边缘是图像最核心的属性,包含了很多有用的数据。边缘检测技术利用图像的边缘信息对图像进行分割获得目标图像,它是图像进行其它处理的基础。因此,被广泛的应用在图像分割、目标跟踪、模式识别等领域。作为一种智能优化算法,遗传算法可以对边缘检测进行优化处理。遗传算法在串行的处理数据量大、复杂度高的图像等应用时存在求解质量差、收敛速度慢等缺陷。本文研究了基于MapReduce编程模型的并行遗传算法的实现框架,以提高算法处理大量复杂数据的速度和能力。在该框架的基础上,对算法提出了一些改进,提高了问题的求解质量。本文的主要工作有:(1)为了解决遗传算法存在的早熟问题,本文给出了一种改进的评估种群早熟程度的方法。该方法通过计算所有较优个体的平均适应度与最大适应度的比值来评估种群的早熟程度。与其它方法相比,该方法具有计算量小、归一化等优点。(2)利用上述评估种群早熟程度的方法,改进了并行遗传算法的迁移算子。通过评估子种群的早熟程度动态地调整子种群的迁移周期,有利于提高算法的收敛速度和解的质量。然后根据改进的并行遗传算法,设计了基于MapReduce模型的并行遗传算法框架。(3)根据高维空间中的极值点趋向于分布在空间边界处这一理论,本文给出了空间点的边界隶属度这一概念。边界隶属度反映了点的边界隶属程度,可以用来评估该点是否趋近于极值点。在遗传算法的选择和变异操作中,可以根据染色体的边界隶属度动态的调整个体的交叉概率和变异概率,以提高算法的收敛性。(4)把以上给出的对并行遗传算法的改进应用到边缘检测中,实验取得了较好的检测结果,算法的处理速度得到了很大的提高。