趙峰+馬建忠
摘要: 針對(duì)圖像增強(qiáng)的特點(diǎn),采用云編碼算法對(duì)策。不定長(zhǎng)的自然數(shù)編碼機(jī)制和基于順序云滴個(gè)體的適應(yīng)度函數(shù)搜索云滴最優(yōu)解;采用賭輪選擇法產(chǎn)生新一代云滴,用自適應(yīng)的交叉概率求解相對(duì)某個(gè)解的最佳交叉概率,在保持云群體多樣性的同時(shí),保證算法的收斂;通過(guò)整體目標(biāo)函數(shù)淘汰適應(yīng)度小的個(gè)體。實(shí)驗(yàn)仿真顯示云編碼算法對(duì)圖像增強(qiáng)效果最好,處理時(shí)間少,信噪比大。
關(guān)鍵詞: 云滴; 編碼; 自適應(yīng); 權(quán)值
中圖分類號(hào): TP 393文獻(xiàn)標(biāo)志碼: Adoi: 10.3969/j.issn.10055630.2014.04.009
引言圖像增強(qiáng)是數(shù)字圖像處理的基本內(nèi)容之一,針對(duì)給定圖像的應(yīng)用場(chǎng)合,將原來(lái)模糊的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征,擴(kuò)大圖像中不同物體特征之間的差別,抑制不感興趣的特征,使處理后的圖像對(duì)某些特定的應(yīng)用比原來(lái)的圖像更加有效[1]。目前在圖像增強(qiáng)過(guò)程中采用的方法有:多尺度分析學(xué)算法可以增強(qiáng)圖像中的輪廓和方向性紋理信息,但是直接在時(shí)(空)域中設(shè)計(jì)濾波器比較困難,并且計(jì)算量大;粒子群算法在圖像增強(qiáng)過(guò)程中編程實(shí)現(xiàn)簡(jiǎn)單,但是算法運(yùn)行后期易出現(xiàn)數(shù)據(jù)坍塌現(xiàn)象;模擬退火算法過(guò)程簡(jiǎn)單,魯棒性強(qiáng),但是卻不能解決收斂速度和全局最優(yōu)之間的矛盾[2]。本文采用云編碼算法對(duì)圖像進(jìn)行增強(qiáng),在云滴搜索最優(yōu)解的過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān),采用賭輪選擇法產(chǎn)生新一代云滴,通過(guò)整體目標(biāo)函數(shù)淘汰適應(yīng)值小的個(gè)體。 1云理論描述云理論實(shí)現(xiàn)定性概念與定量值之間的不確定性轉(zhuǎn)換[3],設(shè)U是一個(gè)精確數(shù)值表示的定量論域,C是U上相聯(lián)系的定性概念,若定量值x∈U,且x是定性概念C的一次隨機(jī)實(shí)現(xiàn)過(guò)程,x對(duì)C的確定度μ(x)∈[0,1]是有穩(wěn)定傾向的隨機(jī)數(shù)μ∶U→[0,1]ifx∈U
1.1云編碼算法過(guò)程在云編碼過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,染色體的第一位置是圖像含噪聲源節(jié)點(diǎn)號(hào),最后一個(gè)位置是消除噪聲目的節(jié)點(diǎn)號(hào)[4]。染色體的編碼由源節(jié)點(diǎn)到目的節(jié)點(diǎn)的序列組成。編碼方案如下:計(jì)算開始時(shí),隨機(jī)生成一定數(shù)目N個(gè)個(gè)體(父?jìng)€(gè)體1,父?jìng)€(gè)體2,…,父?jìng)€(gè)體N)。用2進(jìn)制1、0來(lái)編碼1個(gè)父?jìng)€(gè)體。后面的變異和交叉操作只要改變二進(jìn)制編碼的結(jié)構(gòu),如1變成0,0變成1,這種信息排列方式在圖像增強(qiáng)過(guò)程中比較容易獲取和維護(hù),在標(biāo)記路徑上獲得染色體導(dǎo)向性信息。染色體的基因有2個(gè)要素:基因的位置(即數(shù)組的下標(biāo))代表節(jié)點(diǎn)ID,基因的值代表節(jié)點(diǎn)優(yōu)先級(jí),用于從多個(gè)候選鄰接節(jié)點(diǎn)選擇一個(gè)來(lái)構(gòu)造路徑,結(jié)合鄰接矩陣將其擴(kuò)展到多路徑應(yīng)用,由一個(gè)染色體生成一個(gè)子網(wǎng)。在圖1表示的無(wú)向網(wǎng)絡(luò)中,對(duì)于從節(jié)點(diǎn)1到節(jié)點(diǎn)4的數(shù)據(jù)優(yōu)化方式,給定圖2中的染色體,就確定了唯一一個(gè)由3條路徑組成的優(yōu)化方式。
1.2個(gè)體適應(yīng)度計(jì)算本文的適應(yīng)度函數(shù)是基于順序的基礎(chǔ),其特點(diǎn)是個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān)。構(gòu)造方法是先將種群中所有個(gè)體按目標(biāo)函數(shù)值的好壞進(jìn)行排序,設(shè)參數(shù)β∈(0,1),定義基于順序的適應(yīng)度函數(shù)為eval(Xi)=β·(1-β)i-1i=1,2,…,m(2)式中,Xi為種群個(gè)體按優(yōu)劣排序后的第i個(gè)個(gè)體。
1.3選擇將每代群體中的n個(gè)個(gè)體按適應(yīng)度由大到小排列,排在第一位的個(gè)體性能最優(yōu),將其復(fù)制一個(gè)直接進(jìn)入下一代,并排在第一位。下一代群體的另n-1個(gè)個(gè)體需要根據(jù)前代群體的n個(gè)體的適應(yīng)度,采用賭輪選擇法產(chǎn)生。具體地說(shuō),就是首先計(jì)算上代群體中所有個(gè)體適應(yīng)度的總和(ΣXi),再計(jì)算每個(gè)個(gè)體的適應(yīng)度所占的比例(Xi/ΣXi),以此作為其被選擇的概率。這樣選擇方法既可保證最優(yōu)個(gè)體生存至下一代,又能保證適應(yīng)度較大的個(gè)體以較大的機(jī)會(huì)進(jìn)入下一代[5]。交叉概率Pc和變異概率Pm的選擇是直接影響算法收斂性的關(guān)鍵。為了防止產(chǎn)生早熟,陷入局部極值,本文的交叉概率隨適應(yīng)度改變,自適應(yīng)的交叉概率能提供相對(duì)某個(gè)解的最佳交叉概率,在保持群體多樣性的同時(shí),保證算法的收斂。交叉概率的自適應(yīng)調(diào)整算子為[5]Pc=Pc1-(Pc1-Pc2)(f′-favg)fmax-favgf′≥favg
Pc1f′ k2f 1.4圖像目標(biāo)函數(shù)優(yōu)化在云滴數(shù)量確定的情況下,觀察各云層是否滿足圖像增強(qiáng)優(yōu)化,如不滿足要求,通過(guò)整體目標(biāo)函數(shù)F進(jìn)行云模型的性能優(yōu)化F=∑mj=1λj[Gj+Cj](5) 式中,Gj為第j云層上的已優(yōu)化云滴數(shù)目,Cj為第j云層上將優(yōu)化云滴數(shù)目,m為云層數(shù),λj為各項(xiàng)權(quán)重且∑λj=1。初始種群和產(chǎn)生的子代種群放在一起,形成新的種群,然后計(jì)算新的種群各個(gè)體的適應(yīng)度,將適應(yīng)度排在前面的個(gè)體保留[6],將適應(yīng)度排在后面的個(gè)體淘汰。每進(jìn)化一次計(jì)算一下各個(gè)體的目標(biāo)函數(shù)值,當(dāng)相鄰兩次進(jìn)化平均目標(biāo)函數(shù)之差小于等于某一給定精度ε時(shí),即滿足如下條件:F(X(t+1))-F(Xt)≤ε(6)式中,F(xiàn)(X(t+1))=∑t+1j=1λj[Gj+Cj]t+1為第ε+1次進(jìn)化后種群的平均目標(biāo)函數(shù)值,F(xiàn)(Xt)=∑tj=1λj[Gj+Cj]t為第t次進(jìn)化后種群的平均目標(biāo)函數(shù)值,此時(shí)終止進(jìn)化[78]。2實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)采用MATLAB編程,其仿真結(jié)果如圖3所示。在仿真實(shí)驗(yàn)中,圖3(a)是含噪聲圖像,圖3(b)是多尺度分析學(xué)含噪聲圖像,圖3(c)是粒子群算法處理結(jié)果,圖3(d)是模擬退火算法處理結(jié)果,圖3(e)是本文算法處理結(jié)果。從處理的視覺(jué)效果看,本文算法改善了圖像質(zhì)量,突出了邊緣分信息,同時(shí)壓制噪聲信息。表1給出了不同算法的處理時(shí)間,可以看出,本文算法不但處理時(shí)間少而且信噪比大。3結(jié)論本文采用云編碼算法對(duì)圖像進(jìn)行增強(qiáng),在云滴搜索最優(yōu)解的過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,云滴個(gè)體的適應(yīng)度函數(shù)基于順序的基礎(chǔ),個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān),采用賭輪選擇法產(chǎn)生新一代云滴,通過(guò)整體目標(biāo)函數(shù)進(jìn)行云模型的性能優(yōu)化。實(shí)驗(yàn)仿真顯示本文算法對(duì)圖像增強(qiáng)效果最好,能夠提高運(yùn)算收斂速度和收斂效率,而且可以有效防止出現(xiàn)陷入局部最優(yōu)、避免出現(xiàn)早熟現(xiàn)象,有著廣泛的應(yīng)用前景。 參考文獻(xiàn): [1]李洪兵,余成波,張冬梅,等.基于脊波變換的手指靜脈圖像增強(qiáng)研究[J].重慶郵電大學(xué)學(xué)報(bào),2011,23(2):224230. [2]高延峰,許瑛.混沌遺傳模擬退火組合算法性能研究[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(11):238240,267. [3]李修海,于少偉.基于正態(tài)分布區(qū)間數(shù)的云滴獲取算法[J].山東大學(xué)學(xué)報(bào),2012,42(5):130134. [4]童明榮.城市物流系統(tǒng)規(guī)劃研究[D].江蘇:南京理工大學(xué),2009:2035. [5]時(shí)銀水,郭棟.基于SAGA的區(qū)域防空雷達(dá)組網(wǎng)優(yōu)化部署[J].微計(jì)算機(jī)信息,2007,23(30):131133. [6]張世錢,陳玉石,王玨明.遺傳模擬退火算法解決紙箱生產(chǎn)的損耗問(wèn)題[J].計(jì)算機(jī)應(yīng)用與軟件,2009,26(2):194196. [7]馬捷,鐘子發(fā),黃高明.基于自適應(yīng)變權(quán)免疫網(wǎng)絡(luò)的電磁信號(hào)監(jiān)測(cè)算法[J].北京郵電大學(xué)學(xué)報(bào),2012,35(2):5963. [8]高曉燕,馬軍山,吳佳杰.手指靜脈圖像增強(qiáng)算法研究法[J].光學(xué)儀器,2010,32(4):2932.
摘要: 針對(duì)圖像增強(qiáng)的特點(diǎn),采用云編碼算法對(duì)策。不定長(zhǎng)的自然數(shù)編碼機(jī)制和基于順序云滴個(gè)體的適應(yīng)度函數(shù)搜索云滴最優(yōu)解;采用賭輪選擇法產(chǎn)生新一代云滴,用自適應(yīng)的交叉概率求解相對(duì)某個(gè)解的最佳交叉概率,在保持云群體多樣性的同時(shí),保證算法的收斂;通過(guò)整體目標(biāo)函數(shù)淘汰適應(yīng)度小的個(gè)體。實(shí)驗(yàn)仿真顯示云編碼算法對(duì)圖像增強(qiáng)效果最好,處理時(shí)間少,信噪比大。
關(guān)鍵詞: 云滴; 編碼; 自適應(yīng); 權(quán)值
中圖分類號(hào): TP 393文獻(xiàn)標(biāo)志碼: Adoi: 10.3969/j.issn.10055630.2014.04.009
引言圖像增強(qiáng)是數(shù)字圖像處理的基本內(nèi)容之一,針對(duì)給定圖像的應(yīng)用場(chǎng)合,將原來(lái)模糊的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征,擴(kuò)大圖像中不同物體特征之間的差別,抑制不感興趣的特征,使處理后的圖像對(duì)某些特定的應(yīng)用比原來(lái)的圖像更加有效[1]。目前在圖像增強(qiáng)過(guò)程中采用的方法有:多尺度分析學(xué)算法可以增強(qiáng)圖像中的輪廓和方向性紋理信息,但是直接在時(shí)(空)域中設(shè)計(jì)濾波器比較困難,并且計(jì)算量大;粒子群算法在圖像增強(qiáng)過(guò)程中編程實(shí)現(xiàn)簡(jiǎn)單,但是算法運(yùn)行后期易出現(xiàn)數(shù)據(jù)坍塌現(xiàn)象;模擬退火算法過(guò)程簡(jiǎn)單,魯棒性強(qiáng),但是卻不能解決收斂速度和全局最優(yōu)之間的矛盾[2]。本文采用云編碼算法對(duì)圖像進(jìn)行增強(qiáng),在云滴搜索最優(yōu)解的過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān),采用賭輪選擇法產(chǎn)生新一代云滴,通過(guò)整體目標(biāo)函數(shù)淘汰適應(yīng)值小的個(gè)體。 1云理論描述云理論實(shí)現(xiàn)定性概念與定量值之間的不確定性轉(zhuǎn)換[3],設(shè)U是一個(gè)精確數(shù)值表示的定量論域,C是U上相聯(lián)系的定性概念,若定量值x∈U,且x是定性概念C的一次隨機(jī)實(shí)現(xiàn)過(guò)程,x對(duì)C的確定度μ(x)∈[0,1]是有穩(wěn)定傾向的隨機(jī)數(shù)μ∶U→[0,1]ifx∈U
1.1云編碼算法過(guò)程在云編碼過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,染色體的第一位置是圖像含噪聲源節(jié)點(diǎn)號(hào),最后一個(gè)位置是消除噪聲目的節(jié)點(diǎn)號(hào)[4]。染色體的編碼由源節(jié)點(diǎn)到目的節(jié)點(diǎn)的序列組成。編碼方案如下:計(jì)算開始時(shí),隨機(jī)生成一定數(shù)目N個(gè)個(gè)體(父?jìng)€(gè)體1,父?jìng)€(gè)體2,…,父?jìng)€(gè)體N)。用2進(jìn)制1、0來(lái)編碼1個(gè)父?jìng)€(gè)體。后面的變異和交叉操作只要改變二進(jìn)制編碼的結(jié)構(gòu),如1變成0,0變成1,這種信息排列方式在圖像增強(qiáng)過(guò)程中比較容易獲取和維護(hù),在標(biāo)記路徑上獲得染色體導(dǎo)向性信息。染色體的基因有2個(gè)要素:基因的位置(即數(shù)組的下標(biāo))代表節(jié)點(diǎn)ID,基因的值代表節(jié)點(diǎn)優(yōu)先級(jí),用于從多個(gè)候選鄰接節(jié)點(diǎn)選擇一個(gè)來(lái)構(gòu)造路徑,結(jié)合鄰接矩陣將其擴(kuò)展到多路徑應(yīng)用,由一個(gè)染色體生成一個(gè)子網(wǎng)。在圖1表示的無(wú)向網(wǎng)絡(luò)中,對(duì)于從節(jié)點(diǎn)1到節(jié)點(diǎn)4的數(shù)據(jù)優(yōu)化方式,給定圖2中的染色體,就確定了唯一一個(gè)由3條路徑組成的優(yōu)化方式。
1.2個(gè)體適應(yīng)度計(jì)算本文的適應(yīng)度函數(shù)是基于順序的基礎(chǔ),其特點(diǎn)是個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān)。構(gòu)造方法是先將種群中所有個(gè)體按目標(biāo)函數(shù)值的好壞進(jìn)行排序,設(shè)參數(shù)β∈(0,1),定義基于順序的適應(yīng)度函數(shù)為eval(Xi)=β·(1-β)i-1i=1,2,…,m(2)式中,Xi為種群個(gè)體按優(yōu)劣排序后的第i個(gè)個(gè)體。
1.3選擇將每代群體中的n個(gè)個(gè)體按適應(yīng)度由大到小排列,排在第一位的個(gè)體性能最優(yōu),將其復(fù)制一個(gè)直接進(jìn)入下一代,并排在第一位。下一代群體的另n-1個(gè)個(gè)體需要根據(jù)前代群體的n個(gè)體的適應(yīng)度,采用賭輪選擇法產(chǎn)生。具體地說(shuō),就是首先計(jì)算上代群體中所有個(gè)體適應(yīng)度的總和(ΣXi),再計(jì)算每個(gè)個(gè)體的適應(yīng)度所占的比例(Xi/ΣXi),以此作為其被選擇的概率。這樣選擇方法既可保證最優(yōu)個(gè)體生存至下一代,又能保證適應(yīng)度較大的個(gè)體以較大的機(jī)會(huì)進(jìn)入下一代[5]。交叉概率Pc和變異概率Pm的選擇是直接影響算法收斂性的關(guān)鍵。為了防止產(chǎn)生早熟,陷入局部極值,本文的交叉概率隨適應(yīng)度改變,自適應(yīng)的交叉概率能提供相對(duì)某個(gè)解的最佳交叉概率,在保持群體多樣性的同時(shí),保證算法的收斂。交叉概率的自適應(yīng)調(diào)整算子為[5]Pc=Pc1-(Pc1-Pc2)(f′-favg)fmax-favgf′≥favg
Pc1f′ k2f 1.4圖像目標(biāo)函數(shù)優(yōu)化在云滴數(shù)量確定的情況下,觀察各云層是否滿足圖像增強(qiáng)優(yōu)化,如不滿足要求,通過(guò)整體目標(biāo)函數(shù)F進(jìn)行云模型的性能優(yōu)化F=∑mj=1λj[Gj+Cj](5) 式中,Gj為第j云層上的已優(yōu)化云滴數(shù)目,Cj為第j云層上將優(yōu)化云滴數(shù)目,m為云層數(shù),λj為各項(xiàng)權(quán)重且∑λj=1。初始種群和產(chǎn)生的子代種群放在一起,形成新的種群,然后計(jì)算新的種群各個(gè)體的適應(yīng)度,將適應(yīng)度排在前面的個(gè)體保留[6],將適應(yīng)度排在后面的個(gè)體淘汰。每進(jìn)化一次計(jì)算一下各個(gè)體的目標(biāo)函數(shù)值,當(dāng)相鄰兩次進(jìn)化平均目標(biāo)函數(shù)之差小于等于某一給定精度ε時(shí),即滿足如下條件:F(X(t+1))-F(Xt)≤ε(6)式中,F(xiàn)(X(t+1))=∑t+1j=1λj[Gj+Cj]t+1為第ε+1次進(jìn)化后種群的平均目標(biāo)函數(shù)值,F(xiàn)(Xt)=∑tj=1λj[Gj+Cj]t為第t次進(jìn)化后種群的平均目標(biāo)函數(shù)值,此時(shí)終止進(jìn)化[78]。2實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)采用MATLAB編程,其仿真結(jié)果如圖3所示。在仿真實(shí)驗(yàn)中,圖3(a)是含噪聲圖像,圖3(b)是多尺度分析學(xué)含噪聲圖像,圖3(c)是粒子群算法處理結(jié)果,圖3(d)是模擬退火算法處理結(jié)果,圖3(e)是本文算法處理結(jié)果。從處理的視覺(jué)效果看,本文算法改善了圖像質(zhì)量,突出了邊緣分信息,同時(shí)壓制噪聲信息。表1給出了不同算法的處理時(shí)間,可以看出,本文算法不但處理時(shí)間少而且信噪比大。3結(jié)論本文采用云編碼算法對(duì)圖像進(jìn)行增強(qiáng),在云滴搜索最優(yōu)解的過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,云滴個(gè)體的適應(yīng)度函數(shù)基于順序的基礎(chǔ),個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān),采用賭輪選擇法產(chǎn)生新一代云滴,通過(guò)整體目標(biāo)函數(shù)進(jìn)行云模型的性能優(yōu)化。實(shí)驗(yàn)仿真顯示本文算法對(duì)圖像增強(qiáng)效果最好,能夠提高運(yùn)算收斂速度和收斂效率,而且可以有效防止出現(xiàn)陷入局部最優(yōu)、避免出現(xiàn)早熟現(xiàn)象,有著廣泛的應(yīng)用前景。 參考文獻(xiàn): [1]李洪兵,余成波,張冬梅,等.基于脊波變換的手指靜脈圖像增強(qiáng)研究[J].重慶郵電大學(xué)學(xué)報(bào),2011,23(2):224230. [2]高延峰,許瑛.混沌遺傳模擬退火組合算法性能研究[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(11):238240,267. [3]李修海,于少偉.基于正態(tài)分布區(qū)間數(shù)的云滴獲取算法[J].山東大學(xué)學(xué)報(bào),2012,42(5):130134. [4]童明榮.城市物流系統(tǒng)規(guī)劃研究[D].江蘇:南京理工大學(xué),2009:2035. [5]時(shí)銀水,郭棟.基于SAGA的區(qū)域防空雷達(dá)組網(wǎng)優(yōu)化部署[J].微計(jì)算機(jī)信息,2007,23(30):131133. [6]張世錢,陳玉石,王玨明.遺傳模擬退火算法解決紙箱生產(chǎn)的損耗問(wèn)題[J].計(jì)算機(jī)應(yīng)用與軟件,2009,26(2):194196. [7]馬捷,鐘子發(fā),黃高明.基于自適應(yīng)變權(quán)免疫網(wǎng)絡(luò)的電磁信號(hào)監(jiān)測(cè)算法[J].北京郵電大學(xué)學(xué)報(bào),2012,35(2):5963. [8]高曉燕,馬軍山,吳佳杰.手指靜脈圖像增強(qiáng)算法研究法[J].光學(xué)儀器,2010,32(4):2932.
摘要: 針對(duì)圖像增強(qiáng)的特點(diǎn),采用云編碼算法對(duì)策。不定長(zhǎng)的自然數(shù)編碼機(jī)制和基于順序云滴個(gè)體的適應(yīng)度函數(shù)搜索云滴最優(yōu)解;采用賭輪選擇法產(chǎn)生新一代云滴,用自適應(yīng)的交叉概率求解相對(duì)某個(gè)解的最佳交叉概率,在保持云群體多樣性的同時(shí),保證算法的收斂;通過(guò)整體目標(biāo)函數(shù)淘汰適應(yīng)度小的個(gè)體。實(shí)驗(yàn)仿真顯示云編碼算法對(duì)圖像增強(qiáng)效果最好,處理時(shí)間少,信噪比大。
關(guān)鍵詞: 云滴; 編碼; 自適應(yīng); 權(quán)值
中圖分類號(hào): TP 393文獻(xiàn)標(biāo)志碼: Adoi: 10.3969/j.issn.10055630.2014.04.009
引言圖像增強(qiáng)是數(shù)字圖像處理的基本內(nèi)容之一,針對(duì)給定圖像的應(yīng)用場(chǎng)合,將原來(lái)模糊的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征,擴(kuò)大圖像中不同物體特征之間的差別,抑制不感興趣的特征,使處理后的圖像對(duì)某些特定的應(yīng)用比原來(lái)的圖像更加有效[1]。目前在圖像增強(qiáng)過(guò)程中采用的方法有:多尺度分析學(xué)算法可以增強(qiáng)圖像中的輪廓和方向性紋理信息,但是直接在時(shí)(空)域中設(shè)計(jì)濾波器比較困難,并且計(jì)算量大;粒子群算法在圖像增強(qiáng)過(guò)程中編程實(shí)現(xiàn)簡(jiǎn)單,但是算法運(yùn)行后期易出現(xiàn)數(shù)據(jù)坍塌現(xiàn)象;模擬退火算法過(guò)程簡(jiǎn)單,魯棒性強(qiáng),但是卻不能解決收斂速度和全局最優(yōu)之間的矛盾[2]。本文采用云編碼算法對(duì)圖像進(jìn)行增強(qiáng),在云滴搜索最優(yōu)解的過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān),采用賭輪選擇法產(chǎn)生新一代云滴,通過(guò)整體目標(biāo)函數(shù)淘汰適應(yīng)值小的個(gè)體。 1云理論描述云理論實(shí)現(xiàn)定性概念與定量值之間的不確定性轉(zhuǎn)換[3],設(shè)U是一個(gè)精確數(shù)值表示的定量論域,C是U上相聯(lián)系的定性概念,若定量值x∈U,且x是定性概念C的一次隨機(jī)實(shí)現(xiàn)過(guò)程,x對(duì)C的確定度μ(x)∈[0,1]是有穩(wěn)定傾向的隨機(jī)數(shù)μ∶U→[0,1]ifx∈U
1.1云編碼算法過(guò)程在云編碼過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,染色體的第一位置是圖像含噪聲源節(jié)點(diǎn)號(hào),最后一個(gè)位置是消除噪聲目的節(jié)點(diǎn)號(hào)[4]。染色體的編碼由源節(jié)點(diǎn)到目的節(jié)點(diǎn)的序列組成。編碼方案如下:計(jì)算開始時(shí),隨機(jī)生成一定數(shù)目N個(gè)個(gè)體(父?jìng)€(gè)體1,父?jìng)€(gè)體2,…,父?jìng)€(gè)體N)。用2進(jìn)制1、0來(lái)編碼1個(gè)父?jìng)€(gè)體。后面的變異和交叉操作只要改變二進(jìn)制編碼的結(jié)構(gòu),如1變成0,0變成1,這種信息排列方式在圖像增強(qiáng)過(guò)程中比較容易獲取和維護(hù),在標(biāo)記路徑上獲得染色體導(dǎo)向性信息。染色體的基因有2個(gè)要素:基因的位置(即數(shù)組的下標(biāo))代表節(jié)點(diǎn)ID,基因的值代表節(jié)點(diǎn)優(yōu)先級(jí),用于從多個(gè)候選鄰接節(jié)點(diǎn)選擇一個(gè)來(lái)構(gòu)造路徑,結(jié)合鄰接矩陣將其擴(kuò)展到多路徑應(yīng)用,由一個(gè)染色體生成一個(gè)子網(wǎng)。在圖1表示的無(wú)向網(wǎng)絡(luò)中,對(duì)于從節(jié)點(diǎn)1到節(jié)點(diǎn)4的數(shù)據(jù)優(yōu)化方式,給定圖2中的染色體,就確定了唯一一個(gè)由3條路徑組成的優(yōu)化方式。
1.2個(gè)體適應(yīng)度計(jì)算本文的適應(yīng)度函數(shù)是基于順序的基礎(chǔ),其特點(diǎn)是個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān)。構(gòu)造方法是先將種群中所有個(gè)體按目標(biāo)函數(shù)值的好壞進(jìn)行排序,設(shè)參數(shù)β∈(0,1),定義基于順序的適應(yīng)度函數(shù)為eval(Xi)=β·(1-β)i-1i=1,2,…,m(2)式中,Xi為種群個(gè)體按優(yōu)劣排序后的第i個(gè)個(gè)體。
1.3選擇將每代群體中的n個(gè)個(gè)體按適應(yīng)度由大到小排列,排在第一位的個(gè)體性能最優(yōu),將其復(fù)制一個(gè)直接進(jìn)入下一代,并排在第一位。下一代群體的另n-1個(gè)個(gè)體需要根據(jù)前代群體的n個(gè)體的適應(yīng)度,采用賭輪選擇法產(chǎn)生。具體地說(shuō),就是首先計(jì)算上代群體中所有個(gè)體適應(yīng)度的總和(ΣXi),再計(jì)算每個(gè)個(gè)體的適應(yīng)度所占的比例(Xi/ΣXi),以此作為其被選擇的概率。這樣選擇方法既可保證最優(yōu)個(gè)體生存至下一代,又能保證適應(yīng)度較大的個(gè)體以較大的機(jī)會(huì)進(jìn)入下一代[5]。交叉概率Pc和變異概率Pm的選擇是直接影響算法收斂性的關(guān)鍵。為了防止產(chǎn)生早熟,陷入局部極值,本文的交叉概率隨適應(yīng)度改變,自適應(yīng)的交叉概率能提供相對(duì)某個(gè)解的最佳交叉概率,在保持群體多樣性的同時(shí),保證算法的收斂。交叉概率的自適應(yīng)調(diào)整算子為[5]Pc=Pc1-(Pc1-Pc2)(f′-favg)fmax-favgf′≥favg
Pc1f′ k2f 1.4圖像目標(biāo)函數(shù)優(yōu)化在云滴數(shù)量確定的情況下,觀察各云層是否滿足圖像增強(qiáng)優(yōu)化,如不滿足要求,通過(guò)整體目標(biāo)函數(shù)F進(jìn)行云模型的性能優(yōu)化F=∑mj=1λj[Gj+Cj](5) 式中,Gj為第j云層上的已優(yōu)化云滴數(shù)目,Cj為第j云層上將優(yōu)化云滴數(shù)目,m為云層數(shù),λj為各項(xiàng)權(quán)重且∑λj=1。初始種群和產(chǎn)生的子代種群放在一起,形成新的種群,然后計(jì)算新的種群各個(gè)體的適應(yīng)度,將適應(yīng)度排在前面的個(gè)體保留[6],將適應(yīng)度排在后面的個(gè)體淘汰。每進(jìn)化一次計(jì)算一下各個(gè)體的目標(biāo)函數(shù)值,當(dāng)相鄰兩次進(jìn)化平均目標(biāo)函數(shù)之差小于等于某一給定精度ε時(shí),即滿足如下條件:F(X(t+1))-F(Xt)≤ε(6)式中,F(xiàn)(X(t+1))=∑t+1j=1λj[Gj+Cj]t+1為第ε+1次進(jìn)化后種群的平均目標(biāo)函數(shù)值,F(xiàn)(Xt)=∑tj=1λj[Gj+Cj]t為第t次進(jìn)化后種群的平均目標(biāo)函數(shù)值,此時(shí)終止進(jìn)化[78]。2實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)采用MATLAB編程,其仿真結(jié)果如圖3所示。在仿真實(shí)驗(yàn)中,圖3(a)是含噪聲圖像,圖3(b)是多尺度分析學(xué)含噪聲圖像,圖3(c)是粒子群算法處理結(jié)果,圖3(d)是模擬退火算法處理結(jié)果,圖3(e)是本文算法處理結(jié)果。從處理的視覺(jué)效果看,本文算法改善了圖像質(zhì)量,突出了邊緣分信息,同時(shí)壓制噪聲信息。表1給出了不同算法的處理時(shí)間,可以看出,本文算法不但處理時(shí)間少而且信噪比大。3結(jié)論本文采用云編碼算法對(duì)圖像進(jìn)行增強(qiáng),在云滴搜索最優(yōu)解的過(guò)程中,采用不定長(zhǎng)的自然數(shù)編碼機(jī)制,云滴個(gè)體的適應(yīng)度函數(shù)基于順序的基礎(chǔ),個(gè)體被選擇的概率與目標(biāo)函數(shù)的具體值無(wú)關(guān),僅與順序有關(guān),采用賭輪選擇法產(chǎn)生新一代云滴,通過(guò)整體目標(biāo)函數(shù)進(jìn)行云模型的性能優(yōu)化。實(shí)驗(yàn)仿真顯示本文算法對(duì)圖像增強(qiáng)效果最好,能夠提高運(yùn)算收斂速度和收斂效率,而且可以有效防止出現(xiàn)陷入局部最優(yōu)、避免出現(xiàn)早熟現(xiàn)象,有著廣泛的應(yīng)用前景。 參考文獻(xiàn): [1]李洪兵,余成波,張冬梅,等.基于脊波變換的手指靜脈圖像增強(qiáng)研究[J].重慶郵電大學(xué)學(xué)報(bào),2011,23(2):224230. [2]高延峰,許瑛.混沌遺傳模擬退火組合算法性能研究[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(11):238240,267. [3]李修海,于少偉.基于正態(tài)分布區(qū)間數(shù)的云滴獲取算法[J].山東大學(xué)學(xué)報(bào),2012,42(5):130134. [4]童明榮.城市物流系統(tǒng)規(guī)劃研究[D].江蘇:南京理工大學(xué),2009:2035. [5]時(shí)銀水,郭棟.基于SAGA的區(qū)域防空雷達(dá)組網(wǎng)優(yōu)化部署[J].微計(jì)算機(jī)信息,2007,23(30):131133. [6]張世錢,陳玉石,王玨明.遺傳模擬退火算法解決紙箱生產(chǎn)的損耗問(wèn)題[J].計(jì)算機(jī)應(yīng)用與軟件,2009,26(2):194196. [7]馬捷,鐘子發(fā),黃高明.基于自適應(yīng)變權(quán)免疫網(wǎng)絡(luò)的電磁信號(hào)監(jiān)測(cè)算法[J].北京郵電大學(xué)學(xué)報(bào),2012,35(2):5963. [8]高曉燕,馬軍山,吳佳杰.手指靜脈圖像增強(qiáng)算法研究法[J].光學(xué)儀器,2010,32(4):2932.