基于智能优化算法的苹果图像处理方法研究

摘要：使用粒子群算法、遗传算法、模拟退火算法三种智能优化算法进行苹果图像的处理，对比三种算法在数字图像处理中特征提取、图像增强的优缺点。

关键字：智能优化算法，数字图像处理，特征提取，图像增强

1.引言

随着我国计算机技术的进步和发展计算机数字图像技术的应用也更加广泛[1-3]，将数字图像处理相关的技术运用到图像处理中能够很好地提高图像的质量和所需特征部分[4-5]。故而可以将数字图像处理技术运用到苹果表面损伤的检测中。

2.智能优化算法

数字图像处理、机器学习、数据挖掘等领域智能优化算法有着非常广泛的应用。常见的智能优化算法有：遗传算法（GA）、粒子群优化算法（PSO）、蚁群优化算法（ACO）、模拟退火算法（SA）等，本研究使用前三种智能优化算法进行数字图像的特征提取和图像增强。

遗传算法：模拟生物在自然环境中的遗传和进化过程，将问题的解编码为染色体（个体），每个个体有对应的适应度值，通过选择、交叉和变异等遗传操作不断迭代，逐渐向最优解逼近[6]。粒子群优化算法：源于对鸟群觅食行为的模拟。每个粒子代表问题的一个解，在搜索空间中通过跟踪个体历史最优位置和群体历史最优位置来调整自己的速度和位置，朝着更优解的方向飞行[7]。模拟退火算法：借鉴固体物质加热后缓慢冷却，原子排列逐渐趋于有序的物理过程。在优化过程中，接受目标函数改进的解，一定概率接受较差的解，随着温度降低，接受较差解的概率逐渐减小，最终收敛到全局最优解或近似全局最优解[8]。

3.基于三种智能优化算法的苹果图像特征提取

分别使用遗传算法、粒子群优化算法、模拟退火算法三种智能优化算法进行苹果图像的特征提取，并进行仿真。

根据MATLAB仿真结果（图1，2）可知：粒子群算法最优特征值： 0.033907，遗传算法最优特征值： 0.033907，模拟退火算法最优特征值： 0.033907。这表明在此次苹果图像特征提取的仿真实验中，三种算法在优化效果上是等价的。

4.基于三种智能优化算法的苹果图像增强

使用遗传算法（GA）、粒子群优化算法（PSO）、模拟退火算法（SA）这三种智能优化算法进行苹果图像增强，并进行仿真。

根据图3MATLAB仿真结果可知：原始图像信息熵： 6.4874，粒子群优化算法增强后信息熵： 7.3663遗传算法 增强后信息熵： 7.3261，模拟退火算法 增强后信息熵： 7.4103。

信息熵是衡量图像中信息丰富程度的一个指标，信息熵的值越大，表明图像包含的信息越丰富，图像增强的效果越好。通过比较这三种算法增强后的信息熵大小可得：模拟退火算法> 粒子群优化算法> 遗传算法。由于模拟退火算法增强后的图像信息熵最大，说明使用模拟退火算法进行苹果图像特征提取和增强处理后，图像包含的信息最为丰富，图像增强的效果相对更好。所以，仅从信息熵这一指标来看，模拟退火算法在此次苹果图像特征提取中表现最优。

5.总结

三种智能优化算法在数字图像特征提取优化效果上是等价的；从信息熵这一指标来看，模拟退火算法在此次苹果图像特征提取中表现最优。

其中粒子群算法原理简单且易实现，可以快速搭建算法框架，收敛速度也比较快，计算量相对较小，在处理大规模数据时具有一定的优势。但是同时容易陷入局部最优区域，不同的参数选择对算法收敛速度和搜索能力都有很大的不同，因此参数的选择对此算法的影响比较大。遗传算法，具有全局搜索能力强、鲁棒性好、可并行性等优点。但是算法的运行时间较长，这是因为此算法需要进行大量的个体评估、选择、交叉和变异操作，特别是是在种群规模较大、迭代次数较多；对比粒子群算法此算法收敛速度通常较慢且实现难度和复杂度。模拟退火算法全局搜索能力强，对初始解不敏感，大量的随机搜索，导致收敛过程较为漫长，计算成本较高且参数调整困难。因此，在之后的研究中可进行多种算法的融合使用。

参考文献：

[1]陈莉.数字图像处理算法研究[M].北京：科学出版社，2016.06．

[2]贾永红．数字图像处理[M]．武汉：武汉大学出版社，2011．

[3]Castleman Digital image Processing[M]．Beijing：Tsinghua University Pres，2003．

[4]周龙.基于数学形态学的储量害虫边缘检测算法研究[J].微计算机信息，2005，21（3）：224-225.

[5]Holland J H. Adaptation in Natural and Artificial Systems[M]. University of Michigan Press， 1975.​

[6]Kennedy J， Eberhart R C. Particle Swarm Optimization[C]//Proceedings of ICNN’95 - International Conference on Neural Networks. IEEE， 1995， 4： 1942-1948.​

[7]Dorigo M， Maniezzo V， Colorni A. Ant System： Optimization by a Colony of Cooperating Agents[J]. IEEE Transactions on Systems， Man， and Cybernetics - Part B： Cybernetics， 1996， 26（1）： 29-41.​

[8]Kirkpatrick S， Gelatt C D， Vecchi M P. Optimization by Simulated Annealing[J]. Science， 1983， 220（4598）： 671-680.

作者简介：

王金会，1986，02，女，汉，河南濮阳，硕士研究生，塔里木大学讲师，研究方向，人工智能。

王聚生，1992.10，河南濮阳，硕士研究生，中国电信河南河南分公司工程师，研究方向：计算机应用。

基金项目：塔里木大学校长基金《基于小波变换及智能优化的阿克苏苹果表面损伤检测图像处理方法研究》项目资助，项目编号：TDZKSS202130

基金项目： 塔里木大学课程思政示范项目《数字信号处理》，项目编号：TDKCSZ22530