边缘是图像最基本的特征之一,往往携带着一幅图像的大部分信息,而这些信息对于人们对图像进行高层次的特征描述、识别和理解具有重要的实用价值。 边缘检测是图像处理的重要内容,是图像分析的基础。对图像边缘检测算法的研究已经有几十年的历史,这期间公开发表了大量的优秀论文,边缘检测算法逐渐走向成熟,但仍不能满足图像分析的需要,依旧被列为图像处理的经典技术难题之一。这是因为传统的边缘检测算法基本上是基于梯度微分的,这些算法存在着不同程度的局限性。另外,在不同的应用中,人们要实现的目标不同,因此对边缘的定义也不同,目标边缘、图像纹理甚至噪声都可能成为有意义的边缘,因此很难找到一种普适性的边缘检测算法。科技发展日新月异,促使人们尝试利用新技术去解决边缘检测过程中出现的各种问题,新的算法不断涌现,如应用神经网络、遗传算法、小波信号处理、数学形态学等技术进行边缘提取等,这些算法大都取得了不错的应用效果。 本论文主要围绕遗传算法在边缘检测过程中的具体应用进行探讨,主要研究内容包括: 1.首先对基于模板卷积的传统边缘检测算法进行了总结,分析了它们在具体应用中的局限性,讨论了最佳边缘检测模板优化设计问题。进而研究了一种以遗传算法为优化工具对模板系数进行寻优的方法并作了系列仿真试验,结果表明该方法可以准确的在具有相同特征的图像上提取边缘。 2.对遗传算法的基本策略及其收敛性进行了分析,重点研究了遗传算法的收敛性评价准则,探讨了一种能够有效克服早熟收敛的遗传算法-混沌遗传算法。 3.基元提取问题是边缘检测的一个传统难题,现有的基元提取方法主要采用著名的哈夫变换方法,但该方法一个严重的缺陷是时间和空间开销极大,并且在基元提取前要对图像进行二值化预处理。针对此不足,本论文研究了一种利用遗传算法直接在灰度图像上提取基元的方法,该方法采用样本基元的缩放和旋转模板在图像中进行匹配搜索,对虹膜的定位实验表明该方法是一种有效的基元提取方法。