基于云编码算法的图像增强研究

赵峰+马建忠

摘要： 针对图像增强的特点，采用云编码算法对策。不定长的自然数编码机制和基于顺序云滴个体的适应度函数搜索云滴最优解；采用赌轮选择法产生新一代云滴，用自适应的交叉概率求解相对某个解的最佳交叉概率，在保持云群体多样性的同时，保证算法的收敛；通过整体目标函数淘汰适应度小的个体。实验仿真显示云编码算法对图像增强效果最好，处理时间少，信噪比大。

关键词： 云滴； 编码； 自适应； 权值

中图分类号： TP 393文献标志码： Adoi： 10.3969/j.issn.10055630.2014.04.009

引言图像增强是数字图像处理的基本内容之一，针对给定图像的应用场合，将原来模糊的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使处理后的图像对某些特定的应用比原来的图像更加有效[1]。目前在图像增强过程中采用的方法有：多尺度分析学算法可以增强图像中的轮廓和方向性纹理信息，但是直接在时（空）域中设计滤波器比较困难，并且计算量大；粒子群算法在图像增强过程中编程实现简单，但是算法运行后期易出现数据坍塌现象；模拟退火算法过程简单，鲁棒性强，但是却不能解决收敛速度和全局最优之间的矛盾[2]。本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数淘汰适应值小的个体。 1云理论描述云理论实现定性概念与定量值之间的不确定性转换[3]，设U是一个精确数值表示的定量论域，C是U上相联系的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现过程，x对C的确定度μ（x）∈[0，1]是有稳定倾向的随机数μ∶U→[0，1]ifx∈U

1.1云编码算法过程在云编码过程中，采用不定长的自然数编码机制，染色体的第一位置是图像含噪声源节点号，最后一个位置是消除噪声目的节点号[4]。染色体的编码由源节点到目的节点的序列组成。编码方案如下：计算开始时，随机生成一定数目N个个体（父个体1，父个体2，…，父个体N）。用2进制1、0来编码1个父个体。后面的变异和交叉操作只要改变二进制编码的结构，如1变成0，0变成1，这种信息排列方式在图像增强过程中比较容易获取和维护，在标记路径上获得染色体导向性信息。染色体的基因有2个要素：基因的位置（即数组的下标）代表节点ID，基因的值代表节点优先级，用于从多个候选邻接节点选择一个来构造路径，结合邻接矩阵将其扩展到多路径应用，由一个染色体生成一个子网。在图1表示的无向网络中，对于从节点1到节点4的数据优化方式，给定图2中的染色体，就确定了唯一一个由3条路径组成的优化方式。

1.2个体适应度计算本文的适应度函数是基于顺序的基础，其特点是个体被选择的概率与目标函数的具体值无关，仅与顺序有关。构造方法是先将种群中所有个体按目标函数值的好坏进行排序，设参数β∈（0，1），定义基于顺序的适应度函数为eval（Xi）=β·（1-β）i-1i=1，2，…，m（2）式中，Xi为种群个体按优劣排序后的第i个个体。

1.3选择将每代群体中的n个个体按适应度由大到小排列，排在第一位的个体性能最优，将其复制一个直接进入下一代，并排在第一位。下一代群体的另n-1个个体需要根据前代群体的n个体的适应度，采用赌轮选择法产生。具体地说，就是首先计算上代群体中所有个体适应度的总和（ΣXi），再计算每个个体的适应度所占的比例（Xi/ΣXi），以此作为其被选择的概率。这样选择方法既可保证最优个体生存至下一代，又能保证适应度较大的个体以较大的机会进入下一代[5]。交叉概率Pc和变异概率Pm的选择是直接影响算法收敛性的关键。为了防止产生早熟，陷入局部极值，本文的交叉概率随适应度改变，自适应的交叉概率能提供相对某个解的最佳交叉概率，在保持群体多样性的同时，保证算法的收敛。交叉概率的自适应调整算子为[5]Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favgf′≥favg

Pc1f′

k2f

1.4图像目标函数优化在云滴数量确定的情况下，观察各云层是否满足图像增强优化，如不满足要求，通过整体目标函数F进行云模型的性能优化F=∑mj=1λj[Gj+Cj]（5）

式中，Gj为第j云层上的已优化云滴数目，Cj为第j云层上将优化云滴数目，m为云层数，λj为各项权重且∑λj=1。初始种群和产生的子代种群放在一起，形成新的种群，然后计算新的种群各个体的适应度，将适应度排在前面的个体保留[6]，将适应度排在后面的个体淘汰。每进化一次计算一下各个体的目标函数值，当相邻两次进化平均目标函数之差小于等于某一给定精度ε时，即满足如下条件：F（X（t+1））-F（Xt）≤ε（6）式中，F（X（t+1））=∑t+1j=1λj[Gj+Cj]t+1为第ε+1次进化后种群的平均目标函数值，F（Xt）=∑tj=1λj[Gj+Cj]t为第t次进化后种群的平均目标函数值，此时终止进化[78]。2实验结果实验采用MATLAB编程，其仿真结果如图3所示。在仿真实验中，图3（a）是含噪声图像，图3（b）是多尺度分析学含噪声图像，图3（c）是粒子群算法处理结果，图3（d）是模拟退火算法处理结果，图3（e）是本文算法处理结果。从处理的视觉效果看，本文算法改善了图像质量，突出了边缘分信息，同时压制噪声信息。表1给出了不同算法的处理时间，可以看出，本文算法不但处理时间少而且信噪比大。3结论本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，云滴个体的适应度函数基于顺序的基础，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数进行云模型的性能优化。实验仿真显示本文算法对图像增强效果最好，能够提高运算收敛速度和收敛效率，而且可以有效防止出现陷入局部最优、避免出现早熟现象，有着广泛的应用前景。

参考文献：

[1]李洪兵，余成波，张冬梅，等.基于脊波变换的手指静脉图像增强研究[J].重庆邮电大学学报，2011，23（2）：224230.

[2]高延峰，许瑛.混沌遗传模拟退火组合算法性能研究[J].计算机应用与软件，2008，25（11）：238240，267.

[3]李修海，于少伟.基于正态分布区间数的云滴获取算法[J].山东大学学报，2012，42（5）：130134.

[4]童明荣.城市物流系统规划研究[D].江苏：南京理工大学，2009：2035.

[5]时银水，郭栋.基于SAGA的区域防空雷达组网优化部署[J].微计算机信息，2007，23（30）：131133.

[6]张世钱，陈玉石，王珏明.遗传模拟退火算法解决纸箱生产的损耗问题[J].计算机应用与软件，2009，26（2）：194196.

[7]马捷，钟子发，黄高明.基于自适应变权免疫网络的电磁信号监测算法[J].北京邮电大学学报，2012，35（2）：5963.

[8]高晓燕，马军山，吴佳杰.手指静脉图像增强算法研究法[J].光学仪器，2010，32（4）：2932.

摘要： 针对图像增强的特点，采用云编码算法对策。不定长的自然数编码机制和基于顺序云滴个体的适应度函数搜索云滴最优解；采用赌轮选择法产生新一代云滴，用自适应的交叉概率求解相对某个解的最佳交叉概率，在保持云群体多样性的同时，保证算法的收敛；通过整体目标函数淘汰适应度小的个体。实验仿真显示云编码算法对图像增强效果最好，处理时间少，信噪比大。

关键词： 云滴； 编码； 自适应； 权值

中图分类号： TP 393文献标志码： Adoi： 10.3969/j.issn.10055630.2014.04.009

引言图像增强是数字图像处理的基本内容之一，针对给定图像的应用场合，将原来模糊的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使处理后的图像对某些特定的应用比原来的图像更加有效[1]。目前在图像增强过程中采用的方法有：多尺度分析学算法可以增强图像中的轮廓和方向性纹理信息，但是直接在时（空）域中设计滤波器比较困难，并且计算量大；粒子群算法在图像增强过程中编程实现简单，但是算法运行后期易出现数据坍塌现象；模拟退火算法过程简单，鲁棒性强，但是却不能解决收敛速度和全局最优之间的矛盾[2]。本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数淘汰适应值小的个体。 1云理论描述云理论实现定性概念与定量值之间的不确定性转换[3]，设U是一个精确数值表示的定量论域，C是U上相联系的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现过程，x对C的确定度μ（x）∈[0，1]是有稳定倾向的随机数μ∶U→[0，1]ifx∈U

1.1云编码算法过程在云编码过程中，采用不定长的自然数编码机制，染色体的第一位置是图像含噪声源节点号，最后一个位置是消除噪声目的节点号[4]。染色体的编码由源节点到目的节点的序列组成。编码方案如下：计算开始时，随机生成一定数目N个个体（父个体1，父个体2，…，父个体N）。用2进制1、0来编码1个父个体。后面的变异和交叉操作只要改变二进制编码的结构，如1变成0，0变成1，这种信息排列方式在图像增强过程中比较容易获取和维护，在标记路径上获得染色体导向性信息。染色体的基因有2个要素：基因的位置（即数组的下标）代表节点ID，基因的值代表节点优先级，用于从多个候选邻接节点选择一个来构造路径，结合邻接矩阵将其扩展到多路径应用，由一个染色体生成一个子网。在图1表示的无向网络中，对于从节点1到节点4的数据优化方式，给定图2中的染色体，就确定了唯一一个由3条路径组成的优化方式。

1.2个体适应度计算本文的适应度函数是基于顺序的基础，其特点是个体被选择的概率与目标函数的具体值无关，仅与顺序有关。构造方法是先将种群中所有个体按目标函数值的好坏进行排序，设参数β∈（0，1），定义基于顺序的适应度函数为eval（Xi）=β·（1-β）i-1i=1，2，…，m（2）式中，Xi为种群个体按优劣排序后的第i个个体。

1.3选择将每代群体中的n个个体按适应度由大到小排列，排在第一位的个体性能最优，将其复制一个直接进入下一代，并排在第一位。下一代群体的另n-1个个体需要根据前代群体的n个体的适应度，采用赌轮选择法产生。具体地说，就是首先计算上代群体中所有个体适应度的总和（ΣXi），再计算每个个体的适应度所占的比例（Xi/ΣXi），以此作为其被选择的概率。这样选择方法既可保证最优个体生存至下一代，又能保证适应度较大的个体以较大的机会进入下一代[5]。交叉概率Pc和变异概率Pm的选择是直接影响算法收敛性的关键。为了防止产生早熟，陷入局部极值，本文的交叉概率随适应度改变，自适应的交叉概率能提供相对某个解的最佳交叉概率，在保持群体多样性的同时，保证算法的收敛。交叉概率的自适应调整算子为[5]Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favgf′≥favg

Pc1f′

k2f

1.4图像目标函数优化在云滴数量确定的情况下，观察各云层是否满足图像增强优化，如不满足要求，通过整体目标函数F进行云模型的性能优化F=∑mj=1λj[Gj+Cj]（5）

式中，Gj为第j云层上的已优化云滴数目，Cj为第j云层上将优化云滴数目，m为云层数，λj为各项权重且∑λj=1。初始种群和产生的子代种群放在一起，形成新的种群，然后计算新的种群各个体的适应度，将适应度排在前面的个体保留[6]，将适应度排在后面的个体淘汰。每进化一次计算一下各个体的目标函数值，当相邻两次进化平均目标函数之差小于等于某一给定精度ε时，即满足如下条件：F（X（t+1））-F（Xt）≤ε（6）式中，F（X（t+1））=∑t+1j=1λj[Gj+Cj]t+1为第ε+1次进化后种群的平均目标函数值，F（Xt）=∑tj=1λj[Gj+Cj]t为第t次进化后种群的平均目标函数值，此时终止进化[78]。2实验结果实验采用MATLAB编程，其仿真结果如图3所示。在仿真实验中，图3（a）是含噪声图像，图3（b）是多尺度分析学含噪声图像，图3（c）是粒子群算法处理结果，图3（d）是模拟退火算法处理结果，图3（e）是本文算法处理结果。从处理的视觉效果看，本文算法改善了图像质量，突出了边缘分信息，同时压制噪声信息。表1给出了不同算法的处理时间，可以看出，本文算法不但处理时间少而且信噪比大。3结论本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，云滴个体的适应度函数基于顺序的基础，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数进行云模型的性能优化。实验仿真显示本文算法对图像增强效果最好，能够提高运算收敛速度和收敛效率，而且可以有效防止出现陷入局部最优、避免出现早熟现象，有着广泛的应用前景。

参考文献：

[1]李洪兵，余成波，张冬梅，等.基于脊波变换的手指静脉图像增强研究[J].重庆邮电大学学报，2011，23（2）：224230.

[2]高延峰，许瑛.混沌遗传模拟退火组合算法性能研究[J].计算机应用与软件，2008，25（11）：238240，267.

[3]李修海，于少伟.基于正态分布区间数的云滴获取算法[J].山东大学学报，2012，42（5）：130134.

[4]童明荣.城市物流系统规划研究[D].江苏：南京理工大学，2009：2035.

[5]时银水，郭栋.基于SAGA的区域防空雷达组网优化部署[J].微计算机信息，2007，23（30）：131133.

[6]张世钱，陈玉石，王珏明.遗传模拟退火算法解决纸箱生产的损耗问题[J].计算机应用与软件，2009，26（2）：194196.

[7]马捷，钟子发，黄高明.基于自适应变权免疫网络的电磁信号监测算法[J].北京邮电大学学报，2012，35（2）：5963.

[8]高晓燕，马军山，吴佳杰.手指静脉图像增强算法研究法[J].光学仪器，2010，32（4）：2932.

摘要： 针对图像增强的特点，采用云编码算法对策。不定长的自然数编码机制和基于顺序云滴个体的适应度函数搜索云滴最优解；采用赌轮选择法产生新一代云滴，用自适应的交叉概率求解相对某个解的最佳交叉概率，在保持云群体多样性的同时，保证算法的收敛；通过整体目标函数淘汰适应度小的个体。实验仿真显示云编码算法对图像增强效果最好，处理时间少，信噪比大。

关键词： 云滴； 编码； 自适应； 权值

中图分类号： TP 393文献标志码： Adoi： 10.3969/j.issn.10055630.2014.04.009

引言图像增强是数字图像处理的基本内容之一，针对给定图像的应用场合，将原来模糊的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使处理后的图像对某些特定的应用比原来的图像更加有效[1]。目前在图像增强过程中采用的方法有：多尺度分析学算法可以增强图像中的轮廓和方向性纹理信息，但是直接在时（空）域中设计滤波器比较困难，并且计算量大；粒子群算法在图像增强过程中编程实现简单，但是算法运行后期易出现数据坍塌现象；模拟退火算法过程简单，鲁棒性强，但是却不能解决收敛速度和全局最优之间的矛盾[2]。本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数淘汰适应值小的个体。 1云理论描述云理论实现定性概念与定量值之间的不确定性转换[3]，设U是一个精确数值表示的定量论域，C是U上相联系的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现过程，x对C的确定度μ（x）∈[0，1]是有稳定倾向的随机数μ∶U→[0，1]ifx∈U

1.1云编码算法过程在云编码过程中，采用不定长的自然数编码机制，染色体的第一位置是图像含噪声源节点号，最后一个位置是消除噪声目的节点号[4]。染色体的编码由源节点到目的节点的序列组成。编码方案如下：计算开始时，随机生成一定数目N个个体（父个体1，父个体2，…，父个体N）。用2进制1、0来编码1个父个体。后面的变异和交叉操作只要改变二进制编码的结构，如1变成0，0变成1，这种信息排列方式在图像增强过程中比较容易获取和维护，在标记路径上获得染色体导向性信息。染色体的基因有2个要素：基因的位置（即数组的下标）代表节点ID，基因的值代表节点优先级，用于从多个候选邻接节点选择一个来构造路径，结合邻接矩阵将其扩展到多路径应用，由一个染色体生成一个子网。在图1表示的无向网络中，对于从节点1到节点4的数据优化方式，给定图2中的染色体，就确定了唯一一个由3条路径组成的优化方式。

1.2个体适应度计算本文的适应度函数是基于顺序的基础，其特点是个体被选择的概率与目标函数的具体值无关，仅与顺序有关。构造方法是先将种群中所有个体按目标函数值的好坏进行排序，设参数β∈（0，1），定义基于顺序的适应度函数为eval（Xi）=β·（1-β）i-1i=1，2，…，m（2）式中，Xi为种群个体按优劣排序后的第i个个体。

1.3选择将每代群体中的n个个体按适应度由大到小排列，排在第一位的个体性能最优，将其复制一个直接进入下一代，并排在第一位。下一代群体的另n-1个个体需要根据前代群体的n个体的适应度，采用赌轮选择法产生。具体地说，就是首先计算上代群体中所有个体适应度的总和（ΣXi），再计算每个个体的适应度所占的比例（Xi/ΣXi），以此作为其被选择的概率。这样选择方法既可保证最优个体生存至下一代，又能保证适应度较大的个体以较大的机会进入下一代[5]。交叉概率Pc和变异概率Pm的选择是直接影响算法收敛性的关键。为了防止产生早熟，陷入局部极值，本文的交叉概率随适应度改变，自适应的交叉概率能提供相对某个解的最佳交叉概率，在保持群体多样性的同时，保证算法的收敛。交叉概率的自适应调整算子为[5]Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favgf′≥favg

Pc1f′

k2f

1.4图像目标函数优化在云滴数量确定的情况下，观察各云层是否满足图像增强优化，如不满足要求，通过整体目标函数F进行云模型的性能优化F=∑mj=1λj[Gj+Cj]（5）

式中，Gj为第j云层上的已优化云滴数目，Cj为第j云层上将优化云滴数目，m为云层数，λj为各项权重且∑λj=1。初始种群和产生的子代种群放在一起，形成新的种群，然后计算新的种群各个体的适应度，将适应度排在前面的个体保留[6]，将适应度排在后面的个体淘汰。每进化一次计算一下各个体的目标函数值，当相邻两次进化平均目标函数之差小于等于某一给定精度ε时，即满足如下条件：F（X（t+1））-F（Xt）≤ε（6）式中，F（X（t+1））=∑t+1j=1λj[Gj+Cj]t+1为第ε+1次进化后种群的平均目标函数值，F（Xt）=∑tj=1λj[Gj+Cj]t为第t次进化后种群的平均目标函数值，此时终止进化[78]。2实验结果实验采用MATLAB编程，其仿真结果如图3所示。在仿真实验中，图3（a）是含噪声图像，图3（b）是多尺度分析学含噪声图像，图3（c）是粒子群算法处理结果，图3（d）是模拟退火算法处理结果，图3（e）是本文算法处理结果。从处理的视觉效果看，本文算法改善了图像质量，突出了边缘分信息，同时压制噪声信息。表1给出了不同算法的处理时间，可以看出，本文算法不但处理时间少而且信噪比大。3结论本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，云滴个体的适应度函数基于顺序的基础，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数进行云模型的性能优化。实验仿真显示本文算法对图像增强效果最好，能够提高运算收敛速度和收敛效率，而且可以有效防止出现陷入局部最优、避免出现早熟现象，有着广泛的应用前景。

参考文献：

[1]李洪兵，余成波，张冬梅，等.基于脊波变换的手指静脉图像增强研究[J].重庆邮电大学学报，2011，23（2）：224230.

[2]高延峰，许瑛.混沌遗传模拟退火组合算法性能研究[J].计算机应用与软件，2008，25（11）：238240，267.

[3]李修海，于少伟.基于正态分布区间数的云滴获取算法[J].山东大学学报，2012，42（5）：130134.

[4]童明荣.城市物流系统规划研究[D].江苏：南京理工大学，2009：2035.

[5]时银水，郭栋.基于SAGA的区域防空雷达组网优化部署[J].微计算机信息，2007，23（30）：131133.

[6]张世钱，陈玉石，王珏明.遗传模拟退火算法解决纸箱生产的损耗问题[J].计算机应用与软件，2009，26（2）：194196.

[7]马捷，钟子发，黄高明.基于自适应变权免疫网络的电磁信号监测算法[J].北京邮电大学学报，2012，35（2）：5963.

[8]高晓燕，马军山，吴佳杰.手指静脉图像增强算法研究法[J].光学仪器，2010，32（4）：2932.