Koevoluce obrazových filtrů a prediktorů fitness

Abstract

Tato práce se zabývá využitím principů koevoluce pro návrh obrazových filtrů. Evoluční algoritmy se pro vývoj obrazových filtrů ukazují jako velmi výhodná metoda. Použitím koevoluce prediktorů fitness vnášíme do evolučního návrhu procesy, které vzájemným ovlivňováním populace kandidátních filtrů s populací prediktorů fitness dokáží zrychlit konvergenci řešení. Prediktor fitness je malá podmnožina množiny trénovacích vektorů a používá se k přibližnému určení fitness kandidátních filtrů. V této práci je pro evoluci prediktorů fitness využito nepřímé kódování, které reprezentuje matematický výraz, pomocí něhož jsou vybírány trénovací vektory použité pro vyhodnocení fitness kandidátních filtrů. Tento přístup byl experimentálně vyhodnocen v úloze evolučního návrhu náhodného impulzního šumu a šumu typu sůl a pepř pro různé intenzity šumu a také v úloze návrhu detektoru hran. Ukázalo se, že pomocí tohoto přístupu prediktory fitness přizpůsobují počet použitých trénovacích vektorů pro vyhodnocení kandidátního filtru souběžně s řešením úlohy a tím snižují výpočetní náročnost evolučního návrhu obrazových filtrů.This thesis deals with employing coevolutionary principles to the image filter design. Evolutionary algorithms are very advisable method for image filter design. Using coevolution, we can add the processes, which can accelerate the convergence by interactions of candidate filters population with population of fitness predictors. Fitness predictor is a small subset of the training set and it is used to approximate the fitness of the candidate solutions. In this thesis, indirect encoding is used for predictors evolution. This encoding represents a mathematical expression, which selects training vectors for candidate filters fitness prediction. This approach was experimentally evaluated in the task of image filters for various intensity of random impulse and salt and pepper noise design and the design of the edge detectors. It was shown, that this approach leads to adapting the number of target objective vectors for a particular task, which leads to computational complexity reduction.