遗传算法是一种模拟达尔文的生物进化理论提出的仿生类全局优化搜索算法,具有简单通用的理论和技术,适于并行处理以及应用范围广等显著特点。与其他优化算法相比,遗传算法最突出的优点表现在其强大的全局寻优能力上。图像匹配是图像处理、模式识别过程中的一个重要环节。但当匹配模板与待匹配图像之间存在亮度、噪声影响等差异时,利用传统的匹配算法在速度和精度上不能得到很好的统一。本论文对遗传算法的基本概念和研究进展进行了综述,在传统匹配方法的基础上,提出了将混沌和小生境技术作为进化操作的一个环节,将遗传算法改进并应用于图像识别,获得了较好的效果。 本文主要内容分为三个部分。首先,本文介绍了遗传算法的研究历史和生物背景,在介绍遗传算法的理论基础的基础上,简述了标准遗传算法的流程和基本要素,继而介绍了遗传算法的研究现状、改进研究现状和其在工程实践中的应用情况。其次,介绍了图像匹配的控制策略和模板匹配。最后,将标准遗传算法与传统的匹配算法结合,验证了基于标准遗传算法的图像匹配的有效性。在此基础上提出了两种改进算法,利用混沌扰动操作改善搜索性能,提高算法搜索速度、爬坡能力、收敛的稳定性和最优解的精度。实验证明混沌遗传算法具有很强的局部和全局搜索能力,搜索性能明显优于标准遗传算法。由于小生境遗传算法具有强大的全局多峰搜索能力和隐并行性特点,本文提出了基于小生境遗传算法的图像识别,提升了多目标识别的效率和鲁棒性。 事实上,将图像匹配问题看作为寻求最优匹配点的寻优问题,然后利用遗传算法强大的全局寻优性能来对图像进行匹配。该项工作为遗传算法在图像处理领域的进一步应用进行了有益的探索和尝试。