結(jié)合遺傳算法選取小波去噪閾值案例分析目錄TOC\o"1-3"\h\u31322結(jié)合遺傳算法選取小波去噪閾值案例分析 1275651.1遺傳算法的原理 125071.2遺傳算法優(yōu)化步驟 1192941.3實驗結(jié)果與分析 31.1遺傳算法的原理自然界向來按照物競天擇適者生存的規(guī)則發(fā)展，同樣在現(xiàn)實生活中很多問題也可以運用優(yōu)勝劣汰思想解決。生物的進化主要是通過染色體之間的相互交叉和變異來實現(xiàn)完成的。在探求解決關(guān)于全局優(yōu)化搜索的問題時，遺傳算法[25]的思想就得到了很好的體現(xiàn)。遺傳算法發(fā)展到目前已經(jīng)達到成熟階段，編碼方式也具有多樣性，再加上遺傳算法的種類繁多，在實際運用的時候可選擇合適的算法解決特定問題。算法過程：在目標解集空間內(nèi)生成初始種群，適應(yīng)度高的個體有更大的幾率繁殖下一代。子代如果遺傳到父代的優(yōu)良基因的話，存活和繁殖的幾率會更大，反之沒有遺傳到優(yōu)良基因的子代將更容易被自然所淘汰。產(chǎn)生子代的方法主要是由染色體交換和變異實現(xiàn)的，有利于保障基因的多樣性。再在子代中選擇適應(yīng)度高的個體，交叉、變異。由此循環(huán)直到找出最優(yōu)解。遺傳算法的最終結(jié)果依賴于適應(yīng)度函數(shù)[26]，結(jié)果由適應(yīng)度函數(shù)評判，值越大意味著解的質(zhì)量越好，也就愈加靠近最優(yōu)解。1.2遺傳算法優(yōu)化步驟1.算法開始之前需要提前確定參數(shù)：種群的交叉率pc=0.8,變異率pm=0.5,種群數(shù)量N=100，迭代次數(shù)為n=100，閾值取值范圍t∈[1,200]。2.流程：輸入：閾值取值范圍t∈[1,200]步驟：①生成初始種群f0；②計算當(dāng)前種群內(nèi)個體適應(yīng)度，得到一個當(dāng)前適應(yīng)度最高的閾值T1；將T1代入重構(gòu)圖像，計算出對應(yīng)的峰值信噪比P1，并將P1賦值給best；③當(dāng)前迭代次數(shù)小于100的話繼續(xù)執(zhí)行程序，否則中止程序，輸出最佳閾值T和結(jié)果best；④best與Pn相減，若結(jié)果小于0，將Pn賦值給best，然后生成新的種群；否則直接生成新的種群；⑤迭代次數(shù)加1；⑥跳轉(zhuǎn)到步驟③。輸出：最優(yōu)峰值信噪比best，最優(yōu)閾值T圖4-1輸出T、bestbest—Pn<0n<100輸出T、bestbest—Pn<0n<100輸入否是結(jié)束生成初始種群，n=1適應(yīng)度計算初始閾值T1，計算初始峰值信噪比P1令best=P1生成新的種群best=Pnn++開始是否1.3實驗結(jié)果與分析(a)含高斯噪聲圖(b)db4復(fù)原(c)sym4復(fù)原(d)coif4復(fù)原(e)含椒鹽噪聲圖(f)db4復(fù)原(g)sym4復(fù)原(h)coif4復(fù)原(i)含瑞利噪聲圖(j)db4復(fù)原(k)sym4復(fù)原(l)coif4復(fù)原圖4-1Hepburn改進閾值復(fù)原(a)含高斯噪聲圖(b)db4復(fù)原(c)sym4復(fù)原(d)coif4復(fù)原(e)含椒鹽噪聲圖(f)db4復(fù)原(g)sym4復(fù)原(h)coif4復(fù)原(i)含瑞利噪聲圖(j)db4復(fù)原(k)sym4復(fù)原(l)coif4復(fù)原圖4-1rose改進閾值復(fù)原(a)含高斯噪聲圖(b)db4復(fù)原(c)sym4復(fù)原(d)coif4復(fù)原(e)含椒鹽噪聲圖(f)db4復(fù)原(g)sym4復(fù)原(h)coif4復(fù)原(i)含瑞利噪聲圖(j)db4復(fù)原(k)sym4復(fù)原(l)coif4復(fù)原圖4-1Hepburn改進閾值復(fù)原表4-1Hepburn改進閾值復(fù)原PSNR高斯噪聲椒鹽噪聲瑞利噪聲原始閾值遺傳算法優(yōu)化原始閾值遺傳算法優(yōu)化原始閾值遺傳算法優(yōu)化Db428.989629.113623.197132.155916.677216.6984Sym428.867229.045223.158331.842216.670316.6896Coif428.951329.106723.235832.040516.672916.6913表4-1rose改進閾值復(fù)原PSNR高斯噪聲椒鹽噪聲瑞利噪聲原始閾值遺傳算法優(yōu)化原始閾值遺傳算法優(yōu)化原始閾值遺傳算法優(yōu)化Db426.333126.890521.077127.833416.327116.3964Sym426.324126.935323.816927.704816.323116.4036Coif426.459926.987721.00927.901316.341716.4153表4-1house改進閾值復(fù)原PSNR高斯噪聲椒鹽噪聲瑞利噪聲原始閾值遺傳算法優(yōu)化原始閾值遺傳算法優(yōu)化原始閾值遺傳算法優(yōu)化Db428.898828.955723.358431.625116.934516.9219Sym428.983529.056723.404631.720416.940216.9301Coif428.910529.002523.27331.577616.942916.9277（1）經(jīng)過遺傳算法優(yōu)化閾值后，算法性能有了整體的提升，復(fù)原效果有了一定的改善。改進算法對椒鹽噪聲的復(fù)原能力明顯增強，原始閾值去除噪聲不徹底，但改進后的算法能夠大面積去除白點黑點，在較為密集處體現(xiàn)為霧化效果，畫面較為柔和，沒有了椒鹽噪聲存在的突兀感。對于其他兩種噪聲來說，復(fù)原效果也有了提升。（2）在日常生活中瑞利噪聲出現(xiàn)的頻率不高，小波方法對其去噪效果欠佳。小波閾值法與優(yōu)化閾值去噪法對它來說提升幅度太小。由此看來，小波閾值去噪法不適用于去除瑞利噪聲。（3）在本次實驗中，遺傳算法也映射出了一些優(yōu)點和缺點。①優(yōu)點：遺傳算法在解決問題時具有并行性，對于求解多個目標值得問題而言比較方便，在實驗中可以同時得出參數(shù)閾值和psnr；選擇操作不是固定不變的，基于概率的選擇具有隨機性，算法較為靈活；另外，算法的可移植性較強，容易與小波閾值去噪算法良好地融合，普適性較強。②缺點：因為在一定