云南省测绘工程院 云南昆明 650033
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，但国内外无人机影像数据后处理的研究滞后于其硬件技术和系统集成的发展，其中无人机影像数据处理的关键技术快速拼接和信息提取都处于探索阶段。无人机影像数据处理的信息提取大多采用传统遥感与摄影测量的处理方法，包括常规监督分类法、面向对象分类法、决策树分类法等。如2009年Dunford等结合像素和面向对象分类法，实现了对无人机影像的信息提取，其中植被提取精度的Kappa值为0.79；国内的中国测绘科学研究院等机构在无人机数据图像处理方面进行了大量探索和研究，并且得到了很多具有重大价值的成果。
4基于遗传算法的影像处理分析策略
遗传算法的主要操作就是选择、交叉、变异，因此这三个步骤是主要优化的方向；同时，对于具体的问题，初始化种群的选择也是一个关键。
（1）优化初始种群：对于无先验知识的搜索匹配问题，基本遗传算法是采取完全随机生成初始种群，此方法得到的种群随机性太强，所拥有的最优信息少。本文针对模板目标快速定位的问题，采用离散间隔中心点法来提高搜索定位效率，即将初始点按照n×m像素的模板T大小作为最小间隔尺度生成种群个体，以增加可行域覆盖率。
（2）优化选择操作：对于大图搜索单一目标来说，在保持快速收敛的同时需要保证种群的多样性，因此在选择过程中，高于一定适应度阈值Th的个体可以直接选择保留加入交叉变异后代，低于一定适应度阈值Tl的个体直接淘汰。为了确保种群多样性，保持高于适应度阈值Th的较优个体不大于1/3种群规模，如果大于这个上限，将部分个体重置为随机生成的新个体。
（3）优化交叉操作：根据全图搜索的单目标稀疏性特点，将低于适应度阈值Tl的个体由1/5较优个体中某两条交叉生成，从而使其能够快速收敛，交叉段数为2段，交叉点位随机生成，增加交叉的可能性。
选择交叉方式示意图如图2所示。
图2选择交叉操作示意图
（4）优化变异操作：根据全图搜索的规律，可知当适应度大于一定值时，很可能此个体已经在标准图附近，因此调整其变异区间，将其左顶点坐标（x，y）变异范围控制在x1－n≤x≤x1+n和y1－m≤y≤y1+m，其中（x1，y1）为当前个体左顶点坐标，从而提高变异的可靠性。当种群整体优于Th的比例大于2/3时，将其部分进行随机化变异，从而确保种群的多样性。2．3问题建模首先，将N×M像素按照二进制编码分别将坐标（x，y）编码长度定为：lx=log2N+1和ly=log2M+1。其次，适应度函数使用归一化的类间方差Z（x，y）作为个体适应度评判标准，将模板图与实际个体图像素点的AＲGB值作为计算类间方差的参数，从而实现对彩色图的匹配定位。最后，确定迭代次数Dt、交叉概率Pc和变异概率Pm。
5结束语
本文通过改进的遗传算法实现了快速图片匹配定位，根据遗传算法的特点，优化了初始种群选择策略、交叉策略以及变异策略，在快速收敛的同时保证了种群的多样性。
参考文献：
[1]马潇潇，于刚，李长春.基于SURF和SVM的无人机影像处理算法[J].河南理工大学学报（自然科学版），2017（06）
[2]傅超斌，南开来.基于改进遗传算法的图像匹配定位[J].图像与多媒体，2017（23）
论文作者:刘云
论文发表刊物:《基层建设》2018年第4期
论文发表时间:2018/5/23
标签：种群论文; 算法论文; 个体论文; 无人机论文; 模式论文; 染色体论文; 遥感论文; 《基层建设》2018年第4期论文;