Algorithm 进化图像匹配仿真中一种新的适应度测度

我相信很多人已经看过使用遗传算法生成与样本图像匹配的图像的演示。你从噪声开始，逐渐地它变得越来越接近目标图像，直到你有一个或多或少精确的复制品

然而，我所看到的所有示例都使用了一个相当简单的逐像素比较，最终图像的“淡入”是相当可预测的。我所寻找的是更新颖的东西：一种更接近我们所看到的“相似”的健康指标，而不是天真的方法

---

我心里没有具体的结果——我只是在寻找比默认结果更“有趣”的东西。建议？

我还没有看过这样的演示（也许你可以链接一个）。但是你描述的几个原型想法可能会引发一个有趣的想法：

• 三种不同的算法并行运行，可能是RGB或HSV
• 在跑步过程中稍微移动、旋转或以其他方式更改目标图像
• 适合度基于像素之间的对比度/值差异，但不知道实际颜色
• …然后用正确的颜色为单个像素“素描”

一个更接近我们所认为的“相似”的健康指标，而不是天真的方法

---

在软件中实现这样的措施绝对是不平凡的。谷歌“人类视觉模型”，“感知误差度量”为一些起点。你可以回避这个问题——只需将候选图像呈现给一个人来选择最好的图像，尽管这对人来说可能有点无聊。

我同意其他撰稿人的观点，这不是小事。我还要补充一点，这将是非常有商业价值的——例如，希望保护其视觉IP的公司将非常高兴能够在互联网上搜索与其徽标相似的图像

我的天真方法是在多幅图像上训练模式识别器，每幅图像都是从目标图像生成的，并对其应用一个或多个变换：例如，任意旋转几度；两种方法都需要几个像素的平移；同一图像的不同尺度；各种模糊和效果（卷积遮罩在这里很好）。我也会给每幅图像添加一些随机噪声。样品越多越好

培训都可以离线完成，因此不会对运行时性能造成问题

一旦你训练了一个模式识别器，你就可以将它指向GA群体图像，并从识别器中获得一些标量分数

就我个人而言，我喜欢。快去训练。我会从太多的输入开始，然后用主成分分析法（IIRC）来缩减它们。输出可以是相似性度量和相异性度量

---

最后一件事；不管你采取什么方法——你能在博客上写下它，发布演示，不管什么；让我们知道你进展如何。

我想你是在谈论类似的事情

我实现了这个版本，所以我也对其他健身功能感兴趣，尽管我是从提高性能而不是美观的角度来研究它的。我预计，由于进化过程的性质，总会有一些“淡入”的元素（尽管调整进化算子可能会影响其外观）

像素对像素的比较对于任何东西来说都是昂贵的，除了小图像。例如，我使用的200x200像素图像有40000像素。每像素有三个值（R、G和B），即120000个值必须合并到单个图像的适应度计算中。在我的实现中，在进行比较之前，我会缩小图像的比例，以减少像素。取舍是进化图像的精确度略有降低

在研究其他健身功能时，我遇到了一些使用RGB代替RGB的建议，因为这更符合人类的感知

我的另一个想法是只比较随机选择的像素样本。我不知道如果不尝试，它会有多好的效果。由于所比较的像素对于每次评估都是不同的，因此它将具有保持群体内多样性的效果

---

除此之外，你还在计算机视觉领域。我预计，这些依赖于特征提取的技术在每幅图像上的成本会更高，但如果它们导致实现可接受的结果所需的代数更少，则总体上可能会更快。你可能想调查一下图书馆。此外，还显示了一些Java代码，这些代码可用于根据特征而不是像素来比较图像的相似性。

当您说“生成与样本图像匹配的图像”的遗传算法时，您的确切意思是什么？你的意思是一种算法，它总是生成与它训练过的图像相同的图像吗？如果是这样的话，有没有这样的压缩？（否则有什么意义？）是的，你提供了一个“目标”图像，它会根据每个人与图像的接近程度评分。重点是它是一个演示-它不是为了提供压缩或任何其他具体目标。对不起，我仍然不明白-这里的个人是什么？其他，最初嘈杂的图像？或者单个图像中的单个像素？这就是为什么我说“更接近”，而不是“完全相同”。一定有比每像素比较更好的东西，但比实现人工智能更容易。：）使用人类也不是一个坏主意，但是人类在比较两个不同的随机噪声图像方面做得相当差。这取决于你如何生成图像。我看过一篇关于用有限数量的透明闭合贝塞尔曲线逼近图像的进化算法的文章。看，这就是我感兴趣的地方。：）你有链接吗？我肯定我以前见过，但我记不起在哪里，也找不到