趙峰+馬建忠

摘要： 針對圖像增強的特點，采用云編碼算法對策。不定長的自然數(shù)編碼機制和基于順序云滴個體的適應度函數(shù)搜索云滴最優(yōu)解；采用賭輪選擇法產(chǎn)生新一代云滴，用自適應的交叉概率求解相對某個解的最佳交叉概率，在保持云群體多樣性的同時，保證算法的收斂；通過整體目標函數(shù)淘汰適應度小的個體。實驗仿真顯示云編碼算法對圖像增強效果最好，處理時間少，信噪比大。

關鍵詞： 云滴； 編碼； 自適應； 權值

中圖分類號： TP 393文獻標志碼： Adoi： 10.3969/j.issn.10055630.2014.04.009

引言圖像增強是數(shù)字圖像處理的基本內(nèi)容之一，針對給定圖像的應用場合，將原來模糊的圖像變得清晰或強調(diào)某些感興趣的特征，擴大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使處理后的圖像對某些特定的應用比原來的圖像更加有效[1]。目前在圖像增強過程中采用的方法有：多尺度分析學算法可以增強圖像中的輪廓和方向性紋理信息，但是直接在時（空）域中設計濾波器比較困難，并且計算量大；粒子群算法在圖像增強過程中編程實現(xiàn)簡單，但是算法運行后期易出現(xiàn)數(shù)據(jù)坍塌現(xiàn)象；模擬退火算法過程簡單，魯棒性強，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圖像進行增強，在云滴搜索最優(yōu)解的過程中，采用不定長的自然數(shù)編碼機制，個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關，采用賭輪選擇法產(chǎn)生新一代云滴，通過整體目標函數(shù)淘汰適應值小的個體。 1云理論描述云理論實現(xiàn)定性概念與定量值之間的不確定性轉(zhuǎn)換[3]，設U是一個精確數(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的一次隨機實現(xiàn)過程，x對C的確定度μ（x）∈[0，1]是有穩(wěn)定傾向的隨機數(shù)μ∶U→[0，1]ifx∈U

1.1云編碼算法過程在云編碼過程中，采用不定長的自然數(shù)編碼機制，染色體的第一位置是圖像含噪聲源節(jié)點號，最后一個位置是消除噪聲目的節(jié)點號[4]。染色體的編碼由源節(jié)點到目的節(jié)點的序列組成。編碼方案如下：計算開始時，隨機生成一定數(shù)目N個個體（父個體1，父個體2，…，父個體N）。用2進制1、0來編碼1個父個體。后面的變異和交叉操作只要改變二進制編碼的結構，如1變成0，0變成1，這種信息排列方式在圖像增強過程中比較容易獲取和維護，在標記路徑上獲得染色體導向性信息。染色體的基因有2個要素：基因的位置（即數(shù)組的下標）代表節(jié)點ID，基因的值代表節(jié)點優(yōu)先級，用于從多個候選鄰接節(jié)點選擇一個來構造路徑，結合鄰接矩陣將其擴展到多路徑應用，由一個染色體生成一個子網(wǎng)。在圖1表示的無向網(wǎng)絡中，對于從節(jié)點1到節(jié)點4的數(shù)據(jù)優(yōu)化方式，給定圖2中的染色體，就確定了唯一一個由3條路徑組成的優(yōu)化方式。

1.2個體適應度計算本文的適應度函數(shù)是基于順序的基礎，其特點是個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關。構造方法是先將種群中所有個體按目標函數(shù)值的好壞進行排序，設參數(shù)β∈（0，1），定義基于順序的適應度函數(shù)為eval（Xi）=β·（1-β）i-1i=1，2，…，m（2）式中，Xi為種群個體按優(yōu)劣排序后的第i個個體。

1.3選擇將每代群體中的n個個體按適應度由大到小排列，排在第一位的個體性能最優(yōu)，將其復制一個直接進入下一代，并排在第一位。下一代群體的另n-1個個體需要根據(jù)前代群體的n個體的適應度，采用賭輪選擇法產(chǎn)生。具體地說，就是首先計算上代群體中所有個體適應度的總和（ΣXi），再計算每個個體的適應度所占的比例（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)個體生存至下一代，又能保證適應度較大的個體以較大的機會進入下一代[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度改變，自適應的交叉概率能提供相對某個解的最佳交叉概率，在保持群體多樣性的同時，保證算法的收斂。交叉概率的自適應調(diào)整算子為[5]Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favgf′≥favg

Pc1f′

k2f

1.4圖像目標函數(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優(yōu)化，如不滿足要求，通過整體目標函數(shù)F進行云模型的性能優(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為各項權重且∑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，然后計算新的種群各個體的適應度，將適應度排在前面的個體保留[6]，將適應度排在后面的個體淘汰。每進化一次計算一下各個體的目標函數(shù)值，當相鄰兩次進化平均目標函數(shù)之差小于等于某一給定精度ε時，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次進化后種群的平均目標函數(shù)值，F(xiàn)（Xt）=∑tj=1λj[Gj+Cj]t為第t次進化后種群的平均目標函數(shù)值，此時終止進化[78]。2實驗結果實驗采用MATLAB編程，其仿真結果如圖3所示。在仿真實驗中，圖3（a）是含噪聲圖像，圖3（b）是多尺度分析學含噪聲圖像，圖3（c）是粒子群算法處理結果，圖3（d）是模擬退火算法處理結果，圖3（e）是本文算法處理結果。從處理的視覺效果看，本文算法改善了圖像質(zhì)量，突出了邊緣分信息，同時壓制噪聲信息。表1給出了不同算法的處理時間，可以看出，本文算法不但處理時間少而且信噪比大。3結論本文采用云編碼算法對圖像進行增強，在云滴搜索最優(yōu)解的過程中，采用不定長的自然數(shù)編碼機制，云滴個體的適應度函數(shù)基于順序的基礎，個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關，采用賭輪選擇法產(chǎn)生新一代云滴，通過整體目標函數(shù)進行云模型的性能優(yōu)化。實驗仿真顯示本文算法對圖像增強效果最好，能夠提高運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，有著廣泛的應用前景。

參考文獻：

[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研究[J].重慶郵電大學學報，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].計算機應用與軟件，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].山東大學學報，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，2009：2035.

[5]時銀水，郭棟.基于SAGA的區(qū)域防空雷達組網(wǎng)優(yōu)化部署[J].微計算機信息，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)的損耗問題[J].計算機應用與軟件，2009，26（2）：194196.

[7]馬捷，鐘子發(fā)，黃高明.基于自適應變權免疫網(wǎng)絡的電磁信號監(jiān)測算法[J].北京郵電大學學報，2012，35（2）：5963.

[8]高曉燕，馬軍山，吳佳杰.手指靜脈圖像增強算法研究法[J].光學儀器，2010，32（4）：2932.

摘要： 針對圖像增強的特點，采用云編碼算法對策。不定長的自然數(shù)編碼機制和基于順序云滴個體的適應度函數(shù)搜索云滴最優(yōu)解；采用賭輪選擇法產(chǎn)生新一代云滴，用自適應的交叉概率求解相對某個解的最佳交叉概率，在保持云群體多樣性的同時，保證算法的收斂；通過整體目標函數(shù)淘汰適應度小的個體。實驗仿真顯示云編碼算法對圖像增強效果最好，處理時間少，信噪比大。

關鍵詞： 云滴； 編碼； 自適應； 權值

中圖分類號： TP 393文獻標志碼： Adoi： 10.3969/j.issn.10055630.2014.04.009

引言圖像增強是數(shù)字圖像處理的基本內(nèi)容之一，針對給定圖像的應用場合，將原來模糊的圖像變得清晰或強調(diào)某些感興趣的特征，擴大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使處理后的圖像對某些特定的應用比原來的圖像更加有效[1]。目前在圖像增強過程中采用的方法有：多尺度分析學算法可以增強圖像中的輪廓和方向性紋理信息，但是直接在時（空）域中設計濾波器比較困難，并且計算量大；粒子群算法在圖像增強過程中編程實現(xiàn)簡單，但是算法運行后期易出現(xiàn)數(shù)據(jù)坍塌現(xiàn)象；模擬退火算法過程簡單，魯棒性強，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圖像進行增強，在云滴搜索最優(yōu)解的過程中，采用不定長的自然數(shù)編碼機制，個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關，采用賭輪選擇法產(chǎn)生新一代云滴，通過整體目標函數(shù)淘汰適應值小的個體。 1云理論描述云理論實現(xiàn)定性概念與定量值之間的不確定性轉(zhuǎn)換[3]，設U是一個精確數(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的一次隨機實現(xiàn)過程，x對C的確定度μ（x）∈[0，1]是有穩(wěn)定傾向的隨機數(shù)μ∶U→[0，1]ifx∈U

1.1云編碼算法過程在云編碼過程中，采用不定長的自然數(shù)編碼機制，染色體的第一位置是圖像含噪聲源節(jié)點號，最后一個位置是消除噪聲目的節(jié)點號[4]。染色體的編碼由源節(jié)點到目的節(jié)點的序列組成。編碼方案如下：計算開始時，隨機生成一定數(shù)目N個個體（父個體1，父個體2，…，父個體N）。用2進制1、0來編碼1個父個體。后面的變異和交叉操作只要改變二進制編碼的結構，如1變成0，0變成1，這種信息排列方式在圖像增強過程中比較容易獲取和維護，在標記路徑上獲得染色體導向性信息。染色體的基因有2個要素：基因的位置（即數(shù)組的下標）代表節(jié)點ID，基因的值代表節(jié)點優(yōu)先級，用于從多個候選鄰接節(jié)點選擇一個來構造路徑，結合鄰接矩陣將其擴展到多路徑應用，由一個染色體生成一個子網(wǎng)。在圖1表示的無向網(wǎng)絡中，對于從節(jié)點1到節(jié)點4的數(shù)據(jù)優(yōu)化方式，給定圖2中的染色體，就確定了唯一一個由3條路徑組成的優(yōu)化方式。

1.2個體適應度計算本文的適應度函數(shù)是基于順序的基礎，其特點是個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關。構造方法是先將種群中所有個體按目標函數(shù)值的好壞進行排序，設參數(shù)β∈（0，1），定義基于順序的適應度函數(shù)為eval（Xi）=β·（1-β）i-1i=1，2，…，m（2）式中，Xi為種群個體按優(yōu)劣排序后的第i個個體。

1.3選擇將每代群體中的n個個體按適應度由大到小排列，排在第一位的個體性能最優(yōu)，將其復制一個直接進入下一代，并排在第一位。下一代群體的另n-1個個體需要根據(jù)前代群體的n個體的適應度，采用賭輪選擇法產(chǎn)生。具體地說，就是首先計算上代群體中所有個體適應度的總和（ΣXi），再計算每個個體的適應度所占的比例（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)個體生存至下一代，又能保證適應度較大的個體以較大的機會進入下一代[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度改變，自適應的交叉概率能提供相對某個解的最佳交叉概率，在保持群體多樣性的同時，保證算法的收斂。交叉概率的自適應調(diào)整算子為[5]Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favgf′≥favg

Pc1f′

k2f

1.4圖像目標函數(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優(yōu)化，如不滿足要求，通過整體目標函數(shù)F進行云模型的性能優(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為各項權重且∑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，然后計算新的種群各個體的適應度，將適應度排在前面的個體保留[6]，將適應度排在后面的個體淘汰。每進化一次計算一下各個體的目標函數(shù)值，當相鄰兩次進化平均目標函數(shù)之差小于等于某一給定精度ε時，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次進化后種群的平均目標函數(shù)值，F(xiàn)（Xt）=∑tj=1λj[Gj+Cj]t為第t次進化后種群的平均目標函數(shù)值，此時終止進化[78]。2實驗結果實驗采用MATLAB編程，其仿真結果如圖3所示。在仿真實驗中，圖3（a）是含噪聲圖像，圖3（b）是多尺度分析學含噪聲圖像，圖3（c）是粒子群算法處理結果，圖3（d）是模擬退火算法處理結果，圖3（e）是本文算法處理結果。從處理的視覺效果看，本文算法改善了圖像質(zhì)量，突出了邊緣分信息，同時壓制噪聲信息。表1給出了不同算法的處理時間，可以看出，本文算法不但處理時間少而且信噪比大。3結論本文采用云編碼算法對圖像進行增強，在云滴搜索最優(yōu)解的過程中，采用不定長的自然數(shù)編碼機制，云滴個體的適應度函數(shù)基于順序的基礎，個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關，采用賭輪選擇法產(chǎn)生新一代云滴，通過整體目標函數(shù)進行云模型的性能優(yōu)化。實驗仿真顯示本文算法對圖像增強效果最好，能夠提高運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，有著廣泛的應用前景。

參考文獻：

[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研究[J].重慶郵電大學學報，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].計算機應用與軟件，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].山東大學學報，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，2009：2035.

[5]時銀水，郭棟.基于SAGA的區(qū)域防空雷達組網(wǎng)優(yōu)化部署[J].微計算機信息，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)的損耗問題[J].計算機應用與軟件，2009，26（2）：194196.

[7]馬捷，鐘子發(fā)，黃高明.基于自適應變權免疫網(wǎng)絡的電磁信號監(jiān)測算法[J].北京郵電大學學報，2012，35（2）：5963.

[8]高曉燕，馬軍山，吳佳杰.手指靜脈圖像增強算法研究法[J].光學儀器，2010，32（4）：2932.

摘要： 針對圖像增強的特點，采用云編碼算法對策。不定長的自然數(shù)編碼機制和基于順序云滴個體的適應度函數(shù)搜索云滴最優(yōu)解；采用賭輪選擇法產(chǎn)生新一代云滴，用自適應的交叉概率求解相對某個解的最佳交叉概率，在保持云群體多樣性的同時，保證算法的收斂；通過整體目標函數(shù)淘汰適應度小的個體。實驗仿真顯示云編碼算法對圖像增強效果最好，處理時間少，信噪比大。

關鍵詞： 云滴； 編碼； 自適應； 權值

中圖分類號： TP 393文獻標志碼： Adoi： 10.3969/j.issn.10055630.2014.04.009

引言圖像增強是數(shù)字圖像處理的基本內(nèi)容之一，針對給定圖像的應用場合，將原來模糊的圖像變得清晰或強調(diào)某些感興趣的特征，擴大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使處理后的圖像對某些特定的應用比原來的圖像更加有效[1]。目前在圖像增強過程中采用的方法有：多尺度分析學算法可以增強圖像中的輪廓和方向性紋理信息，但是直接在時（空）域中設計濾波器比較困難，并且計算量大；粒子群算法在圖像增強過程中編程實現(xiàn)簡單，但是算法運行后期易出現(xiàn)數(shù)據(jù)坍塌現(xiàn)象；模擬退火算法過程簡單，魯棒性強，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圖像進行增強，在云滴搜索最優(yōu)解的過程中，采用不定長的自然數(shù)編碼機制，個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關，采用賭輪選擇法產(chǎn)生新一代云滴，通過整體目標函數(shù)淘汰適應值小的個體。 1云理論描述云理論實現(xiàn)定性概念與定量值之間的不確定性轉(zhuǎn)換[3]，設U是一個精確數(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的一次隨機實現(xiàn)過程，x對C的確定度μ（x）∈[0，1]是有穩(wěn)定傾向的隨機數(shù)μ∶U→[0，1]ifx∈U

1.1云編碼算法過程在云編碼過程中，采用不定長的自然數(shù)編碼機制，染色體的第一位置是圖像含噪聲源節(jié)點號，最后一個位置是消除噪聲目的節(jié)點號[4]。染色體的編碼由源節(jié)點到目的節(jié)點的序列組成。編碼方案如下：計算開始時，隨機生成一定數(shù)目N個個體（父個體1，父個體2，…，父個體N）。用2進制1、0來編碼1個父個體。后面的變異和交叉操作只要改變二進制編碼的結構，如1變成0，0變成1，這種信息排列方式在圖像增強過程中比較容易獲取和維護，在標記路徑上獲得染色體導向性信息。染色體的基因有2個要素：基因的位置（即數(shù)組的下標）代表節(jié)點ID，基因的值代表節(jié)點優(yōu)先級，用于從多個候選鄰接節(jié)點選擇一個來構造路徑，結合鄰接矩陣將其擴展到多路徑應用，由一個染色體生成一個子網(wǎng)。在圖1表示的無向網(wǎng)絡中，對于從節(jié)點1到節(jié)點4的數(shù)據(jù)優(yōu)化方式，給定圖2中的染色體，就確定了唯一一個由3條路徑組成的優(yōu)化方式。

1.2個體適應度計算本文的適應度函數(shù)是基于順序的基礎，其特點是個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關。構造方法是先將種群中所有個體按目標函數(shù)值的好壞進行排序，設參數(shù)β∈（0，1），定義基于順序的適應度函數(shù)為eval（Xi）=β·（1-β）i-1i=1，2，…，m（2）式中，Xi為種群個體按優(yōu)劣排序后的第i個個體。

1.3選擇將每代群體中的n個個體按適應度由大到小排列，排在第一位的個體性能最優(yōu)，將其復制一個直接進入下一代，并排在第一位。下一代群體的另n-1個個體需要根據(jù)前代群體的n個體的適應度，采用賭輪選擇法產(chǎn)生。具體地說，就是首先計算上代群體中所有個體適應度的總和（ΣXi），再計算每個個體的適應度所占的比例（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)個體生存至下一代，又能保證適應度較大的個體以較大的機會進入下一代[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度改變，自適應的交叉概率能提供相對某個解的最佳交叉概率，在保持群體多樣性的同時，保證算法的收斂。交叉概率的自適應調(diào)整算子為[5]Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favgf′≥favg

Pc1f′

k2f

1.4圖像目標函數(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優(yōu)化，如不滿足要求，通過整體目標函數(shù)F進行云模型的性能優(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為各項權重且∑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，然后計算新的種群各個體的適應度，將適應度排在前面的個體保留[6]，將適應度排在后面的個體淘汰。每進化一次計算一下各個體的目標函數(shù)值，當相鄰兩次進化平均目標函數(shù)之差小于等于某一給定精度ε時，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次進化后種群的平均目標函數(shù)值，F(xiàn)（Xt）=∑tj=1λj[Gj+Cj]t為第t次進化后種群的平均目標函數(shù)值，此時終止進化[78]。2實驗結果實驗采用MATLAB編程，其仿真結果如圖3所示。在仿真實驗中，圖3（a）是含噪聲圖像，圖3（b）是多尺度分析學含噪聲圖像，圖3（c）是粒子群算法處理結果，圖3（d）是模擬退火算法處理結果，圖3（e）是本文算法處理結果。從處理的視覺效果看，本文算法改善了圖像質(zhì)量，突出了邊緣分信息，同時壓制噪聲信息。表1給出了不同算法的處理時間，可以看出，本文算法不但處理時間少而且信噪比大。3結論本文采用云編碼算法對圖像進行增強，在云滴搜索最優(yōu)解的過程中，采用不定長的自然數(shù)編碼機制，云滴個體的適應度函數(shù)基于順序的基礎，個體被選擇的概率與目標函數(shù)的具體值無關，僅與順序有關，采用賭輪選擇法產(chǎn)生新一代云滴，通過整體目標函數(shù)進行云模型的性能優(yōu)化。實驗仿真顯示本文算法對圖像增強效果最好，能夠提高運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，有著廣泛的應用前景。

參考文獻：

[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研究[J].重慶郵電大學學報，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].計算機應用與軟件，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].山東大學學報，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，2009：2035.

[5]時銀水，郭棟.基于SAGA的區(qū)域防空雷達組網(wǎng)優(yōu)化部署[J].微計算機信息，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)的損耗問題[J].計算機應用與軟件，2009，26（2）：194196.

[7]馬捷，鐘子發(fā)，黃高明.基于自適應變權免疫網(wǎng)絡的電磁信號監(jiān)測算法[J].北京郵電大學學報，2012，35（2）：5963.

[8]高曉燕，馬軍山，吳佳杰.手指靜脈圖像增強算法研究法[J].光學儀器，2010，32（4）：2932.