【图像增强】基于量子遗传算法实现图像增强matlab源码_飞道的博客

【图像增强】基于量子遗传算法实现图像增强matlab源码

2021-05-24 23:37 365人阅读评论(0)

1、基本概念

（1）量子遗传算法是量子计算与遗传算法相结合的智能优化算法，由K.H.Han等人提出，其将量子态、量子门、量子状态特性、概率幅等量子概念引入到遗传算法当中。量子遗传算法也是一种概率搜素算法，它采用量子位来表示基因。遗传算法的基因所表达的是某一确定的信息，而量子遗传算法中，由于量子信息的叠加性使量子位所表达的基因包含所有可能的信息。

（2）在量子计算中，量子比特｜0〉和｜1〉表示微观粒子的两种基本状态，根据叠加原理，量子信息的叠加态可以表示为这两个基本态的线性组合，即｜ψ〉=α｜0〉+β｜1〉，式中α和β为复数，表示量子位状态的概率幅，其中和分别表示量子态｜ψ〉因测量导致坍缩到｜0〉态和｜1〉态的概率，且满足的归一化条件

（3）在量子遗传算法中，染色体采用量子位的概率幅进行编码，编码方案如下：

θ为量子比特的相位，n为染色体数目，k为量子位的位数即解空间的维数，rand是[0,1]范围内的随机数。每个量子位为分上下两行，分别对应两个量子基本态的概率幅，满足归一化条件，因此每个个体包含上下两条文化基因链，每条基因链是优化问题的一个候选解。由此可知，量子遗传算法在种群规模不变的情况下，候选解个数比遗传算法多一倍，增加了解空间的多样性，提高了寻优成功的概率。

（4）在量子遗传算法中，采用量子旋转门改变量子比特相位，以更新量子位的概率幅，从而达到基因变异的效果。

2、量子遗传算法的基本步骤：

step1：初始化父代染色体

step2：对每个染色体基因位即量子位进行测量，得到一个状态。对每个状态计算适应度，记录最佳个体及适应度。

step3：遗传进化设定的代数，其中采用量子旋转门对每一代染色体进行遗传变异。

step4：达到终止条件，输出最佳个体及适应度。


  
   
    
     
    
    
     
      % 利用量子遗传算法进行图像增强
     
    
   
    
     
    
    
     
      clc,clear all;close all;
     
    
   
    
     
    
    
     
      %% read picture
     
    
   
    
     
    
    
     
      img=rgb2gray(imread(
      'test1.jpg'));
     
    
   
    
     
    
    
     
      img=imresize(img,
      0.7);  
     
    
   
    
     
    
    
     
      figure(
      1);
     
    
   
    
     
    
    
     
      imhist(img);            
      % 原始图像直方图
     
    
   
    
     
    
    
     
      figure(
      2);
     
    
   
    
     
    
    
     
      imshow(img);            
      % 原始图像
     
    
   
    
     
    
    
     
      img=double(img);
     
    
   
    
     
    
    
     
      [row,colume]=size(img); 
      % 图像大小
     
    
   
    
     
    
    
     
      num_pixel=row*colume;   
      % 像素个数
     
    
   
    
     
    
    
     
      %% 利用QGA求最优的alpha, beta
     
    
   
    
     
    
    
     
      MAX_Geneic=
      20;          
      % 遗传代数
     
    
   
    
     
    
    
     
      sizePopu=
      10;            
      % 初始种群数目
     
    
   
    
     
    
    
     
      tic;
     
    
   
    
     
    
    
     
      best=QGA_Sharpen(img,MAX_Geneic,sizePopu);
     
    
   
    
     
    
    
     
      disp([
      'The total time is ' num2str(toc) 
      's']);
     
    
   
    
     
    
    
     
      fprintf(
      'The final alpha is %f\n',best.B(
      1));
     
    
   
    
     
    
    
     
      fprintf(
      'The final beta is %f\n',best.B(
      2));
     
    
   
    
     
    
    
     
      fprintf(
      'The best fitness value is %f\n',best.fitnessVal);
     
    
   
    
     
    
    
     
      %% 画出非线性函数（Beta函数）图像
     
    
   
    
     
    
    
     
      x=
      0:
      0.01:
      1;
     
    
   
    
     
    
    
     
      y=pdf(
      'beta',x,best.B(
      1),best.B(
      2));
     
    
   
    
     
    
    
     
      figure(
      4);
     
    
   
    
     
    
    
     
      plot(x,y);
     
    
   
    
     
    
    
     
      %% 处理之后的图像灰度值
     
    
   
    
     
    
    
     
      img_sharp=best.sharpImg;
     
    
   
    
     
    
    
     
      figure(
      5);
     
    
   
    
     
    
    
     
      imhist(uint8(img_sharp));  
      % 锐化后图像直方图
     
    
   
    
     
    
    
     
      figure(
      6);
     
    
   
    
     
    
    
     
      imshow(uint8(img_sharp));  
      % 可视化处理后图像
     
    
   
    
     
    
    
     
      %imwrite(uint8(cameraman),'test2_opt.jpg');