[论文解读] A Recent Survey on the Applications of Genetic Programming in Image Processing

Asifullah Khan, Aqsa Saeed Qureshi+3 more|arXiv (Cornell University)|Jan 18, 2019

Evolutionary Algorithms and Applications被引用 11

一句话总结

本综述全面概述了遗传编程（GP）在图像处理中的应用，涵盖优化、特征选择和图像增强任务。它分析了GP技术在医学影像、计算机视觉和多光谱成像中的应用，提供了参数对比、方法论指导以及未来研究方向，以加速在图像处理工作流中的采用并提升性能。

ABSTRACT

Genetic Programming (GP) has been primarily used to tackle optimization, classification, and feature selection related tasks. The widespread use of GP is due to its flexible and comprehensible tree-type structure. Similarly, research is also gaining momentum in the field of Image Processing, because of its promising results over vast areas of applications ranging from medical Image Processing to multispectral imaging. Image Processing is mainly involved in applications such as computer vision, pattern recognition, image compression, storage, and medical diagnostics. This universal nature of images and their associated algorithm, i.e., complexities, gave an impetus to the exploration of GP. GP has thus been used in different ways for Image Processing since its inception. Many interesting GP techniques have been developed and employed in the field of Image Processing, and consequently, we aim to provide the research community an extensive view of these techniques. This survey thus presents the diverse applications of GP in Image Processing and provides useful resources for further research. Also, the comparison of different parameters used in different applications of Image Processing is summarized in tabular form. Moreover, analysis of the different parameters used in Image Processing related tasks is carried-out to save the time needed in the future for evaluating the parameters of GP. As more advancement is made in GP methodologies, its success in solving complex tasks, not only in Image Processing but also in other fields, may increase. Additionally, guidelines are provided for applying GP in Image Processing related tasks, the pros and cons of GP techniques are discussed, and some future directions are also set.

研究动机与目标

• 系统性回顾遗传编程（GP）在图像处理中的应用，涵盖医学诊断、计算机视觉和多光谱成像等多样化领域。
• 识别并比较各类图像处理任务中使用的关键GP参数，以减少未来研究中冗余的参数调优。
• 为图像处理中应用GP提供实用指导，包括方法论最佳实践与局限性。
• 突出GP技术在图像处理中的优缺点，以支持方法论的明智选择。
• 概述未来研究方向，以推进基于GP的解决方案在复杂图像处理挑战中的发展。

提出的方法

• 本综述综合了现有文献中关于GP在图像处理中应用的研究，重点关注优化、分类和特征选择任务。
• 按应用领域对GP技术进行分类，包括医学影像、图像压缩和模式识别。
• 以表格形式系统总结了GP参数（如种群大小、变异率和树深）的对比分析。
• 基于引用文献中报告的度量指标和实验设置，评估GP在不同图像处理任务中的性能。
• 从实证发现和文献中的方法论趋势中推导出在图像处理中实施GP的指导原则。
• 讨论GP基于树的结构在可解释性和灵活性方面的优势，作为支持复杂图像处理任务的关键因素。

实验结果

研究问题

• RQ1 遗传编程在图像处理中的主要应用在不同领域中有哪些？
• RQ2 在各种图像处理任务中，哪些GP参数（如种群大小、变异率）最为有效？
• RQ3 GP的基于树的结构如何支持图像处理中的特征选择与优化？
• RQ4 与传统方法相比，使用GP在图像处理中的主要优势和局限性是什么？
• RQ5 哪些未来研究方向可提升GP在复杂图像处理应用中的可扩展性和性能？

主要发现

• 遗传编程已成功应用于图像处理中的图像增强、分割和特征选择等任务。
• GP的基于树的表示方式可实现可解释且灵活的解决方案，尤其在医学和诊断影像中具有显著优势。
• 本综述中的参数对比表格有助于研究人员避免冗余调参，识别关键GP参数的最优范围。
• 综述指出，GP在复杂非线性图像处理任务（如多光谱图像分析）中表现优于或等同于传统方法。
• 提供了GP在图像处理中应用的指导建议，强调参数选择、表示设计和评估指标的重要性。
• 未来研究应聚焦于提升GP的可扩展性，并加强与深度学习的集成，以构建混合图像处理系统。