1、遗传算法概论       遗传算法（GA）可能是最早开发出来的模拟生物遗传系统的算法模型。它首先由Fraser提出，后来有Bremermann和Reed等人 再次提出。最后，Holland对遗传算法做了大量工作并使之推广，因此被认为是遗传算法的奠基人。遗传算法模拟了基因进化，在这个模型中，个体的性状通过基因型表达。选择算子（模拟适者生存）与交叉算子（模拟繁殖），是遗传算法的主要驱动

应用背景：我们知道，在使用BP神经网络时，由于其采用负梯度下降法对权值进行调节而具有收敛速度慢和容易陷入局部最小值等缺点，为了克服这些缺点，人们提出了径向基神经网络（Radial  Basis  Function Neural  Network）。

应用背景：二值图像的初等形态学运算中的腐蚀操作是表示用某种结构元素对图像进行探测，以便找出在图像内部可以放下该结构元素的区域。

1、基本概念（1）量子遗传算法是量子计算与遗传算法相结合的智能优化算法，由K.H.Han等人提出，其将量子态、量子门、量子状态特性、概率幅等量子概念引入到遗传算法当中。量子遗传算法也是一种概率搜素算法，它采用量子位来表示基因。遗传算法的基因所表达的是某一确定的信息，而量子遗传算法中，由于量子信息的叠加性使量子位所表达的基因包含所有可能的信息。（2）在量子计算中，量子比特｜0〉和｜1〉表示微

相比C/C++实现，图像灰度的双三次插值的MATLAB实现要方便的多，下面是MATLAB语言实现clc,clear;ff=imread('C:\Program Files\MATLAB\R2013a\bin\work\lena.bmp');[mm,nn]=size(ff);%将图像隔行隔列抽取元素，得到缩小的图像fm=mm/2;n=nn/2;f=zeros(m,n);for i=1:

自适应中值滤波器是以m*n的矩形窗口Sxy定义的滤波器区域内图像的统计特性为基础的，可以处理具有更大概率的脉冲噪声如椒盐噪声，在平滑非脉冲噪声时能保留细节。其matlab实现如下，并与中值滤波作比较。clc;clear;f=imread('C:\Program Files\MATLAB\R2013a\bin\work\图像复原\Penguins.jpg');image_gray=rg

由退化函数H退化的图像复原的最简单的方法是直接做逆滤波，设图像退化前的傅里叶变换为F(u,v)，退化后的傅里叶变换为G(u,v)，系统函数即退化函数的傅里叶变换为H(u,v)。所谓直接逆滤波，就是用退化函数除退化图像的傅里叶变换，得到退化前图像的傅里叶变换的估计，为F(u,v)的估计，则，同时，其中N(u,v)为噪声的傅里叶变换。因此，可得，由该式可知，即使知道退化函数，也不能准确的复原图

维纳滤波也称最小均方误差滤波，它能处理被退化函数退化和噪声污染的图像。该滤波方法建立在图像和噪声都是随机变量的基础之上，目标是找到未污染图像f(x,y)的一个估计，使它们之间的均方误差最小，即，其中E{.}是参数期望值。在假设噪声和图像不相关，其中一个或另一个有零均值，且估计中的灰度级是退化图像中灰度级的线性函数的条件下，均方误差函数的最小值在频率域由如下表达式给出：

1、模拟退火算法简介模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis等人于1953年提出。1983年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随

应用背景：我们知道，在使用BP神经网络时，由于其采用负梯度下降法对权值进行调节而具有收敛速度慢和容易陷入局部最小值等缺点，为了克服这些缺点，人们提出了径向基神经网络（Radial  Basis  Function Neural  Network）。