红外图像检测是图像处理领域中的一项关键技术，检测按一定的规则将一幅图像分成若干个部分或子检测集，为后续的识别提供依据，其结果直接影响目识别和后期跟踪环节的精度，同时也决定了整个系统的性能[1]。
　遗传算法GA(Genetic Algorithm)在处理红外图像时容易陷入局部最优、早熟收敛和收敛速度慢的困境。量子遗传算法QGA(Quantum Genetic Algorithm)存在收敛速度慢和易陷入局部极值等问题[2]。后来发展出现两种模型：一类是基于量子多宇宙特征的多宇宙量子衍生遗传算法QIGA(Quantum Inspired Genetic Algorithm)，多宇宙是通过分别产生多个种群获得，并没有利用量子态，因而仍属于常规遗传算法；另一类是基于量子比特和量子态登加特性的量子态遗传算法GSGA(Quantum State Genetic Algorithm)， 由于所有量子个体都朝一个目标演化，如果没有交叉操作，极有可能陷入局部最优[3]。
　本文提出的改进算法有别于传统旋转门策略，采用动态调整角度幅度值和方向，由收敛因子、适应度因子和变异加速因子共同决定变异概率。其最大特点是保持种群多样性的能力强，收敛速度快，可提高全局寻优能力。
1 改进量子遗传算法描述
1.1 量子旋转角大小调整
　旋转角的幅度不但对算法收敛的速度有一定的影响，而且会影响到算法收敛的效果，不合适的幅度值导致算法容易陷入局部最优解的适应值差值。
量子旋转角?兹i为：

1.3 量子染色体变异更新体制
采用全干扰交叉进行量子交叉操作时，种群中所有染色体均参与交叉。
　通过染色体间的汉明距来描述改进后当前群的每个染色体观测态与最优染色体观测态的相似度，然后通过相似度计算收敛因子S：

检测时间消耗T用秒来衡量。
1.5 算法流程
算法步骤完整地描述如下：
(1)初始化个体，按量子基因比特编码方式对个体进行编码，得到第一代种群；
(2)对个体进行图像检测，获得空间图像归一化互相关函数。归一化互相关函数即作为对个体进行评价的适应度评价函数，并保留此代中的最优个体。若得到满意解，则算法终止并输出结果，否则继续迭代计算；
(3)使用旋转门调整策略更新量子群；
(4)使用交叉操作更新量子群；
(5)遗传代数n=n+1，算法转至步骤(2)继续进行，直到算法结束；
(6)计算检测图像评价指标函数，输出检测结果。
2 实验仿真
实验中选用与之相同的红外图像如图1所示，运行环境都是P4，3.0 GHz，2 048 MB DDR3。编程软件为Matlab7.0，运行蒙特卡洛50次随机仿真实验。
　 对图1作边缘检测，用本文方法对图像进行检测的轮廓与图像真实形状最接近，边缘最清晰，具有良好的检测结果,如图2所示。GA的目标函数要经过不断尝试才能得出结果，同时后期数据存在局部局限，如图3所示；QGA的量子旋转门需要多次寻找，一旦错过导致染色体无法更新到最优解，如图4所示。QIGA中的多宇宙是通过分别产生多个种群获得的，并没有利用量子态，如图5所示。GSGA中所有量子个体都朝一个目标演化，最终陷入局部最优，如图6所示。本文算法保持种群多样性的能力强及收敛速度快，提高全局寻优，因此检测结果最好。

为验证本文方法的有效性,对图1进行指标检验，实验结果如表1所示。实验结果表明，本文算法检测方法都要明显优于其他的检测方法。这是因为在量子门更新后，由于计算了当代种群的每一个个体最适合自身进化的量子变异概率，且收敛因子提供了精确搜索能力，适应度因子考虑个体差异，便于优良个体朝更优方向进化，变异加速因子增强了全局搜索能力。

从时间消耗的角度分析，本文算法收敛因子、适应度因子和变异加速因子共同决定的量子变异能弥补单独量子门更新所带来的不足，消除了量子比特与量子门调整作用的计算过程对算法执行时间的影响，因此算法运行速度快，适合实时应用。
通过对量子旋转门大小和方向的调整，同时对量子染色体变异操作，使得改进后的QGA很适合于求解最优解。本文基于改进量子遗传算法的红外图像检测，通过量子Rδ门定义位影响因子和差距度量函数，使得基因位的更新更加快速高效，同时对收敛因子、适应度因子和变异加速因子的操作，引入染色体交叉机制，维护了群体的稳定性与多样性，提高了优良个体朝更优方向进化，提高了全局寻优能力。
参考文献
[1] 张莎莎，谷延锋，张钧萍，等.一种基于量子遗传算法的红外图像检测方法[J].哈尔滨工业大学学报，2007，39(9)：1427-1430.
[2] 冯巍巍，魏庆农，汪世美，等.基于混合遗传算法的偏振双向反射分布函数优化建模[J].红外与激光工程，2008，37(4)：743-747.
[3] 朱明，金炜东，普运伟，等.基于Chirplet原子的雷达辐射源信号特征提取[J]. 红外与毫米波学报，2007，26(4):302-306.
[4] 张宗飞.一种改进型量子遗传算法[J].计算机工程，2010,36（6）：181-183.
[5] 郭荣华，李斌，庄镇泉.基于混合量子遗传算法的嵌入式系统软硬件协同综合算法[J].量子电子学报，2008，25(4)：443-451.
[6] 柏琳，付佳.种用于量子遗传算法的多因子决策量子变异方法[P].中国专利：200910092226.8，2009.