遗传算法及其在影像处理与分析中的应用
摘要:在遥感图像处理与分析中,优化问题大多可以转化为实现自动化和智能
化水平,提高优化技术,一直是摄影测量和遥感工作者追求的目标。本文针对这
方面的一些新尝试,将智能科学领域的最新优化技术引入到优化问题求解中,并
对一些具体问题和方法提出了新的思路。
关键词:遗传算法;影像处理;分析
1 前言
遗传算法在边界搜索(Blind Search)、组合优化(Com-bine Optimization)、
机器学习(Machine Learning)领域有不少的应用。图像匹配是计算机视觉的一个
关键技术,遗传算法搜索法是图像匹配中一种常用的搜索法,通过图像匹配可以
快速确定待匹配大图像中是否有目标图像,若有则可同时确定其位置。
2 遗传算法的基本原理
2.1 遗传算法概念
遗传算法(GeneticAlgorithm,GA)是模拟生物进化过程的遗传选择和自然淘
汰的计算模型,是由美国学者 Hol-land 于 1975 年首先提出。其基本思想很简单:
一个原始问题的参数被转换成一些基因编码,通常被表示为二进制染色体。初始
的染色体个体都是随机生成的,然后根据一些标准来评判其个体的适应度。个体
适应度的优劣决定了其染色体继续影响搜索的机会。适应度越优的个体也越有可
能被选择作为创建下一代的一部分,通过不同个体间的随机信息交换,使得优秀
个体不断被保留遗传,从而不断产生更优的染色体。后代继承了直系祖先的大部
分基因信息,且整体优于祖先群体,进而使其种群不断往优发展。
2.2 理论基础
Holland 提出的模式定理奠定了遗传算法的数学基础,其数学表达形式为:
M(H,t+1)≥m(H,t)(f(H)/-f)[1-Pc(δ(H)/(l-1)-O(H)
Pm] (1)
其中,m(H,t+1)为 t+1 代中模式 H 的个体数,m(H,t)为 t 代中模式 H
的个体数,f(H)为 t 代中模式 H 的个体平均适应度,-f 为 t 代种群中所有个体
的平均适应度,Pc 和 Pm 分别为交叉和变异概率,δ(H)和 O(H)分别为模式
H 的定义矩和模式阶,l 为染色体长度。
积木块假设:由模式定理可看出,具有低阶、短定义矩以及平均适应度高于
群体平均适应度的模式在子代中将以指数级增长。而通过短定义矩、低阶以及高
平均适应度的模式,在遗传操作下接近全局最优解,即积木块假设。
2.3 基本遗传算法
基本的遗传算法根据问题选择编码方式,把参数集合域映射到位串空间;确
定适应度函数;确定种群规模 N、交叉概率 Pc 和变异概率 Pm 等算法参数。主要
有以下几个步骤:(1)初始化随机生成的初始种群;(2)根据适应度函数,计
算种群个体适应度;若已达最大迭代次数,则跳出结束遗传算法,否则继续执行;
(3)执行轮盘赌选择操作;(4)根据交叉算子生成新的后代;(5)根据变异
算子对新后代进行变异操作,然后重新执行步骤( 2)。算法流程图如图 1 所示。
图 1 基本遗传算法流程图
3 遥感影像处理分析现状
目前无人机遥感已广泛应用于勘探救援、灾情评估、灾后重建等诸多领域,但国内外无