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。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。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，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）∈是有稳定倾向的随机数μ∶U→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。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。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（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，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=1λjt+1为第ε+1次进化后种群的平均目标函数值，F（Xt）=∑tj=1λjt为第t次进化后种群的平均目标函数值，此时终止进化。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：
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.重庆邮电大学学报，2011，23（2）：224230.
高延峰，许瑛.混沌遗传模拟退火组合算法性能研究.计算机应用与软件，2008，25（11）：238240，267.
李修海，于少伟.基于正态分布区间数的云滴获取算法.山东大学学报，2012，42（5）：130134.
童明荣.城市物流系统规划研究.江苏：南京理工大学，2009：2035.
时银水，郭栋.基于SAGA的区域防空雷达组网优化部署.微计算机信息，2007，23（30）：131133.
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.计算机应用与软件，2009，26（2）：194196.
