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.