遗传算法在视觉感知方面的应用Word格式.docx
《遗传算法在视觉感知方面的应用Word格式.docx》由会员分享，可在线阅读，更多相关《遗传算法在视觉感知方面的应用Word格式.docx（9页珍藏版）》请在冰豆网上搜索。
当有光线时，人眼睛能辨别物象本体的明暗。
物象有了明暗的对比，眼睛便能产生视觉的空间深度，看到对象的立体程度。
同时眼睛能识别形状，有助我们辨认物体的形态。
此外，人眼能看到色彩，称为色彩视或色觉。
此四种视觉的能力，是混为一体使用的，作为我们探察与辨别外界数据，建立视觉感知的源头。
1.2视觉的低级感知层次：
（1）视觉系统从外界获取图像，就是在眼睛视网膜上获得周围世界的光学成像；
（2）然后由视觉接收器（杆状体和锥状体在视网膜上作为视觉接收器），将光图像信息转化为视网膜的神经活动电信号；
（3）最后通过视神经纤维，把这些图像信息传送入大脑，由大脑获得图像感知。
1.3视觉的高级感知层次：
（1）大脑对视神经纤维传送来的图像电信号进行分析和理解，通过图像获得对周围世界感知的信息和知识。
（2）人们对大脑的视觉感知，是心理学、神经科学、生物物理学、生物化学研究的重要课题。
（3）部分视觉心理学者的研究，反对视觉将感觉获取外部世界信息和对信息的加工处理截然分开，反对将知觉和思维割裂开来。
（4）认为“思维”的认识活动并不是那些比知觉更高级的其他心理能力的特权，而是知觉本身的基本构成成分。
因此，所谓视知觉，也就是视觉思维。
不是对刺激物的简单复制，而是一种积极的理性活动。
视觉现象包括有视觉对光强，对各种波长、彩色的光谱效应，对物体边缘等空间频率变化的响应，以及视觉对时间瞬时变化运动的响应。
人的视觉过程是从光源发光开始的，光的模式通过场景中的物体反射进入人的视觉感受器官，并同时在左右眼睛的视网膜上引起视感觉。
视觉生理主要是从视觉信息的产生部分——视细胞（图像信息感受器）和其他神经细胞以及大脑高级中枢的神经系统的信息产生、传输和处理的机理。
计算机视觉是指用计算机实现人的视觉功能——对客观世界的三维场景的感知、识别和理解。
计算机视觉的主要研究目标可以归纳成两个，第一个目标是建成计算机系统，完成各种视觉任务，即要使计算机系统借助各种视觉传感器获取场景的图像，而感知和恢复3D环境中物体的几何性质、姿态结构运动感情况、相互位置等，并对客观场景进行识别、描述、解释，进而做出决策，这里主要研究的是技术机理。
1.4人的视觉感知：
我们知道光信号经过物体表面反射，反射能量射入人的视觉系统形成的电脉冲，在人的视觉系统中产生相应的感知，是人们识别图像的基础。
视知觉理论论述的是关于实物世界以及它们作为视觉刺激而产生的反应方式。
我们对人的知觉过程还不太清楚，但可以从视觉的一些感知机理上来研究视觉的形成过程，从而帮助我们来建立图像的自动理解过程。
视觉的感知大体上可以通过以下四个方面来体现：
即亮度感知、色彩感知、空间感知和形状感知。
（1）亮度感知
数字黑白图是以亮度点的集合形式提供给我们的，对于图像中每个孤立的点亮度是反映其特性的唯一形式。
显然对于每一个孤立点的单独研究没有实际意义。
人们是在对整幅图像的明暗变化中，识别出有关目标的信息。
因此，只有从整体目标的亮度感知中才能识别出有意义实体，亮度的差异是识别目标的基本条件。
（2）色彩感知
对于色彩图像，人们通过理论的研究和实验结果，己对颜色的物理本质有了相当的认识和了解。
对于人色觉的产生是一个复杂的过程，但人所感知的色彩主要取决于反射光的特性。
如果物体比较均匀，则人看起来的物体是白色。
如果物体对某些光谱反射的多，则人看起来的物体就呈现相对应的颜色。
区分颜色常用三种基本特性量：
亮度、色调和饱和度。
因此我们可以通过一些颜色模型来获取图像中可识别目标的颜色。
这一点对于彩色图像的识别理解是非常重要的。
（3）空间感知
人的视觉在感知一幅图像时，能够借助于图像中一些被称为深度线索的外部客观条件或自身机体内部条件来帮助判断物体的空间位置，这就是视觉的空间感知特性。
我们对人视觉的空间感知了解的还很少，我们只能从眼睛的聚焦和双眼立体成像等方面来了解获得物体深度的有关线索。
通常我们认为双眼视差是形成立体视觉的主要原因。
然而，单眼也能感知有关的深度信息，对这一点的认识可能更倾向于视觉的经验和学习能力。
（4）形状感知
形状知觉是人们在理解对象目标时对目标的基本感知，事实上当我们在认识物体时首先看到的是物体的轮廓，是轮廓把该物体与视野中的其它部分区分开来。
直观地说，对形状的知觉要求在亮度不同的视野域中有一个线条分明的轮廓。
视觉感知可分为四个主要阶段，每个阶段都是由一些不同的输出表象以及通过输入表象来计算的处理过程所定义的，它们可分别命名为：
基于图像的阶段、基于表面的阶段、基于物体的阶段、基于分类的阶段。
2、遗传算法的简单介绍
2.1遗传算法
遗传算法（GeneticAlgorithm，GA）起源于对生物系统所进行的计算机模拟研究。
在20世纪60年代，美国密西根大学的Holland教授及其学生们受到这种生物模拟技术的启发，创造出了一种基于生物和进化机制的适合于复杂系统优化计算的自适应概率优化技术——遗传算法。
随后，由于实践中复杂系统优化计算问题的大量出现和遗传算法本身的优点，国内外有许多学者对遗传算法进行研究，引起了遗传算法研究的热潮。
2.2遗传算法常用术语
（1）基因（gene）
基因是染色体的一个片段，通常为单个参数的编码值。
例如个体S=10111，则其中的10111这五个元素分别称为基因。
（2）染色体（chromosome）
染色体是携带着基因信息的数据结构，也叫基因串，简称个体，一般表示为二进制位串或整数数组。
（3）种群（population）
个体的几何称为种群，个体是种群中的元素。
（4）种群大小（populationsize）
在种群中个体的数量称为种群的大小，也叫群体规模。
（5）搜索空间（searchspace）
如果问题的解能用N个实值参数集来表示的话，则认为搜索工作是在N维空间进行，这个N维空间称为问题的搜索空间。
（6）适应度（fitness）
反映个体性能的一个数量值，表示某一个体对于生存环境的适应程度，对生存环境适应程度较高的个体将获得更多的繁殖机会，而对生存环境适应程度较低的个体，其繁殖机会就会相对减少，甚至逐渐灭绝。
（7）基因型（genetype）
基因组合的模型叫基因型，它是染色体的内部表现。
（8）表现型（phenotype）
由染色体决定性状的外部表现，或者说，根据基因型形成的个体。
（9）编码（coding）
从表现型到基因型的映射。
（10）解码（decoding）
从基因型到表现型的映射。
遗传算法就是从代表问题的可能潜在解集的一个种群出发，而一个种群则由基因编码的一定数目个体组成。
每个个体其实是染色体带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因的结合，它决定了个体的外部表现形状。
2.3遗传算法基本要素
（1）编码
由于遗传算法不能直接处理空间的数据，因此必须通过编码将它们表示成遗传空间的基因型串结构数据。
基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其基因是由二进制符号{0，1}组成。
（2）初始种群的产生
由于遗传算法的群体操作需要，所以进化开始前必须准备一个由若干初始解组成的初始群体。
（3）遗传算子
基本遗传算法使用三种遗传算子：
A、选择运算：
以一定概率从种群中选择若干个体的操作。
选择运算的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代繁殖后代子孙。
判断个体优劣的准则是个体的适应度值。
选择运算模拟了达尔文适者生存、优胜劣汰原则，个体适应度越高，被选择的机会也就越多。
B、交叉运算：
两个染色体之间通过交叉而重组成新的染色体。
交叉运算相当于生物进化过程中的有性繁殖的基因重组过程。
C、变异运算:
染色体的某一基因发生变化，产生新的染色体，表现出新的性状。
变异运算模拟了生物进化过程中的基因突变方法，将某个基因上的基因变异为其等位基因。
（4）终止条件
终止条件就是遗传进化结束的条件。
基本遗传算法的终止条件可以是最大进化代数或最优解所需满足的精度。
（5）运行参数
基本遗传算法主要有群体规模n、交叉概率pc、变异概率pm。
2.4标准遗传算法及流程图
（1）群体初始化：
生成一定规模的初始染色体集合P，开始时P中每个个体都是随机生成。
（2）计算个体适应值：
群体中的每个个体根据其最优化任务赋予一个称为适应值的数量值。
（3）选择：
根据每个个体的适应值和选择原则进行选择复制操作。
在此过程中，低适应值的个体将从群体中去除，高适应值的个体将被复制，其目的是使得搜索朝着搜索空间的解空间靠近。
（4）交叉：
根据交叉原则和交叉概率进行双亲结合以产生后代。
（5）变异：
根据变异原则和变异概率，对个体编码中的部分信息实施变异，从而产生新的个体。
（6）判断终止条件到否，若否转至
（2），否则执行（7）。
（7）输出：
最后，群体中的最好个体或整个演化过程中的最好个体作为遗传算法的解输出。
图2.1标准遗传算法流程图
2.5标准遗传算法有关参数的确定
（1）群体规模n
群体规模影响遗传优化的最终结果，以及遗传算法的执行效率，当群体规模太小时，遗传算法的优化性能一般不会太好，而采用较大的群体规模可以减少遗传算法陷入局部最优解的机会，但较大规模，意味着计算机复杂度提高。
一般n=50~200较好。
（2）交叉概率pc
交叉概率pc控制着交叉操作被使用的频度，较大的交叉概率可增强遗传算法开辟新的搜索区域的能力，但高性能的模式遭破坏的可能性较大；
若选用交叉概率太低，遗传算法搜索可能陷入迟钝状态，一般选取概率为0.4~0.9。
（3）变异概率pm
变异在遗传算法中属于辅助性搜索操作，其主要目的是增强遗传算法的局部搜索能力，低频度的变异率可防止群体中重要的单一的基因可能丢失，高频度变异将使遗传算法趋于纯粹的随机搜索，通常取变异概率pm=0.001~0.1。
2.6标准遗传算法的应用
遗传算法提供了一个求解问题的通用框架，不依赖于具体的问题，因此被广泛应用于众多领域：
（1）优化：
遗传算法可用于各种优化问题。
既包括数量优化问题，也包括组合优化问题。
（2）人工智能：
许多研究工作者利用遗传算法这种新的技术从事机器学习、自动程序设计、聚类分析、博弈对策等工作。
在知识工程方面，遗传算法发挥越来越重要的作用。
（3）经济学：
应用遗传算法对经济创新的过程建立模型，可以研究投标的策略，还可以建立市场竞争的模型。
（4）免疫系统：
应用遗传算法可以对自然界中免疫系统的多个方面建立模型，研究个体的生命过程中的突变现象以及发掘进化过程中的基因资源。
（5）生态学：
遗传算法可以应用于对生态学的一些现象进行建模，包括生物间的生存竞争，宿主——寄生物的共同进化，共生现象。
（6）进化现象和学习现象：
遗传算法可以用来研究个体是如何学习生存技巧的，一个物种的进化对其他物种会产生何种影响等等。
（7）综合应用：
目前，遗传算法和其他技术手段相结合，各自发挥特长，综合解决问题。
3、遗传算法在视觉感知方面的应用：
本文介绍一种基于视觉感知特性的多聚焦图像融合算法，该算法在对待融合的多聚焦图像进行RGB分块分解的基础上，采用视觉对比度模型以确定融合后图像的选取准则。
为了获得最佳图像融合效果，采用免疫遗传算法以指导图像分块，标准熵和标准偏差作为评价图像融合质量的标准。
图像质量以及与之有关的成像系统的性能和图像处理的效果等通常都要靠视觉系统来评判，如果在图像融合等图像处理技术中考虑视觉特性，势必会大大提高图像处理的效率，改善图像的主观视觉质量。
人眼对于图像的对比度变化十分敏感,因此根据对比度敏感门限与背景亮度成正比这一关系，提出了一种衡量图像块均匀度的测度，作为判决目标清晰的依据，以有助于分析目标聚焦模糊与目标聚焦清晰之间的成像差异。
对于大小为m×
n的单色图像M，其均匀度参数为
（1）
式中
——M灰度的均值
——第（i,j）像素位的灰度值
该均匀度参数模拟人眼的视觉特性，突出了图像的对比度信息，以达到良好的视觉效果。
它利用视觉敏感度来测量图像子块内信号变化的可见度，提高了分割过程与视觉系统的匹配程度。
根据上述人眼视觉特性中定义的均匀度参数，就可以比较准确地判定多聚焦图像中的清晰目标和模糊目标。
基于视觉对比度算法的关键是确定合适的分块数目，以获取最佳融合效果，本文选取免疫遗传算法以确定最佳图像分块。
生物免疫系统的主要作用是产生抗体用于对付和消除外来抗原。
对于基于视觉感知特性的图像融合问题来说，最佳抗体对应于图像最佳分块数，获取最佳融合图像的过程对应于免疫系统寻找最佳抗体的过程。
本文分别选取图像标准熵与标准偏差作为免疫遗传算法的亲和度函数，将随机选取的初始分块值作为抗原，利用免疫遗传算法可以确定最佳分块数。
免疫遗传算法的主要步骤如图3.1所示。
图3.1免疫遗传算法
如图3.2所示，多聚焦图像融合算法步骤为：
（1）将2幅严格配准的彩色三维多聚焦图像C和D分别按R、G、B三通道分解成若干大小为m×
n的像素子块。
设CN和DN分别表示单色图像C和D的第N个子块。
图3.2基于视觉识别特性的图像融合算法
（2）按照式
（1）计算出每个彩色通道中每个子块的均匀度参数。
设
和
分别为子块CN和DN的均匀度参数。
（3）比较2幅图像中对应子块间的均匀度参数，均匀度参数值较大的子块被保留作为融合图像相应子块
式中FN——融合图像第N个子块
（4）对所有的图像子块按R、G、B三通道进行上述合并操作，即在彩色空间中叠加后就得到了一幅彩色融合图。
本文提出了一种基于视觉感知特性的多聚焦图像融合算法。
利用视觉识别系统对对比度大的图像敏感的特性，选用视觉对比度作为选择待融合图像子块的依据。
同时利用免疫遗传算法适于快速寻优的特性，分别选用标准熵和标准偏差作为免疫遗传算法的亲和度函数。
利用免疫遗传算法很好地解决了融合图像子块寻优的问题，而后将所获得的图像子块进行重构以获得最佳融合图像。
从实验效果看，本文所提出的融合算法能够达到快速融合的目的，适用于解决多聚焦图像快速融合问题。
升级会员 