CN106600563A - 基于局部搜索差分演化的图像增强方法 - Google Patents
基于局部搜索差分演化的图像增强方法 Download PDFInfo
- Publication number
- CN106600563A CN106600563A CN201611201608.6A CN201611201608A CN106600563A CN 106600563 A CN106600563 A CN 106600563A CN 201611201608 A CN201611201608 A CN 201611201608A CN 106600563 A CN106600563 A CN 106600563A
- Authority
- CN
- China
- Prior art keywords
- individual
- image
- goes
- enumerator
- fes
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
Abstract
本发明公开了一种基于局部搜索差分演化的图像增强方法。本发明采用局部搜索差分演化算法来优化设计非完全Beta函数的参数,然后以优化设计参数的非完全Beta函数对图像进行非线性变换,从而增强图像的质量。在局部搜索差分演化算法中,利用最优个体与随机个体的信息生成差分变异算子的基础个体实现种群多样性与收敛速度的平衡;在搜索过程中,执行局部搜索策略以改进图像增强的效果。本发明能够在一定程度上避免陷入局部最优,提高图像增强的效果。
Description
技术领域
本发明涉及图像增强领域,尤其是涉及一种基于局部搜索差分演化的图像增强方法。
背景技术
图像增强是数字图像处理系统中的常用技术。在数字图像处理过程中,由于光照及传感器硬件特性等条件限制,人们获得的图像往往存在着视觉效果不佳的问题。针对这种问题,人们常常会利用非线性变换的方法对图像进行处理,从而提高这类视觉效果不佳图像的质量。基于图像非线性变换原理的图像增强技术具有容易实现,运行效率高的优点,因而广泛运用于各类数字图像处理系统中。基于图像非线性变换图像增强技术的核心问题就是如何有效地优化非线性变换函数的参数,然而这是一个不连续、不可导的优化问题。因此传统的优化算法难以有效地求解。
演化算法是一种模拟自然界演化规律的智能优化算法,它在求解不连续、不可导的优化问题时能够表现出非常优秀的性能。由于演化算法的这一优点,人们不断将其应用于优化非线性变换函数的参数,并利用得到的非线性变换函数来实现图像质量的增强。例如,黄楠利用遗传算来优化图像增强的参数,实验表明提出方法具有一定的可行性(黄楠.遗传算法在图像增强中的应用研究[J].计算机仿真,2012,29(8):261-264);过润秋等设计了并行遗传算法用于优化红外图像增强的参数,实验表明提出方法能够有效地增强红外图像的质量(过润秋,李俊峰,林晓春等.基于并行遗传算法的红外图像增强及相关技术[J].西安电子科技大学学报(自然科学版),2004,31(1):6-8,20);魏雪峰等提出了自适应云粒子群算法,并将改进的粒子群算法应用于造影图像的增强(魏雪峰,董银平,邵明省等.基于自适应云粒子群算法的造影图像增强[J].电视技术,2013,37(9):30-33);李莉等设计了4个优化目标函数,然后利用粒子群算法来优化4个目标函数从而实现对激光光斑图像的增强(李莉,秦勤,李建等.基于粒子群优化的激光光斑图像增强改进算法[J].计算机工程与设计,2014,35(3):963-967,1015.)。从现有的研究成果中可知,演化算法在图像增强中应用非常广泛。但是传统演化算法应用于图像增强时容易出现陷入局部最优,图像增强效率不高的缺点。
发明内容
本发明针对传统差分演化算法应用于图像增强时容易出现陷入局部最优,增强效率不高的缺点,提出一种基于局部搜索差分演化的图像增强方法。本发明能够在一定程度上避免陷入局部最优,提高图像增强的效果。
本发明的技术方案:一种基于局部搜索差分演化的图像增强方法,包括以下步骤:
步骤1,输入一幅图像IM;
步骤2,用户初始化参数,所述初始化参数包括种群大小Popsize,最大评价次数MAX_FEs,杂交率Cr和缩放因子F;
步骤3,令当前演化代数t=0,当前评价次数FEs=0,优化设计参数个数D=2;
步骤4,随机初始化种群其中:个体下标i=1,2,...,Popsize;为种群Pt中的第i个个体并且存储了两个待优化设计参数;
步骤5,计算种群Pt中每个个体的适应值其中个体下标i=1,2,...,Popsize,个体的适应值的计算方法为:将个体解码为非完全Beta函数的参数α,β,并利用以α,β为参数的非完全Beta函数对图像IM进行非线性变换,变换后的图像记为CM,然后以图像CM的评价质量作为个体的适应值
步骤6,保存种群Pt中的最优个体Bestt,然后令当前评价次数FEs=FEs+Popsize;
步骤7,令计数器ti=1;
步骤8,如果计数器ti大于种群大小Popsize,则转到步骤13,否则转到步骤9;
步骤9,执行改进的差分演化操作算子产生一个试验个体其步骤如下:
步骤9.1,令计数器tj=1;
步骤9.2,在[1,D]之间随机产生一个正整数jRand;
步骤9.3,在[1,Popsize]之间随机产生两个不相等的正整数RT1和RT2;
步骤9.4,如果个体的适应值比个体的适应值更优,则令RT1=RT2,否则保持RT1不变;
步骤9.5,在[0,1]之间产生一个服从均匀分布的随机实数TW,然后令组合基础个体
步骤9.6,在[1,Popsize]之间随机产生两个不相等的正整数RT3和RT4;
步骤9.7,如果计数器tj小于或等于D,则转到步骤9.8,否则转到步骤10;
步骤9.8,在[0,1]之间产生一个随机实数r1,如果r1小于杂交率Cr或者计数器tj等于jRand,则转到步骤9.9,否则转到步骤9.11;
步骤9.9,
步骤9.10,转到步骤9.12
步骤9.11,
步骤9.12,令计数器tj=tj+1,然后转到步骤9.7;
步骤10,计算试验个体的适应值,并令当前评价次数FEs=FEs+1;
步骤11,执行选择操作算子在个体与试验个体之间选择更优者进入下一代种群;
步骤12,令计数器ti=ti+1,然后转到步骤8;
步骤13,在[1,Popsize]之间产生一个随机正整数RT5,然后对个体执行局部搜索,具体步骤如下:
步骤13.1,令计数器tls=0,并令最大局部搜索次数MaxLs=5;
步骤13.2,令局部搜索个体
步骤13.3,在[1,D]之间随机产生一个正整数tk;
步骤13.4,以为期望,为标准差产生一个高斯随机数GR;
步骤13.5,令
步骤13.6,计算个体的适应值,并令当前评价次数FEs=FEs+1;
步骤13.7,令计数器tls=tls+1;
步骤13.8,如果个体的适应值比个体的适应值更优,则令然后转到步骤14,否则转到步骤13.9;
步骤13.9,如果计数器tls小于MaxLs,则转到步骤13.2,否则转到步骤14;
步骤14,保存种群Pt中的最优个体Bestt;
步骤15,令当前演化代数t=t+1;
步骤16,重复步骤7至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt解码为非完全Beta函数的参数α,β,并利用以α,β为参数的非完全Beta函数对图像IM进行非线性变换,即可得到增强的图像。
本发明采用局部搜索差分演化算法来优化设计非完全Beta函数的参数,然后以优化设计参数的非完全Beta函数对图像进行非线性变换,从而增强图像的质量。在局部搜索差分演化算法中,利用最优个体与随机个体的信息生成差分变异算子的基础个体实现种群多样性与收敛速度的平衡,从而在一定程度上避免陷入局部最优;在搜索过程中,执行局部搜索策略以改进图像增强的效果。本发明能够在一定程度上避免陷入局部最优,提高图像增强的效果。
附图说明
图1为原始图像。
图2为应用本发明增强后的图像。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
步骤1,输入如图1所示的一幅图像IM;
步骤2,用户初始化参数,所述初始化参数包括种群大小Popsize=20,最大评价次数MAX_FEs=80,杂交率Cr=0.9和缩放因子F=0.6;
步骤3,令当前演化代数t=0,当前评价次数FEs=0,优化设计参数个数D=2;
步骤4,随机初始化种群其中:个体下标i=1,2,...,Popsize;为种群Pt中的第i个个体并且存储了两个待优化设计参数;
步骤5,计算种群Pt中每个个体的适应值其中个体下标i=1,2,...,Popsize,个体的适应值的计算方法为:将个体解码为非完全Beta函数的参数α,β,并利用以α,β为参数的非完全Beta函数对图像IM进行非线性变换,变换后的图像记为CM,然后以图像CM的评价质量作为个体的适应值
步骤6,保存种群Pt中的最优个体Bestt,然后令当前评价次数FEs=FEs+Popsize;
步骤7,令计数器ti=1;
步骤8,如果计数器ti大于种群大小Popsize,则转到步骤13,否则转到步骤9;
步骤9,执行改进的差分演化操作算子产生一个试验个体其步骤如下:
步骤9.1,令计数器tj=1;
步骤9.2,在[1,D]之间随机产生一个正整数jRand;
步骤9.3,在[1,Popsize]之间随机产生两个不相等的正整数RT1和RT2;
步骤9.4,如果个体的适应值比个体的适应值更优,则令RT1=RT2,否则保持RT1不变;
步骤9.5,在[0,1]之间产生一个服从均匀分布的随机实数TW,然后令组合基础个体
步骤9.6,在[1,Popsize]之间随机产生两个不相等的正整数RT3和RT4;
步骤9.7,如果计数器tj小于或等于D,则转到步骤9.8,否则转到步骤10;
步骤9.8,在[0,1]之间产生一个随机实数r1,如果r1小于杂交率Cr或者计数器tj等于jRand,则转到步骤9.9,否则转到步骤9.11;
步骤9.9,
步骤9.10,转到步骤9.12
步骤9.11,
步骤9.12,令计数器tj=tj+1,然后转到步骤9.7;
步骤10,计算试验个体的适应值,并令当前评价次数FEs=FEs+1;
步骤11,执行选择操作算子在个体与试验个体之间选择更优者进入下一代种群;
步骤12,令计数器ti=ti+1,然后转到步骤8;
步骤13,在[1,Popsize]之间产生一个随机正整数RT5,然后对个体执行局部搜索,具体步骤如下:
步骤13.1,令计数器tls=0,并令最大局部搜索次数MaxLs=5;
步骤13.2,令局部搜索个体
步骤13.3,在[1,D]之间随机产生一个正整数tk;
步骤13.4,以为期望,为标准差产生一个高斯随机数GR;
步骤13.5,令
步骤13.6,计算个体的适应值,并令当前评价次数FEs=FEs+1;
步骤13.7,令计数器tls=tls+1;
步骤13.8,如果个体的适应值比个体的适应值更优,则令然后转到步骤14,否则转到步骤13.9;
步骤13.9,如果计数器tls小于MaxLs,则转到步骤13.2,否则转到步骤14;
步骤14,保存种群Pt中的最优个体Bestt;
步骤15,令当前演化代数t=t+1;
步骤16,重复步骤7至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt解码为非完全Beta函数的参数α,β,并利用以α,β为参数的非完全Beta函数对图像IM进行非线性变换,即可得到如图2所示的增强图像。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.基于局部搜索差分演化的图像增强方法,其特征在于,包括以下步骤:
步骤1,输入一幅图像IM;
步骤2,用户初始化参数,所述初始化参数包括种群大小Popsize,最大评价次数MAX_FEs,杂交率Cr和缩放因子F;
步骤3,令当前演化代数t=0,当前评价次数FEs=0,优化设计参数个数D=2;
步骤4,随机初始化种群其中:个体下标i=1,2,...,Popsize;为种群Pt中的第i个个体并且存储了两个待优化设计参数;
步骤5,计算种群Pt中每个个体的适应值其中个体下标i=1,2,...,Popsize,个体的适应值的计算方法为:将个体解码为非完全Beta函数的参数α,β,并利用以α,β为参数的非完全Beta函数对图像IM进行非线性变换,变换后的图像记为CM,然后以图像CM的评价质量作为个体的适应值
步骤6,保存种群Pt中的最优个体Bestt,然后令当前评价次数FEs=FEs+Popsize;
步骤7,令计数器ti=1;
步骤8,如果计数器ti大于种群大小Popsize,则转到步骤13,否则转到步骤9;
步骤9,执行改进的差分演化操作算子产生一个试验个体其步骤如下:
步骤9.1,令计数器tj=1;
步骤9.2,在[1,D]之间随机产生一个正整数jRand;
步骤9.3,在[1,Popsize]之间随机产生两个不相等的正整数RT1和RT2;
步骤9.4,如果个体的适应值比个体的适应值更优,则令RT1=RT2,否则保持RT1不变;
步骤9.5,在[0,1]之间产生一个服从均匀分布的随机实数TW,然后令组合基础个体
步骤9.6,在[1,Popsize]之间随机产生两个不相等的正整数RT3和RT4;
步骤9.7,如果计数器tj小于或等于D,则转到步骤9.8,否则转到步骤10;
步骤9.8,在[0,1]之间产生一个随机实数r1,如果r1小于杂交率Cr或者计数器tj等于jRand,则转到步骤9.9,否则转到步骤9.11;
步骤9.9,
步骤9.10,转到步骤9.12
步骤9.11,
步骤9.12,令计数器tj=tj+1,然后转到步骤9.7;
步骤10,计算试验个体的适应值,并令当前评价次数FEs=FEs+1;
步骤11,执行选择操作算子在个体与试验个体之间选择更优者进入下一代种群;
步骤12,令计数器ti=ti+1,然后转到步骤8;
步骤13,在[1,Popsize]之间产生一个随机正整数RT5,然后对个体执行局部搜索,具体步骤如下:
步骤13.1,令计数器tls=0,并令最大局部搜索次数MaxLs=5;
步骤13.2,令局部搜索个体
步骤13.3,在[1,D]之间随机产生一个正整数tk;
步骤13.4,以为期望,为标准差产生一个高斯随机数GR;
步骤13.5,令
步骤13.6,计算个体的适应值,并令当前评价次数FEs=FEs+1;
步骤13.7,令计数器tls=tls+1;
步骤13.8,如果个体的适应值比个体的适应值更优,则令然后转到步骤14,否则转到步骤13.9;
步骤13.9,如果计数器tls小于MaxLs,则转到步骤13.2,否则转到步骤14;
步骤14,保存种群Pt中的最优个体Bestt;
步骤15,令当前演化代数t=t+1;
步骤16,重复步骤7至步骤15直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt解码为非完全Beta函数的参数α,β,并利用以α,β为参数的非完全Beta函数对图像IM进行非线性变换,即可得到增强的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611201608.6A CN106600563B (zh) | 2016-12-23 | 2016-12-23 | 基于局部搜索差分演化的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611201608.6A CN106600563B (zh) | 2016-12-23 | 2016-12-23 | 基于局部搜索差分演化的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600563A true CN106600563A (zh) | 2017-04-26 |
CN106600563B CN106600563B (zh) | 2019-07-02 |
Family
ID=58603022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611201608.6A Active CN106600563B (zh) | 2016-12-23 | 2016-12-23 | 基于局部搜索差分演化的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600563B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274375A (zh) * | 2017-07-09 | 2017-10-20 | 江西理工大学 | 应用高斯反向和声搜索的图像增强方法 |
CN108304675A (zh) * | 2018-02-28 | 2018-07-20 | 江西理工大学 | 基于适应性策略差分演化的水质模型参数辨识方法 |
CN108389209A (zh) * | 2018-02-28 | 2018-08-10 | 江西理工大学 | 应用多模式差分演化算法的葡萄图像分割方法 |
CN108665451A (zh) * | 2018-05-04 | 2018-10-16 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
CN112085665A (zh) * | 2020-04-10 | 2020-12-15 | 长春工业大学 | 一种基于蝗虫入侵杂草算法的图像增强方法 |
CN112927168A (zh) * | 2021-03-26 | 2021-06-08 | 江西理工大学 | 基于天牛须搜索与差分进化混合算法的图像增强方法 |
CN116258090A (zh) * | 2023-05-16 | 2023-06-13 | 中国地质大学(武汉) | 基于双阶段信息迁移的差分演化深空轨道设计方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318575A (zh) * | 2014-11-04 | 2015-01-28 | 江西理工大学 | 一种基于综合学习差分演化算法的多阈值图像分割方法 |
CN105989598A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院沈阳自动化研究所 | 基于局部强化主动轮廓模型的眼底图像血管分割方法 |
-
2016
- 2016-12-23 CN CN201611201608.6A patent/CN106600563B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318575A (zh) * | 2014-11-04 | 2015-01-28 | 江西理工大学 | 一种基于综合学习差分演化算法的多阈值图像分割方法 |
CN105989598A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院沈阳自动化研究所 | 基于局部强化主动轮廓模型的眼底图像血管分割方法 |
Non-Patent Citations (3)
Title |
---|
吴伟林等: "基于差分演化与猫群算法融合的群体智能算法", 《计算技术与自动化》 * |
唐汉香等: "基于局部搜索的Memetic差分演化算法", 《软件》 * |
尹宝勇等: "基于改进FCM和径向基函数插值的图像修复", 《江西理工大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274375A (zh) * | 2017-07-09 | 2017-10-20 | 江西理工大学 | 应用高斯反向和声搜索的图像增强方法 |
CN107274375B (zh) * | 2017-07-09 | 2020-04-14 | 江西理工大学 | 应用高斯反向和声搜索的图像增强方法 |
CN108304675A (zh) * | 2018-02-28 | 2018-07-20 | 江西理工大学 | 基于适应性策略差分演化的水质模型参数辨识方法 |
CN108389209A (zh) * | 2018-02-28 | 2018-08-10 | 江西理工大学 | 应用多模式差分演化算法的葡萄图像分割方法 |
CN108665451A (zh) * | 2018-05-04 | 2018-10-16 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN108665451B (zh) * | 2018-05-04 | 2022-02-25 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
CN112085665A (zh) * | 2020-04-10 | 2020-12-15 | 长春工业大学 | 一种基于蝗虫入侵杂草算法的图像增强方法 |
CN112927168A (zh) * | 2021-03-26 | 2021-06-08 | 江西理工大学 | 基于天牛须搜索与差分进化混合算法的图像增强方法 |
CN116258090A (zh) * | 2023-05-16 | 2023-06-13 | 中国地质大学(武汉) | 基于双阶段信息迁移的差分演化深空轨道设计方法及系统 |
CN116258090B (zh) * | 2023-05-16 | 2023-08-18 | 中国地质大学(武汉) | 基于双阶段信息迁移的差分演化深空轨道设计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106600563B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600563A (zh) | 基于局部搜索差分演化的图像增强方法 | |
Sun et al. | Toward communication-efficient federated learning in the Internet of Things with edge computing | |
Cui et al. | Class-balanced loss based on effective number of samples | |
WO2019071947A1 (zh) | 用于64-qam相干光通信系统的光纤非线性均衡方法 | |
CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
CN104134221A (zh) | 一种基于自适应遗传算法和otsu算法的图像分割方法 | |
CN111507384B (zh) | 一种黑盒深度模型对抗样本生成方法 | |
CN111064512B (zh) | 基于深度学习的光正交频分复用调制方法与系统 | |
CN112737682B (zh) | Led非线性失真补偿方法、装置及可见光通信系统 | |
CN111047054A (zh) | 一种基于两阶段对抗知识迁移的对抗样例防御方法 | |
CN108471382A (zh) | 一种基于节点度值的复杂网络聚类算法攻击方法 | |
CN110827299A (zh) | 一种基于哈里斯鹰优化算法的图像分割方法 | |
CN107451977B (zh) | 一种图像去雾方法及其系统 | |
Horng et al. | The codebook design of image vector quantization based on the firefly algorithm | |
CN103338170B (zh) | 混沌人工鱼群优化广义多模盲均衡方法 | |
CN107274375B (zh) | 应用高斯反向和声搜索的图像增强方法 | |
CN104112260B (zh) | 一种基于查找表的逆半色调方法 | |
Jiang et al. | Research on image enhancement method based on adaptive immune genetic algorithm | |
CN111222542B (zh) | 基于l1正则化的混合动力公交车工况有效特征选取方法 | |
CN111931566B (zh) | 一种基于图像处理的人脸卡通形象设计方法 | |
CN109685114B (zh) | 一种基于预筛选法和PHash的图像相似判定方法 | |
CN107274356A (zh) | 一种自适应的灰度图像增强系统 | |
CN115913792B (zh) | Dga域名的鉴别方法、系统及可读介质 | |
Chen et al. | Integrating SLM Algorithm into Neural Network for Reducing the PAPR of OFDM System | |
CN109948464B (zh) | 一种基于改进后bp神经网络车道线识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |