紅外圖像檢測是圖像處理領(lǐng)域中的一項(xiàng)關(guān)鍵技術(shù)，檢測按一定的規(guī)則將一幅圖像分成若干個(gè)部分或子檢測集，為后續(xù)的識別提供依據(jù)，其結(jié)果直接影響目識別和后期跟蹤環(huán)節(jié)的精度，同時(shí)也決定了整個(gè)系統(tǒng)的性能[1]。
　遺傳算法GA(Genetic Algorithm)在處理紅外圖像時(shí)容易陷入局部最優(yōu)、早熟收斂和收斂速度慢的困境。量子遺傳算法QGA(Quantum Genetic Algorithm)存在收斂速度慢和易陷入局部極值等問題[2]。后來發(fā)展出現(xiàn)兩種模型：一類是基于量子多宇宙特征的多宇宙量子衍生遺傳算法QIGA(Quantum Inspired Genetic Algorithm)，多宇宙是通過分別產(chǎn)生多個(gè)種群獲得，并沒有利用量子態(tài)，因而仍屬于常規(guī)遺傳算法；另一類是基于量子比特和量子態(tài)登加特性的量子態(tài)遺傳算法GSGA(Quantum State Genetic Algorithm)， 由于所有量子個(gè)體都朝一個(gè)目標(biāo)演化，如果沒有交叉操作，極有可能陷入局部最優(yōu)[3]。
　本文提出的改進(jìn)算法有別于傳統(tǒng)旋轉(zhuǎn)門策略，采用動態(tài)調(diào)整角度幅度值和方向，由收斂因子、適應(yīng)度因子和變異加速因子共同決定變異概率。其最大特點(diǎn)是保持種群多樣性的能力強(qiáng)，收斂速度快，可提高全局尋優(yōu)能力。
1 改進(jìn)量子遺傳算法描述
1.1 量子旋轉(zhuǎn)角大小調(diào)整
　旋轉(zhuǎn)角的幅度不但對算法收斂的速度有一定的影響，而且會影響到算法收斂的效果，不合適的幅度值導(dǎo)致算法容易陷入局部最優(yōu)解的適應(yīng)值差值。
    量子旋轉(zhuǎn)角?茲i為：
  
1.3 量子染色體變異更新體制
    采用全干擾交叉進(jìn)行量子交叉操作時(shí)，種群中所有染色體均參與交叉。
　通過染色體間的漢明距來描述改進(jìn)后當(dāng)前群的每個(gè)染色體觀測態(tài)與最優(yōu)染色體觀測態(tài)的相似度，然后通過相似度計(jì)算收斂因子S：

    檢測時(shí)間消耗T用秒來衡量。
1.5 算法流程
    算法步驟完整地描述如下：
    (1)初始化個(gè)體，按量子基因比特編碼方式對個(gè)體進(jìn)行編碼，得到第一代種群；
    (2)對個(gè)體進(jìn)行圖像檢測，獲得空間圖像歸一化互相關(guān)函數(shù)。歸一化互相關(guān)函數(shù)即作為對個(gè)體進(jìn)行評價(jià)的適應(yīng)度評價(jià)函數(shù)，并保留此代中的最優(yōu)個(gè)體。若得到滿意解，則算法終止并輸出結(jié)果，否則繼續(xù)迭代計(jì)算；
    (3)使用旋轉(zhuǎn)門調(diào)整策略更新量子群；
    (4)使用交叉操作更新量子群；
    (5)遺傳代數(shù)n=n+1，算法轉(zhuǎn)至步驟(2)繼續(xù)進(jìn)行，直到算法結(jié)束；
    (6)計(jì)算檢測圖像評價(jià)指標(biāo)函數(shù)，輸出檢測結(jié)果。
2 實(shí)驗(yàn)仿真
     實(shí)驗(yàn)中選用與之相同的紅外圖像如圖1所示，運(yùn)行環(huán)境都是P4，3.0 GHz，2 048 MB DDR3。編程軟件為Matlab7.0，運(yùn)行蒙特卡洛50次隨機(jī)仿真實(shí)驗(yàn)。
　    對圖1作邊緣檢測，用本文方法對圖像進(jìn)行檢測的輪廓與圖像真實(shí)形狀最接近，邊緣最清晰，具有良好的檢測結(jié)果,如圖2所示。GA的目標(biāo)函數(shù)要經(jīng)過不斷嘗試才能得出結(jié)果，同時(shí)后期數(shù)據(jù)存在局部局限，如圖3所示；QGA的量子旋轉(zhuǎn)門需要多次尋找，一旦錯(cuò)過導(dǎo)致染色體無法更新到最優(yōu)解，如圖4所示。QIGA中的多宇宙是通過分別產(chǎn)生多個(gè)種群獲得的，并沒有利用量子態(tài)，如圖5所示。GSGA中所有量子個(gè)體都朝一個(gè)目標(biāo)演化，最終陷入局部最優(yōu)，如圖6所示。本文算法保持種群多樣性的能力強(qiáng)及收斂速度快，提高全局尋優(yōu)，因此檢測結(jié)果最好。

    為驗(yàn)證本文方法的有效性,對圖1進(jìn)行指標(biāo)檢驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。實(shí)驗(yàn)結(jié)果表明，本文算法檢測方法都要明顯優(yōu)于其他的檢測方法。這是因?yàn)樵诹孔娱T更新后，由于計(jì)算了當(dāng)代種群的每一個(gè)個(gè)體最適合自身進(jìn)化的量子變異概率，且收斂因子提供了精確搜索能力，適應(yīng)度因子考慮個(gè)體差異，便于優(yōu)良個(gè)體朝更優(yōu)方向進(jìn)化，變異加速因子增強(qiáng)了全局搜索能力。

     從時(shí)間消耗的角度分析，本文算法收斂因子、適應(yīng)度因子和變異加速因子共同決定的量子變異能彌補(bǔ)單獨(dú)量子門更新所帶來的不足，消除了量子比特與量子門調(diào)整作用的計(jì)算過程對算法執(zhí)行時(shí)間的影響，因此算法運(yùn)行速度快，適合實(shí)時(shí)應(yīng)用。
    通過對量子旋轉(zhuǎn)門大小和方向的調(diào)整，同時(shí)對量子染色體變異操作，使得改進(jìn)后的QGA很適合于求解最優(yōu)解。本文基于改進(jìn)量子遺傳算法的紅外圖像檢測，通過量子Rδ門定義位影響因子和差距度量函數(shù)，使得基因位的更新更加快速高效，同時(shí)對收斂因子、適應(yīng)度因子和變異加速因子的操作，引入染色體交叉機(jī)制，維護(hù)了群體的穩(wěn)定性與多樣性，提高了優(yōu)良個(gè)體朝更優(yōu)方向進(jìn)化，提高了全局尋優(yōu)能力。
參考文獻(xiàn)
[1] 張莎莎，谷延鋒，張鈞萍，等.一種基于量子遺傳算法的紅外圖像檢測方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2007，39(9)：1427-1430.
[2] 馮巍巍，魏慶農(nóng)，汪世美，等.基于混合遺傳算法的偏振雙向反射分布函數(shù)優(yōu)化建模[J].紅外與激光工程，2008，37(4)：743-747.
[3] 朱明，金煒東，普運(yùn)偉，等.基于Chirplet原子的雷達(dá)輻射源信號特征提取[J]. 紅外與毫米波學(xué)報(bào)，2007，26(4):302-306.
[4] 張宗飛.一種改進(jìn)型量子遺傳算法[J].計(jì)算機(jī)工程，2010,36（6）：181-183.
[5] 郭榮華，李斌，莊鎮(zhèn)泉.基于混合量子遺傳算法的嵌入式系統(tǒng)軟硬件協(xié)同綜合算法[J].量子電子學(xué)報(bào)，2008，25(4)：443-451.
[6] 柏琳，付佳.種用于量子遺傳算法的多因子決策量子變異方法[P].中國專利：200910092226.8，2009.