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

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。

图 1

Fig. 1

图 1 4个节点的简单网络 Fig. 1 4 nodes of a simple network

图 2

Fig. 2

图 2 染色体及其对应的多路径 Fig. 2 Multi-path and corresponding chromosome

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

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(ΣX_i),再计算每个个体的适应度所占的比例(X_i/ΣX_i),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P_m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]

变异是指对交叉产生的子个体进行小步长转变,为了增强本文算法的随机搜索能力,采用全概率变异

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

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。

图 3

Fig. 3

图 3 不同算法仿真结果 Fig. 3 Simulation results of different algorithms

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。

表 1(Table 1)

表 1 算法对全局最优值的搜寻结果对比 Tab. 1 Comparison of algorithms for global optimal values of search results 算法 处理时间/s 信噪比/dB 多尺度算法 5.309 7 23.478 6 粒子群算法 4.578 1 25.018 9 模拟退火算法 3.453 4 27.148 9 本文算法 1.012 7 38.292 2

表 1 算法对全局最优值的搜寻结果对比 Tab. 1 Comparison of algorithms for global optimal values of search results

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。