行性

3．3．3 欺骗问题

3．3．4 收敛性

4 改进遗传算法在图像恢复中的应用

4．1 遗传算法用于图像恢复的优劣

4．2 标准遗传算法用于图像恢复

4．2．1 实数编码

4．2．2 个体适应度函数

4．2．3 遗传算子

4．2．4 参数设置

4．3 基于改进遗传算法的图像恢复方法

4．3．1 预处理初始化种群

4．3．2 组合选择

4．3．3 均匀块状交叉

4．3．4 均值块状变异

4．3．5 动态调整机制

5 实验分析

5．1 软件设计

5．2 仿真实验

5．2．1 高斯噪化图像的恢复

5．2．2 运动模糊图像的恢复

5．2．3 随机噪声模糊图像的恢复

5．2．4 实际模糊图像的恢复

5．3 结论

6 总结与展望

6．1 总结

6．2 展望

参考文献

攻读硕士学位期间发表论文

致谢