CN104123706A - 一种基于自适应免疫遗传算法的图像增强方法 - Google Patents
一种基于自适应免疫遗传算法的图像增强方法 Download PDFInfo
- Publication number
- CN104123706A CN104123706A CN201410393697.3A CN201410393697A CN104123706A CN 104123706 A CN104123706 A CN 104123706A CN 201410393697 A CN201410393697 A CN 201410393697A CN 104123706 A CN104123706 A CN 104123706A
- Authority
- CN
- China
- Prior art keywords
- image
- individual
- population
- individuality
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种基于自适应免疫遗传算法的图像增强方法,包括以下步骤:S1、对图像像素灰度为f(x,y)进行归一化处理得到n(x,y);S2、对待优化参数进行编码,随机产生一组初始个体构成初始种群,并输入控制参数交叉概率pc、变异概率pm、群体规模N和最大运行代数G等;S3、判断进化代数t是否等于G,若符合则算法结束,输出最优解;否则转向下一步;S4、采用轮盘赌策略选择M个个体,对个体按照遗传操作中的交叉和变异方法进行交叉和变异操作;S5、选取两个疫苗和待接种个体数和接种点数进行免疫操作,并做出接种后的免疫选择,同时对接种后的种群采用最优个体保留策略;S6、一组都对应一个非线性变换函数F(u),用非线性变换函数进行图像灰度变换,得到输出图像g(x,y)。
Description
技术领域
本发明涉及图像增强技术领域,特别是涉及一种基于自适应免疫遗传算法的图像增强方法。
背景技术
图像增强的目的在于:①采用一系列技术改善图像的视觉效果,提高图像的清晰度;②将图像转换成一种更适合于人或机器进行分析处理的形式。图像增强包括灰度级和对比度处理,噪声消除,边缘突起和锐化,滤波,插值和放大,以及伪色彩处理等。目前常用的增强技术可分为空域图像增强法和频域图像增强法两种。前者对图像像素直接处理,而后者先对图像进行傅里叶变换之后再进行处理。空域增强法包括灰度变换,直方图变换,图像中的脉冲噪声模型,邻域平均法,中值滤波和图像锐化等。频率域增强法通常包括频率域法通常分为高、低通滤波、频率带通和带阻滤波、同态滤波等。
遗传算法由于具有高效、鲁棒性强,且不容易陷入局部最优等优 点,许多学者也将其应用到图像增强中。有研究者将遗传算法用于图像增强,使用图像的参数模型。将图像增强转化为参数的优化;有研究者基于染色体结构划分寻优空间对遗传算法进行改进,达到提高图像对比度的目的;有研究者利用Fibonacci数列对遗传算法的交叉概率及变异概率进行了改进,实现了在模糊域中利用遗传算法进行图像增强。有研究者基于人工免疫原理,采用针对图像质量评价效果的新适应度函数,包括方差、信息熵、紧致度、信噪改变量以及像素差别五要素,以上对图像增强的各种改进虽然都取得了一定的效果,但它们的共同点是改进都是单方面的,也就是说各种改进都是从不同的角度进行的,所以效果也不尽相同。而且大都存在适用面较窄、需要预先设置阀值、计算量较大等不足之处。因此,建立一种能够在复杂环境中保持图像中的细节信息及纹理特征,具备良好的自适应性及抗噪能力的图像增强算法,具有积极的意义。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于自适应免疫遗传算法的图像增强方法。
本发明所采用的技术方案是:一种基于自适应免疫遗传算法的图像增强方法,包括以下步骤:
S1、原图像像素灰度为f(x,y),然后对其进行归一化处理得到n(x,y);
S2、按照AIGA抗体编码方法对待优化的两个参数进行编码, 随机产生一组初始个体构成初始种群,并输入控制参数交叉概率pc、变异概率pm、群体规模N和最大运行代数G;进行运算,产生种群X(t);
S3、判断种群X(t)进化代数t是否等于最大运行代数G,若符合则算法结束,输出最优解;否则转向下一步;
S4、用适应度函数计算个体适应度;采用轮盘赌策略从种群X(t)中选择M个个体,对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作;
S5、按AIGA算法疫苗选取方法选取两个疫苗,然后选取待接种个体数和接种点数进行免疫操作,并做出接种后的免疫选择,同时,对接种后的种群采用最优个体保留策略;
S6、一组对应一个非线性变换函数F(u),用非线性变换函数进行图像灰度变换,得到输出图像g(x,y);
进一步的,所述步骤S1中原图像像素灰度为f(x,y),然后进行归一化处理得到n(x,y),其中:
其中Lmin和Lmax分别为原图像灰度的最小值和最大值,n(x,y)∈[0,1]。
进一步的,所述的AIGA抗体编码,设参数取值范围为[U1,U2],用长度为k的二进制编码符号来表示,可产生2k种不同的编码,其编码方式如下:
其中:
进一步的,所述的种群初始化方法,设一个抗体中变量个数为n,初始抗体规模为m,ai和bi分别为变量xi的取值上限和下限,为第i个初始个体:
式中为第i个个体的第j个分量的初始值,j∈{1,2,…,n};
令rij为与第i个体第j个分量,是[0,1]区间内服从均匀分布的随机数,则初始抗体可按下式产生:
其中:
进一步的,所述的适应度函数计算个体适应度方法为利用图像的信息熵E、图像方差Fac、紧致度C、信噪改变量INc,达到图像的整体与局部,结构与细节协调平衡;适应度函数如下:
fitness(·)=E·INc·[Fac+2.5C]
其中:
Pi为第i级灰度出现的概率,当Pi=0时,定义pilog2pi=0;
INc表示灰度为h的像素个数大于给定阀值Th的数量;
M、N为图像的长度和宽度,n=M×N;紧致度C表示周长P的平方与面积A的比:
P、A定义如下:
进一步的,所述的采用轮盘赌策略从种群X(t)中选择M个个体,采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例;赌盘按照群体中个体数的值进行相应次数的旋转,从而始终保持群体的大小不变,个体被选中的概率取决于个体的相对适应度, 公式如下:
其中pi为个体i被选中的概率,fi为个体i的适应度,为群体的累加适应度。
进一步的,所述的对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作,所述交叉操作:采用均匀交叉形成新个体,其过程是在交叉概率相同的前提下,交换配对个体对应的基因,其过程如下:随机生成屏蔽字W=(w1,w2,w3,…,wl),其中l为个体编码串的相应长度;按照下述的规则将一对父代染色体的基因进行交换:若wi=0,则两个父代染色体的第i个基因不变;若wi=1,则两个父代染色体的第i个基因相互交换生成新一代个体;
所述变异操作:变异是以小概率对个体编码上的某个位置进行改变,进而生成新个体;对于给定的染色体位串s'=a1'a'2…a'L,具体步骤如下:给定变异概率pm,随机产生xi∈(0,1);按照以下原则生成新的个体s'=a1'a'2…a'L,其中xi是对应于每一个基因位产生的均匀随机变量xi∈(0,1)。
进一步的,所述按AIGA算法疫苗选取方法选取两个疫苗,包含以下步骤:
①计算种群X(t)=(x1(t),x2(t),...xn,(t))中个体xi(t)的适应度为f(xi(t));
②令X(t)中最优个体的下标为k1,即f(xk1(t))取得最大值;
③遍历整个种群X(t),令p=f(xk1(t))-f(xi(t)),记使p的值取得最小且不为0的个体下标为k2,则为种群X(t)中的次优解;
④选取和为两个疫苗。
进一步的,所述的选取待接种个体数和接种点数进行免疫操作,并做出接种后的免疫选择,包含以下步骤:
T1、接种个体的选择,对种群X(t)中的个体适应度f(xi(t))排序,计算种群平均适应度:
随机选择低于平均适应度的个体作为接种个体;
T2、接种个体数和接种点数的选择,接种个体数:
其中,t表示当前代数,N表示当前代种群的个体数;
接种点数:
p(t)=L*e-t
L表示个体编码长度;
T3、接种后抗体的选择方法,选取xk1(t)和xk2(t)为两个疫苗,假设选取的待接种个体为xm(t),通过在接种点的周围选取最近的点注入疫苗,接种后产生两个抗体分别为和,选取f(xm(t)), 中大者为抗体。
进一步的,所述步骤S5中的一组对应一个非线性变换函数 F(u),用非线性变换函数进行图像灰度变换,得到输出图像g(x,y);其中:
g(x,y)=Lmin+(Lmax-Lmin)F(n(x,y))。
与现有技术相比,本发明的有益效果是:
通过用一种自适应免疫遗传算法应用到图像的增强处理,发明了一种新的非线性图像增强方法。利用新的免疫疫苗选择策略和免疫操作方法,自动寻找图像非线性增强函数的最佳变换参数,从而增强图像的对比度和细节,达到图像增强的效果。
附图说明
图1为一种基于自适应免疫遗传算法的图像增强方法的流程图;
图2a、2c、2e、2g为未变换之前图像的直方图;
图2b、2d、2f、2h为图2a、2c、2e、2g相对应变换后图像直方图;
图3为IGA与AIGA图像增强适应度值对比;
图4为父代染色体的基因进行交换图。
具体实施方式
下面结合附图对本发明进一步说明。
本发明所采用的技术方案是:一种基于自适应免疫遗传算法的图像增强方法包括:
S1、假设原图像像素灰度为f(x,y),然后进行归一化处理得到 n(x,y);其中:
其中Lmin和Lmax分别为原图像灰度值的最小值和最大值,显然n(x,y)∈[0,1];
S2、按照AIGA抗体编码及种群初始化方法,初始化算法各参数,对待优化的两个参数进行编码,随机产生一组初始个体构成初始种群,并输入控制参数交叉概率pc、变异概率pm、群体规模N和最大运行代数G等,进行运算,得到种群X(t),判断种群X(t)的进化代数t是否等于最大运行代数G,若符合则算法结束,输出最优解;否则转向下一步;
S3、用适应度函数计算个体适应度;采用轮盘赌策略在种群X(t)中选择M个个体,对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作;
S4、按AIGA算法疫苗选取方法选取两个疫苗,然后选取待接种个体数和接种点数进行免疫操作,并做出接种后的免疫选择,同时,对接种后的种群采用最优个体保留策略;
S5、一组都对应一个非线性变换函数F(u),用非线性变换函数进行图像灰度变换,得到输出图像g(x,y);
AIGA抗体编码,包含以下步骤:
编码:设参数取值范围为[U1,U2],用长度为k的二进制编码符号来表示,可产生2k种不同的编码,其编码方式如下:
其中:
解码:假设某一个抗体的编码为bkbk-1bk-2…b2b1,则对应的解码公式为:
种群初始化方法:设一个抗体中变量个数为n,初始抗体规模为m,ai和bi分别为变量xi的取值上限和下限,为第i个初始个体:
式中为第i个个体的第j个分量的初始值,j∈{1,2,…,n}。
令rij为与第i个体第j个分量,是[0,1]区间内服从均匀分布的随机数,则初始抗体可按下式产生:
其中:
适应度函数计算个体适应度:利用图像的信息熵E、图像方差Fac、紧致度C、信噪改变量INc,达到图像的整体与局部,结构与细节协调平衡。适应度函数如下:
fitness(·)=E·INc·[Fac+2.5C]
其中:
Pi为第i级灰度出现的概率,当Pi=0时,定义pilog2pi=0。
INc表示灰度为h的像素个数大于给定阀值Th的数量。INc越大,表明图像增强后损失的越少,保留下来的层次越多。
M、N为图像的长度和宽度,n=M×N,Fac越大,图像对比度越大。紧致度C表示周长P的平方与面积A的比:
P、A定义如下:
采用轮盘赌策略选择M个个体:采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例。赌盘按照群体中个体数的值进行相应次数的旋转,从而始终保持群体的大小不变。个体被选中的概率取决于个体的相对适应度,公式如下:
其中pi为个体i被选中的概率,fi为个体i的适应度,为群体的累加适应度。
显然,个体适应度愈高,被选中的概率愈大。但是,适应度小的个体也有可能被选中,以便增加下一代群体的多样性。
对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作:
交叉算子:采用均匀交叉形成新个体,其过程是在交叉概率相同的前提下,交换配对个体对应的基因,其主要过程如下:
1)随机生成屏蔽字W=(w1,w2,w3,…,wl),其中l为个体编码串的相应长度;
2)按照下述的规则将一对父代染色体的基因进行交换:若wi=0,则两个父代染色体的第i个基因不变;若wi=1,则两个父代染色体的第i个基因相互交换生成新一代个体;如图4所示。
变异算子:变异是以小概率对个体编码上的某个位置进行改变,进而生成新个体。
对于给定的染色体位串s'=a1'a'2…a'L,具体步骤如下:
1)给定变异概率pm,随机产生xi∈(0,1);
2)按照以下原则生成新的个体s'=a1'a'2…a'L,其中xi是对应于每一个基因位产生的均匀随机变量xi∈(0,1)。
为了保持种群多样性,本文还设计出如下自适应变异率:
其中:t表示当前代数;pm表示预先设定的突变率,一般pm∈[0.010.1];f(t-1)表示上一代种群的最佳适应度值;f(t)表示当代种群的最佳适应度值;ne表示自上次进化以来至当前代为止连续未进化的代数,即当f(t-1)=f(t)时,ne=ne+1。
按AIGA算法疫苗选取方法选取两个疫苗:
由于适应度相同或相差不大的个体其包含的模式可能相差极大,一般情况下,仅选择当代最优个体作为疫苗,在对种群进化方向进行指导的同时,会以较大的概率带来误导作用,易使种群搜索陷入局部最优解。因此针对其不足,本方法选取当代种群中两个较优个体作为注射疫苗,这样可以使得接种后的个体即抗体包含有用的模式,使其向优良个体的方向靠拢,对搜索具有一定的指导作用,从而能够加快收敛速度,有效抑制由于单个疫苗带来的误差作用,为抗体的进化提供多个方向,具体步骤如下:
①计算种群X(t)=(x1(t),x2(t),...xn,(t))中个体xi(t)的适应度f(xi(t))
②令X(t)中最优个体的下标为k1,即f(xk1(t))取得最大值。
③遍历整个种群X(t),令p=f(xk1(t))-f(xi(t)),记使p的值取得 最小且不为0的个体下标为k2,则为种群X(t)中的次优解。
④选取和为两个疫苗。
免疫操作将选出的优良疫苗对种群中的个体进行接种,以增强种群的整体性能。免疫操作有两种类型:全免疫和目标免疫。要找到适用于整个抗原(即全局问题求解)的疫苗极为困难,本方法采用目标免疫,即考虑局部最佳调整,在某一处或几处发生免疫反应。
接种个体的选择:
对种群X(t)中的个体适应度f(xi(t))排序,计算种群平均适应度:
随机选择低于平均适应度的个体作为接种个体。
接种个体数和接种点数的选择:
在AIGA遗传操作初期,为加快算法的收敛速度,进行免疫操作时,应当适当增加注射点的个数,尽快淘汰适应度较差的个体,同时为了保持种群多样性,接种点数目应适当减少。到进化中后期,为保证种群收敛,注射点数应适当减少,同时,为了避免算法停滞,待接种个体数应适当增加。
接种个体数:
其中,t表示当前代数,N表示当前代种群的个体数。
接种点数:
p(t)=L*e-t
L表示个体编码长度。
接种后抗体的选择方法:
选取xk1(t)和xk2(t)为两个疫苗,假设选取的待接种个体为xm(t),通过在接种点的周围选取最近的点注入疫苗,接种后产生两个抗体分别为和选取f(xm(t)),中大者为抗体。
一组对应一个非线性变换函数F(u),用非线性变换函数进行图像灰度变换,得到输出图像g(x,y);其中:
g(x,y)=Lmin+(Lmax-Lmin)F(n(x,y))。
算法的参数设置如下:最大进化代数G=100,种群规模N=30,交叉概率为0.95,变异概率为0.05。采用本文算法分别对井下低亮度、高亮度、低对比度和高对比度的四幅图像进行增强处理,并进行对比分析,目的是改善井下图像的主观和客观效果,保持图像中的细节信息及纹理特征,同时验证本文算法的有效性和稳定性。
实验结果如下:
图2a为低亮度图像的直方图,其中直方图的组成成分集中在灰度级低(暗)的一侧,图2b为本文算法处理后的直方图,处理后的图像在图像对比度上都有了显著的提高,从处理后的直方图中可以看出,图像的灰度分布更为均匀,范围也不再局限于灰度级低(暗)的一侧。
图2c为高亮度图像的直方图,直方图集中在灰度级高的一侧,图2d为本文算法处理后的直方图,处理后的图像在图像对比度上都有了显著的提高,从处理后的直方图中可以看出,图像的灰度分布更为均匀,范围也不再局限于灰度级高的一侧。
图2e为低对比度图像的直方图,图像的直方图窄而集中于灰度级的中部,灰度较淡。图2f为本文算法处理后的直方图,处理后的图像在图像对比度上都有了显著的提高,从处理后的直方图中可以看出,图像的灰度分布更为均匀,范围也不再局限于灰度级的中部。
图2g为高亮度图像的直方图,直方图的成分覆盖了灰度级很宽的范围,而且像素的分布没有太不均匀,只有少量垂线比其它的高许多。图2h为本文算法处理后的直方图,处理后的图像在图像对比度上都有了显著的提高,从处理后的直方图中可以看出,图像的灰度分布更为均匀。
为了验证本文算法的性能,将基于本文自适应免疫遗传算法(AIGA)与传统免疫遗传算法(IGA)的图像增强进行对比,见表1。
表1 IGA和AIGA图像增强适应度值对比
进化代数 | 10 | 20 | 30 | 40 | 50 | 60 | 70 |
AIGA | 70.1 | 69.5 | 68.1 | 68 | 67.5 | 67.5 | 67.5 |
IGA | 68.5 | 67.8 | 67.4 | 67.5 | 67.1 | 66.4 | 66.4 |
自适应免疫遗传算法与免疫遗传算法的结果对比见图3。结合表1和图3中的IGA与AIGA对比,可见AIGA能更快更稳定地收敛到最优解,可见自适应免疫遗传算法能够实现井下复杂环境下的图像增强,较好地改变原免疫遗传算法的全局搜索性能,大大提高了算法收敛速度,能够在实际应用中取得良好效果。
通过用一种自适应免疫遗传算法应用到图像的增强处理,发明了一种新的非线性图像增强方法。利用新的免疫疫苗选择策略和免疫操 作方法,自动寻找图像非线性增强函数的最佳变换参数,从而增强图像的对比度和细节,达到图像增强的效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于自适应免疫遗传算法的图像增强方法,其特征在于,包括以下步骤:
S1、原图像像素灰度为f(x,y),然后对其进行归一化处理得到n(x,y);
S2、按照AIGA抗体编码方法对待优化的两个参数进行编码,随机产生一组初始个体构成初始种群,并输入控制参数交叉概率pc、变异概率pm、群体规模N和最大运行代数G;进行运算,产生种群X(t);
S3、判断种群X(t)进化代数t是否等于最大运行代数G,若符合则算法结束,输出最优解;否则转向下一步;
S4、用适应度函数计算个体适应度;采用轮盘赌策略从种群X(t)中选择M个个体,对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作;
S5、按AIGA算法疫苗选取方法选取两个疫苗,然后选取待接种个体数和接种点数进行免疫操作,并做出接种后的免疫选择,同时,对接种后的种群采用最优个体保留策略;
S6、一组对应一个非线性变换函数F(u),用非线性变换函数进行图像灰度变换,得到输出图像g(x,y)。
2.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增 强方法,其特征在于,所述步骤S1中原图像像素灰度为f(x,y),然后进行归一化处理得到n(x,y),其中:
其中Lmin和Lmax分别为原图像灰度的最小值和最大值,n(x,y)∈[0,1]。
3.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述的AIGA抗体编码,设参数取值范围为[U1,U2],用长度为k的二进制编码符号来表示,可产生2k种不同的编码,其编码方式如下:
其中:
4.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述的种群初始化方法,设一个抗体中变量个数为n,初始抗体规模为m,ai和bi分别为变量xi的取值上限和下限, 为第i个初始个体:
式中为第i个个体的第j个分量的初始值,j∈{1,2,…,n};
令rij为与第i个体第j个分量,是[0,1]区间内服从均匀分布的随机 数,则初始抗体可按下式产生:
其中:
5.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述的适应度函数计算个体适应度方法为利用图像的信息熵E、图像方差Fac、紧致度C、信噪改变量INc,达到图像的整体与局部,结构与细节协调平衡;适应度函数如下:
fitness(·)=E·INc·[Fac+2.5C]
其中:
Pi为第i级灰度出现的概率,当Pi=0时,定义pilog2pi=0;
INc表示灰度为h的像素个数大于给定阀值Th的数量;
M、N为图像的长度和宽度,n=M×N;紧致度C表示周长P的平方与面积A的比:
P、A定义如下:
6.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述的采用轮盘赌策略从种群X(t)中选择M个个体,采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例;赌盘按照群体中个体数的值进行相应次数的旋转,从而始终保持群体的大小不变,个体被选中的概率取决于个体的相对适应度,公式如下:
其中pi为个体i被选中的概率,fi为个体i的适应度,为群体的累加适应度。
7.根据权利要求6所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述的对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作,所述交叉操作:采 用均匀交叉形成新个体,其过程是在交叉概率相同的前提下,交换配对个体对应的基因,其过程如下:随机生成屏蔽字W=(w1,w2,w3,…,wl),其中l为个体编码串的相应长度;按照下述的规则将一对父代染色体的基因进行交换:若wi=0,则两个父代染色体的第i个基因不变;若wi=1,则两个父代染色体的第i个基因相互交换生成新一代个体;
所述变异操作:变异是以小概率对个体编码上的某个位置进行改变,进而生成新个体;对于给定的染色体位串s'=a'1a'2…a'L,具体步骤如下:给定变异概率pm,随机产生xi∈(0,1);按照以下原则生成新的个体s'=a'1a'2…a'L,其中xi是对应于每一个基因位产生的均匀随机变量xi∈(0,1)。
8.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述按AIGA算法疫苗选取方法选取两个疫苗,包含以下步骤:
①计算种群X(t)=(x1(t),x2(t),...xn,(t))中个体xi(t)的适应度为f(xi(t));
②令X(t)中最优个体的下标为k1,即f(xk1(t))取得最大值;
③遍历整个种群X(t),令p=f(xk1(t))-f(xi(t)),记使p的值取得最小且不为0的个体下标为k2,则为种群X(t)中的次优解;
④选取xk1(t)和为两个疫苗。
9.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述的选取待接种个体数和接种点数进行免疫操作,并做出接种后的免疫选择,包含以下步骤:
T1、接种个体的选择,对种群X(t)中的个体适应度f(xi(t))排序,计算种群平均适应度:
随机选择低于平均适应度的个体作为接种个体;
T2、接种个体数和接种点数的选择,接种个体数:
其中,t表示当前代数,N表示当前代种群的个体数;
接种点数:
p(t)=L*e-t
L表示个体编码长度;
T3、接种后抗体的选择方法,选取xk1(t)和xk2(t)为两个疫苗,假设选取的待接种个体为xm(t),通过在接种点的周围选取最近的点注入疫苗,接种后产生两个抗体分别为和,选取f(xm(t)),f(),f()中大者为抗体。
10.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法,其特征在于,所述步骤S5中的一组对应一个非线性变换函数F(u),用非线性变换函数进行图像灰度变换,得到输出图像g(x,y);其中:
g(x,y)=Lmin+(Lmax-Lmin)F(n(x,y))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410393697.3A CN104123706A (zh) | 2014-08-11 | 2014-08-11 | 一种基于自适应免疫遗传算法的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410393697.3A CN104123706A (zh) | 2014-08-11 | 2014-08-11 | 一种基于自适应免疫遗传算法的图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104123706A true CN104123706A (zh) | 2014-10-29 |
Family
ID=51769105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410393697.3A Pending CN104123706A (zh) | 2014-08-11 | 2014-08-11 | 一种基于自适应免疫遗传算法的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123706A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
CN106372739A (zh) * | 2015-07-24 | 2017-02-01 | 中国电力科学研究院 | 一种基于需求响应基线的需求响应效果评估方法 |
CN107274357A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种参数最优的灰度图像增强处理系统 |
CN107292900A (zh) * | 2017-07-05 | 2017-10-24 | 黄河科技学院 | 一种基于Canny算法的图像边缘检测方法和装置 |
CN107507157A (zh) * | 2017-09-29 | 2017-12-22 | 徐州工程学院 | 一种改进的图像增强方法 |
CN107563293A (zh) * | 2017-08-03 | 2018-01-09 | 广州智慧城市发展研究院 | 一种新型的手指静脉预处理方法及系统 |
CN108416745A (zh) * | 2018-02-02 | 2018-08-17 | 中国科学院西安光学精密机械研究所 | 一种具有色彩恒常性的图像自适应去雾增强方法 |
CN108747043A (zh) * | 2018-05-25 | 2018-11-06 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种板材激光切割机及控制方法、计算机 |
CN109146136A (zh) * | 2018-07-20 | 2019-01-04 | 九江学院 | 一种基于免疫遗传算法求解第一类装配线平衡问题的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094161A1 (en) * | 2005-07-27 | 2007-04-26 | Stmicroelectronics S.R.L. | Hardware device for genetic algorithms |
CN102523585A (zh) * | 2011-11-25 | 2012-06-27 | 北京交通大学 | 基于改进遗传算法的认知无线电方法 |
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
-
2014
- 2014-08-11 CN CN201410393697.3A patent/CN104123706A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094161A1 (en) * | 2005-07-27 | 2007-04-26 | Stmicroelectronics S.R.L. | Hardware device for genetic algorithms |
CN102523585A (zh) * | 2011-11-25 | 2012-06-27 | 北京交通大学 | 基于改进遗传算法的认知无线电方法 |
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
Non-Patent Citations (3)
Title |
---|
任永泰: "《经济数学方法与模型》", 31 December 2008 * |
刘志华等: "改进的免疫遗传算法在图像非线性增强中的应用", 《科学技术与工程》 * |
姜代红: "改进的遗传算法在多目标物流配送路径中的应用", 《科学技术与工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376543B (zh) * | 2014-11-28 | 2017-02-22 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
CN106372739A (zh) * | 2015-07-24 | 2017-02-01 | 中国电力科学研究院 | 一种基于需求响应基线的需求响应效果评估方法 |
CN106372739B (zh) * | 2015-07-24 | 2021-04-16 | 中国电力科学研究院 | 一种基于需求响应基线的需求响应效果评估方法 |
CN107274357B (zh) * | 2017-05-23 | 2020-09-15 | 浙江大学 | 一种参数最优的灰度图像增强处理系统 |
CN107274357A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种参数最优的灰度图像增强处理系统 |
CN107292900A (zh) * | 2017-07-05 | 2017-10-24 | 黄河科技学院 | 一种基于Canny算法的图像边缘检测方法和装置 |
CN107563293A (zh) * | 2017-08-03 | 2018-01-09 | 广州智慧城市发展研究院 | 一种新型的手指静脉预处理方法及系统 |
CN107507157A (zh) * | 2017-09-29 | 2017-12-22 | 徐州工程学院 | 一种改进的图像增强方法 |
CN107507157B (zh) * | 2017-09-29 | 2023-06-09 | 徐州工程学院 | 一种改进的图像增强方法 |
CN108416745B (zh) * | 2018-02-02 | 2020-06-26 | 中国科学院西安光学精密机械研究所 | 一种具有色彩恒常性的图像自适应去雾增强方法 |
CN108416745A (zh) * | 2018-02-02 | 2018-08-17 | 中国科学院西安光学精密机械研究所 | 一种具有色彩恒常性的图像自适应去雾增强方法 |
CN108747043A (zh) * | 2018-05-25 | 2018-11-06 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种板材激光切割机及控制方法、计算机 |
CN109146136A (zh) * | 2018-07-20 | 2019-01-04 | 九江学院 | 一种基于免疫遗传算法求解第一类装配线平衡问题的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123706A (zh) | 一种基于自适应免疫遗传算法的图像增强方法 | |
CN101271572B (zh) | 基于免疫克隆选择聚类的图像分割方法 | |
CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
CN113052334B (zh) | 一种联邦学习实现方法、系统、终端设备及可读存储介质 | |
CN104239489B (zh) | 利用相似性搜索和改进bp神经网络预测水位的方法 | |
CN106529574B (zh) | 基于稀疏自动编码器和支持向量机的图像分类方法 | |
CN107862411A (zh) | 一种大规模柔性作业车间调度优化方法 | |
EP3611799A1 (en) | Array element arrangement method for l-type array antenna based on inheritance of acquired characteristics | |
CN110097178A (zh) | 一种基于熵注意的神经网络模型压缩与加速方法 | |
CN106815782A (zh) | 一种基于神经网络统计学模型的房地产估值方法及系统 | |
CN105069220B (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
CN105045091B (zh) | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 | |
CN103778482A (zh) | 基于多尺度分析的水产养殖溶解氧短期预测方法 | |
CN109872007A (zh) | 基于支持向量机代理模型的油藏注采参数多目标优化方法 | |
CN107958298A (zh) | 一种基于聚类算法的物流网点的选取方法 | |
CN108665322A (zh) | 口粮消费量预测模型的构建方法、消费量预测方法及装置 | |
CN107945199A (zh) | 基于蝙蝠算法和大津算法的红外图像分割方法及系统 | |
CN111597753B (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
CN103020979A (zh) | 基于稀疏遗传聚类的图像分割方法 | |
CN103824285B (zh) | 一种基于蝙蝠优化模糊聚类的图像分割方法 | |
CN107507157B (zh) | 一种改进的图像增强方法 | |
CN104992410B (zh) | 一种单目视觉图像的处理方法 | |
CN104281917A (zh) | 基于自适应遗传和克隆选择算法的模糊作业车间调度方法 | |
CN109002878A (zh) | 一种ga优化bp神经网络 | |
CN107895170A (zh) | 一种基于激活值敏感性的Dropout正则化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141029 |