紅外圖像檢測是圖像處理領域中的一項關鍵技術，檢測按一定的規(guī)則將一幅圖像分成若干個部分或子檢測集，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，同時也決定了整個系統(tǒng)的性能[1]。
　遺傳算法GA(Genetic Algorithm)在處理紅外圖像時容易陷入局部最優(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)， 由于所有量子個體都朝一個目標演化，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、適應度因子和變異加速因子共同決定變異概率。其最大特點是保持種群多樣性的能力強，收斂速度快，可提高全局尋優(yōu)能力。
1 改進量子遺傳算法描述
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，不合適的幅度值導致算法容易陷入局部最優(yōu)解的適應值差值。
    量子旋轉(zhuǎn)角?茲i為：
  
1.3 量子染色體變異更新體制
    采用全干擾交叉進行量子交叉操作時，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后當前群的每個染色體觀測態(tài)與最優(yōu)染色體觀測態(tài)的相似度，然后通過相似度計算收斂因子S：

    檢測時間消耗T用秒來衡量。
1.5 算法流程
    算法步驟完整地描述如下：
    (1)初始化個體，按量子基因比特編碼方式對個體進行編碼，得到第一代種群；
    (2)對個體進行圖像檢測，獲得空間圖像歸一化互相關函數(shù)。歸一化互相關函數(shù)即作為對個體進行評價的適應度評價函數(shù)，并保留此代中的最優(yōu)個體。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)進行，直到算法結(jié)束；
    (6)計算檢測圖像評價指標函數(shù)，輸出檢測結(jié)果。
2 實驗仿真
     實驗中選用與之相同的紅外圖像如圖1所示，運行環(huán)境都是P4，3.0 GHz，2 048 MB DDR3。編程軟件為Matlab7.0，運行蒙特卡洛50次隨機仿真實驗。
　    對圖1作邊緣檢測，用本文方法對圖像進行檢測的輪廓與圖像真實形狀最接近，邊緣最清晰，具有良好的檢測結(jié)果,如圖2所示。GA的目標函數(shù)要經(jīng)過不斷嘗試才能得出結(jié)果，同時后期數(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，一旦錯過導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中所有量子個體都朝一個目標演化，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及收斂速度快，提高全局尋優(yōu)，因此檢測結(jié)果最好。

    為驗證本文方法的有效性,對圖1進行指標檢驗，實驗結(jié)果如表1所示。實驗結(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。這是因為在量子門更新后，由于計算了當代種群的每一個個體最適合自身進化的量子變異概率，且收斂因子提供了精確搜索能力，適應度因子考慮個體差異，便于優(yōu)良個體朝更優(yōu)方向進化，變異加速因子增強了全局搜索能力。

     從時間消耗的角度分析，本文算法收斂因子、適應度因子和變異加速因子共同決定的量子變異能彌補單獨量子門更新所帶來的不足，消除了量子比特與量子門調(diào)整作用的計算過程對算法執(zhí)行時間的影響，因此算法運行速度快，適合實時應用。
    通過對量子旋轉(zhuǎn)門大小和方向的調(diào)整，同時對量子染色體變異操作，使得改進后的QGA很適合于求解最優(yōu)解。本文基于改進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，同時對收斂因子、適應度因子和變異加速因子的操作，引入染色體交叉機制，維護了群體的穩(wěn)定性與多樣性，提高了優(yōu)良個體朝更優(yōu)方向進化，提高了全局尋優(yōu)能力。
參考文獻
[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)大學學報，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，普運偉，等.基于Chirplet原子的雷達輻射源信號特征提取[J]. 紅外與毫米波學報，2007，26(4):302-306.
[4] 張宗飛.一種改進型量子遺傳算法[J].計算機工程，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].量子電子學報，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.