CN107274356A - 一种自适应的灰度图像增强系统 - Google Patents
一种自适应的灰度图像增强系统 Download PDFInfo
- Publication number
- CN107274356A CN107274356A CN201710367541.1A CN201710367541A CN107274356A CN 107274356 A CN107274356 A CN 107274356A CN 201710367541 A CN201710367541 A CN 201710367541A CN 107274356 A CN107274356 A CN 107274356A
- Authority
- CN
- China
- Prior art keywords
- mrow
- particle
- msub
- msup
- image
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 10
- 238000005728 strengthening Methods 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 235000013350 formula milk Nutrition 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 82
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20008—Globally adaptive
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自适应的灰度图像增强系统，该系统由图像读入模块、图像预处理模块、参数寻优模块、图像增强与输出模块组成。系统首先将输入的灰度图像归一化，然后采用变换公式来增强灰度图像，变换公式中的参数通过改进的智能优化方法来确定。改进的优化方法加入了分群操作，能够防止优化过程陷入局部最优。同时，改进的优化方法中，更新公式中的压缩因子根据迭代计数自适应地改变，提高了算法的收敛性能。采用改进的智能优化方法，系统可以快速准确地确定最优参数，然后对灰度图像进行增强操作并最终输出。系统具有增强效果好，运行效率高的特点。
Description
技术领域
本发明涉及图像处理技术领域，具体地，涉及一种自适应的灰度图像增强系统。
背景技术
图像增强是图像处理的一个重要分支，其目的是改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰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，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
图像增强技术分为空域方法和频域方法两大类。空域方法有对比度拉升、直方图均衡、直方图变换以及基于优化的增强方法。频域方法把图像视为波，然后再利用信号处理手段来处理图像，有傅里叶变换、小波变换、连续曲波变换、轮廓波变换。但是目前大部分方法都不能根据图片的特点自适应地选择不同的图像增强变换，而少部分基于优化的增强方法的优化算法存在缺陷，导致增强结果并不是最好的，同时优化效率与系统运行效率较低。
发明内容
为了克服目前灰度图像增强方法中增强结果非最优、运行效率较差的不足，本发明目的在于提供一种增强效果好、运行效率高的自适应灰度图像增强系统。
本发明解决其技术问题所采用的技术方案是：一种自适应的灰度图像增强系统，该系统由图像读入模块、图像预处理模块、参数寻优模块、图像增强与输出模块组成；其中：
图像读入模块读入一幅像素为M×N的灰度图像I，并将其输入图像预处理模块；灰度图像I＝{f(x,y)}，其中x＝1,2,…,M，y＝1,2,…,N，f(x,y)代表像素点(x,y)的灰度值，f(x,y)∈[Lmin,Lmax]，Lmin,Lmax分别表示读入的灰度图像的灰度值的最小值和最大值；
图像预处理模块对读入的灰度图像进行归一化处理后，将结果输入参数寻优模块；像素点(x,y)经过归一化以后的像素值为f'(x,y)：
参数寻优模块初始化种群规模为Ns的粒子群，随机生成维度为2的粒子i的初始位置xi＝(xi1,xi2)和初始速度vi＝(vi1,vi2)，i＝1,2,...,Ns；其中xi1,xi2∈[0,10]，vi1,vi2∈[-10,10]，种群规模Ns＝30～100；然后按以下方法进行迭代，初始时迭代计数t＝0：
(1)按公式(2)对每个像素点进行图像增强变换：
其中，F(x,y)为像素点(x,y)经过增强变换以后的像素值；u为读入的灰度图像归一化后的灰度值，即u＝f'(x,y)，u∈[0,1]；a,b为待优化的参数，用粒子的位置状态表示，a＝xi1，b＝xi2，a,b∈[0,10]；q为灰度增强变换公式中的积分变量；
(2)按照公式(3)获取所有粒子的适应度值fitness(a,b)：
其中，F2(x,y)为像素点(x,y)增强变换后的灰度值F(x,y)的平方；适应度值最大的粒子为全局最优粒子pbest＝(pbest1,pbest2)；
(3)对所有粒子进行分群操作，包括以下子步骤：
(3.1)将所有粒子按照适应度值大小从大到小排序，选取适应度值最大的粒子作为一个子群中心；
(3.2)在剩下的粒子中选取适应度值最大的粒子，依次计算该粒子与各个子群中心的欧几里得距离；粒子i与粒子j的欧几里得距离dist(i,j)定义为：
其中，xi＝(xi1,xi2)代表粒子i的位置，xj＝(xj1,xj2)代表粒子j的位置，i,j＝1,2,...,Ns；若该粒子与某一个子群中心的欧几里得距离小于半径r，则将该粒子归为该子群中心所在的子群，并不再计算该粒子与剩下的子群中心的欧几里得距离；若该粒子与所有子群中心的距离都大于半径r，则将该粒子置为一个新的子群中心；半径r＝1～3；
(3.3)重复步骤(3.2)，直到处理完所有粒子，则分群完成，且每个子群中心为该子群中适应度值最大的粒子；
(4)按照式(5)(6)更新每个粒子的速度与位置：
vid(t)＝χ·(vid(t-1)+c1r1·(pid-xid(t-1))+c2r2·(pigd-xid(t-1))) (5)
xid(t)＝xid(t-1)+vid(t) (6)
其中，χ为压缩因子；c1,c2为加速度因子，c1＝c2＝2；r1,r2为0到1之间均匀分布的随机数；pi＝(pi1，pi2)为粒子i的历史最优位置，pig＝(pig1，pig2)为粒子i所在子群的子群中心的位置；d为维度变量，d＝1,2；压缩因子按照式(7)变换：
其中，χmin＝0.4，χmax＝1.0；若更新后xid<0，则令xid＝0；若更新后xid>10，则令xid＝10；
(5)迭代计数累加，t＝t+1；
(6)重复步骤(1)到(5)，直到迭代计数达到最大迭代计数tmax则停止迭代，tmax＝100～2000；
种群全局最优粒子所在的位置pbest＝(pbest1,pbest2)即优化后的参数a,b，即a＝pbest1,b＝pbest2；参数寻优模块将优化后的参数a,b输入图像增强与输出模块，图像增强与输出模块按照公式(2)进行图像增强变换，并将增强后的图像的灰度值按照公式(8)扩展到[L'min,L'max]范围并输出：
F'(x,y)＝(L'max-L'min)×F(x,y) (8)。
本发明的有益效果主要表现在：本发明利用改进的智能优化方法对灰度图像增强变换过程中的参数进行寻优，能够找到使增强效果最好的参数；改进的智能优化方法添加了分群操作，能够防止优化过程陷入局部最优；根据迭代计数自适应变化的压缩因子提高了算法的收敛性，加快了系统的运行速度。本发明能够快速准确地确定最优参数对灰度图像进行增强操作，增强效果好，运行效率高。
附图说明
图1是本发明的结构示意图；
图2是本发明的流程图；
图3是本发明中压缩因子χ随迭代次数t的变化图。
具体实施方式
下面根据附图具体说明本发明。
参照图1，一种自适应的灰度图像增强系统，包括四个模块：图像读入模块1、图像预处理模块2、参数寻优模块3以及图像增强与输出模块4，其中：
图像读入模块1读入一幅像素为M×N的灰度图像I，并将其输入图像预处理模块2。灰度图像I＝{f(x,y)}，其中x＝1,2,…,M，y＝1,2,…,N，f(x,y)代表像素点(x,y)的灰度值，f(x,y)∈[Lmin,Lmax]，Lmin,Lmax分别表示读入的灰度图像的灰度值的最小值和最大值。
图像预处理模块2对读入的灰度图像进行归一化处理后，将结果输入参数寻优模块3。将图像归一化处理是为了适应后续的图像增强变换。像素点(x,y)经过归一化以后的像素值为f'(x,y)：
参数寻优模块3初始化种群规模为Ns的粒子群，随机生成维度为2的粒子i的初始位置xi＝(xi1,xi2)和初始速度vi＝(vi1,vi2)，i＝1,2,...,Ns。其中xi1,xi2∈[0,10]，vi1,vi2∈[-10,10]，种群规模Ns＝30～100。然后按以下方法进行迭代，初始时迭代计数t＝0：
(1)按公式(2)对每个像素点进行图像增强变换：
其中，F(x,y)为像素点(x,y)经过增强变换以后的像素值；u为读入的灰度图像归一化后的灰度值，即u＝f'(x,y)，u∈[0,1]；a,b为待优化的参数，用粒子的位置状态表示，a＝xi1，b＝xi2，a,b∈[0,10]；q为灰度增强变换公式中的积分变量，无实际意义。
(2)按照公式(3)获取所有粒子的适应度值fitness(a,b)：
其中，F2(x,y)为像素点(x,y)增强变换后的灰度值F(x,y)的平方。适应度值越大，则图像对比度越高，图像的增强效果越好。适应度值最大的粒子为全局最优粒子pbest＝(pbest1,pbest2)。
(3)对所有粒子进行分群操作。相较于传统的粒子群方法，基于分群的粒子群优化方法能防止优化过程陷入局部最优，从而寻找到使图像增强效果最好的全局最优参数。具体包括以下子步骤：
(3.1)将所有粒子按照适应度值大小从大到小排序，选取适应度值最大的粒子作为一个子群中心；
(3.2)在剩下的粒子中选取适应度值最大的粒子，依次计算该粒子与各个子群中心的欧几里得距离。粒子i与粒子j的欧几里得距离dist(i,j)定义为：
其中，xi＝(xi1,xi2)代表粒子i的位置，xj＝(xj1,xj2)代表粒子j的位置，i,j＝1,2,...,Ns。若该粒子与某一个子群中心的欧几里得距离小于半径r，则将该粒子归为该子群中心所在的子群，并不再计算该粒子与剩下的子群中心的欧几里得距离；若该粒子与所有子群中心的距离都大于半径r，则将该粒子置为一个新的子群中心。根据搜索空间的大小，令半径r＝1～3。(3.3)重复步骤(3.2)，直到处理完所有粒子，则分群完成，且每个子群中心为该子群中适应度值最大的粒子。
(4)按照式(5)(6)更新每个粒子的速度与位置：
vid(t)＝χ·(vid(t-1)+c1r1·(pid-xid(t-1))+c2r2·(pigd-xid(t-1))) (5)
xid(t)＝xid(t-1)+vid(t) (6)
其中，χ为压缩因子；c1,c2为加速度因子，c1＝c2＝2；r1,r2为0到1之间均匀分布的随机数；pi＝(pi1，pi2)为粒子i的历史最优位置，pig＝(pig1，pig2)为粒子i所在子群的子群中心的位置；d为维度变量，d＝1,2。
压缩因子χ越大，代表粒子的全局搜索能力越强，压缩因子χ越小，代表局部搜索能力越强。传统粒子群方法中压缩因子χ为常数，为了更快地找到最优参数，提高运行效率，参照图3，随着迭代次数的增加，设定压缩因子χ按照式(7)变换：
其中，χmin＝0.4，χmax＝1.0。若更新后xid<0，则令xid＝0；若更新后xid>10，则令xid＝10。
(5)迭代计数累加，t＝t+1。
(6)重复步骤(1)到(5)，直到迭代计数达到最大迭代计数tmax则停止迭代，tmax＝100～2000。
种群全局最优粒子所在的位置pbest＝(pbest1,pbest2)即优化后的参数a,b，即a＝pbest1,b＝pbest2。参数寻优模块3将优化后的参数a,b输入图像增强与输出模块4，图像增强与输出模块按照公式(2)进行图像增强变换，并将增强后的图像的灰度值按照公式(8)扩展到[L'min,L'max]范围并输出：
F'(x,y)＝(L'max-L'min)×F(x,y) (8)
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (1)
1.一种自适应的灰度图像增强系统，其特征在于：该系统由图像读入模块、图像预处理模块、参数寻优模块、图像增强与输出模块组成；其中：
图像读入模块读入一幅像素为M×N的灰度图像I，并将其输入图像预处理模块。灰度图像I＝{f(x,y)}，其中x＝1,2,…,M，y＝1,2,…,N，f(x,y)代表像素点(x,y)的灰度值，f(x,y)∈[Lmin,Lmax]，Lmin,Lmax分别表示读入的灰度图像的灰度值的最小值和最大值。
图像预处理模块对读入的灰度图像进行归一化处理后，将结果输入参数寻优模块。像素点(x,y)经过归一化以后的像素值为f'(x,y)：
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>L</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>L</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
参数寻优模块初始化种群规模为Ns的粒子群，随机生成维度为2的粒子i的初始位置xi＝(xi1,xi2)和初始速度vi＝(vi1,vi2)，i＝1,2,...,Ns。其中xi1,xi2∈[0,10]，vi1,vi2∈[-10,10]，种群规模Ns＝30～100。然后按以下方法进行迭代，初始时迭代计数t＝0：
(1)按公式(2)对每个像素点进行图像增强变换：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>u</mi>
</munderover>
<msup>
<mi>q</mi>
<mrow>
<mi>a</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>d</mi>
<mi>q</mi>
</mrow>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mn>1</mn>
</munderover>
<msup>
<mi>q</mi>
<mrow>
<mi>a</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>d</mi>
<mi>q</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，F(x,y)为像素点(x,y)经过增强变换以后的像素值；u为读入的灰度图像归一化后的灰度值，即u＝f'(x,y)，u∈[0,1]；a,b为待优化的参数，用粒子的位置状态表示，a＝xi1，b＝xi2，a,b∈[0,10]；q为灰度增强变换公式中的积分变量。
(2)按照公式(3)获取所有粒子的适应度值fitness(a,b)：
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mi>F</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>F</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，F2(x,y)为像素点(x,y)增强变换后的灰度值F(x,y)的平方。适应度值最大的粒子为全局最优粒子pbest＝(pbest1,pbest2)。
(3)对所有粒子进行分群操作，包括以下子步骤：
(3.1)将所有粒子按照适应度值大小从大到小排序，选取适应度值最大的粒子作为一个子群中心。
(3.2)在剩下的粒子中选取适应度值最大的粒子，依次计算该粒子与各个子群中心的欧几里得距离。粒子i与粒子j的欧几里得距离dist(i,j)定义为：
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，xi＝(xi1,xi2)代表粒子i的位置，xj＝(xj1,xj2)代表粒子j的位置，i,j＝1,2,...,Ns。若该粒子与某一个子群中心的欧几里得距离小于半径r，则将该粒子归为该子群中心所在的子群，并不再计算该粒子与剩下的子群中心的欧几里得距离；若该粒子与所有子群中心的距离都大于半径r，则将该粒子置为一个新的子群中心。半径r＝1～3。
(3.3)重复步骤(3.2)，直到处理完所有粒子，则分群完成，且每个子群中心为该子群中适应度值最大的粒子。
(4)按照式(5)(6)更新每个粒子的速度与位置：
vid(t)＝χ·(vid(t-1)+c1r1·(pid-xid(t-1))+c2r2·(pigd-xid(t-1))) (5)
xid(t)＝xid(t-1)+vid(t) (6)
其中，χ为压缩因子；c1,c2为加速度因子，c1＝c2＝2；r1,r2为0到1之间均匀分布的随机数；pi＝(pi1，pi2)为粒子i的历史最优位置，pig＝(pig1，pig2)为粒子i所在子群的子群中心的位置；d为维度变量，d＝1,2。压缩因子按照式(7)变换：
<mrow>
<mi>&chi;</mi>
<mo>=</mo>
<msub>
<mi>&chi;</mi>
<mi>min</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&chi;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>&chi;</mi>
<mi>min</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mn>10</mn>
<mo>&CenterDot;</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>t</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
</mrow>
</mfrac>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，χmin＝0.4，χmax＝1.0。若更新后xid<0，则令xid＝0；若更新后xid>10，则令xid＝10。
(5)迭代计数累加，t＝t+1。
(6)重复步骤(1)到(5)，直到迭代计数达到最大迭代计数tmax则停止迭代，tmax＝100～2000。
种群全局最优粒子所在的位置pbest＝(pbest1,pbest2)即优化后的参数a,b，即a＝pbest1,b＝pbest2。参数寻优模块将优化后的参数a,b输入图像增强与输出模块，图像增强与输出模块按照公式(2)进行图像增强变换，并将增强后的图像的灰度值按照公式(8)扩展到[L'min,L'max]范围并输出：
F'(x,y)＝(L'max-L'min)×F(x,y) (8)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710367541.1A CN107274356B (zh) | 2017-05-23 | 2017-05-23 | 一种自适应的灰度图像增强系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710367541.1A CN107274356B (zh) | 2017-05-23 | 2017-05-23 | 一种自适应的灰度图像增强系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107274356A true CN107274356A (zh) | 2017-10-20 |
| CN107274356B CN107274356B (zh) | 2020-07-21 |
Family
ID=60064117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710367541.1A Expired - Fee Related CN107274356B (zh) | 2017-05-23 | 2017-05-23 | 一种自适应的灰度图像增强系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107274356B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084760A (zh) * | 2019-04-24 | 2019-08-02 | 郑州轻工业学院 | 一种基于双伽马校正的全局自适应灰度图像增强方法 |
| CN117173061A (zh) * | 2023-10-27 | 2023-12-05 | 山东省工业技术研究院 | 一种基于自适应双变异差分进化算法的图像增强方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130037734A (ko) * | 2011-10-07 | 2013-04-17 | 수원대학교산학협력단 | 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템 |
| CN103927531A (zh) * | 2014-05-13 | 2014-07-16 | 江苏科技大学 | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 |
| CN103942557A (zh) * | 2014-01-28 | 2014-07-23 | 西安科技大学 | 一种煤矿井下图像预处理方法 |
| CN104091311A (zh) * | 2014-06-30 | 2014-10-08 | 北京京东方视讯科技有限公司 | 一种图像增强方法、图像增强装置及显示装置 |
| CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
-
2017
- 2017-05-23 CN CN201710367541.1A patent/CN107274356B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130037734A (ko) * | 2011-10-07 | 2013-04-17 | 수원대학교산학협력단 | 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템 |
| CN103942557A (zh) * | 2014-01-28 | 2014-07-23 | 西安科技大学 | 一种煤矿井下图像预处理方法 |
| CN103927531A (zh) * | 2014-05-13 | 2014-07-16 | 江苏科技大学 | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 |
| CN104091311A (zh) * | 2014-06-30 | 2014-10-08 | 北京京东方视讯科技有限公司 | 一种图像增强方法、图像增强装置及显示装置 |
| CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084760A (zh) * | 2019-04-24 | 2019-08-02 | 郑州轻工业学院 | 一种基于双伽马校正的全局自适应灰度图像增强方法 |
| CN117173061A (zh) * | 2023-10-27 | 2023-12-05 | 山东省工业技术研究院 | 一种基于自适应双变异差分进化算法的图像增强方法 |
| CN117173061B (zh) * | 2023-10-27 | 2024-03-19 | 山东省工业技术研究院 | 一种基于自适应双变异差分进化算法的图像增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107274356B (zh) | 2020-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | The majority can help the minority: Context-rich minority oversampling for long-tailed classification | |
| CN111861906B (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
| CN102842043B (zh) | 基于自动聚类的粒子群优化分类方法 | |
| CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
| CN112669161B (zh) | 基于区块链、舆情和核心算法的金融风控系统 | |
| CN115294550A (zh) | 一种基于多任务学习的自动驾驶汽车道路场景理解方法 | |
| CN111681132A (zh) | 适用于海量类别不平衡负荷数据的典型用电模式提取方法 | |
| CN107274356A (zh) | 一种自适应的灰度图像增强系统 | |
| CN112270300A (zh) | 基于生成式对抗网络的人脸素描图像转换为rgb图像方法 | |
| CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
| CN116958688A (zh) | 一种基于YOLOv8网络的目标检测方法及系统 | |
| CN113537306A (zh) | 一种基于渐进式成长元学习的图像分类方法 | |
| CN107274357A (zh) | 一种参数最优的灰度图像增强处理系统 | |
| CN104933733A (zh) | 一种基于稀疏特征选择的目标跟踪方法 | |
| CN101833670A (zh) | 一种基于侧抑制和混沌量子微粒群优化的图像匹配方法 | |
| CN113656754B (zh) | 恒星光谱数据增强方法及系统 | |
| CN113095489A (zh) | 一种归纳多层次图网络表示学习方法 | |
| CN103824279A (zh) | 基于组织进化聚类算法的图像分割方法 | |
| CN114077895A (zh) | 对抗性策略的变分自编码模型 | |
| CN113360485A (zh) | 一种基于生成对抗网络的工程数据增强算法 | |
| CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
| Linlin et al. | Image Recognition Based on the Depth-Wise Separable Convolution and Softpool | |
| CN104021563A (zh) | 基于多目标模糊聚类和反对学习的噪声图像分割方法 | |
| Gong et al. | Research on mobile traffic data augmentation methods based on SA-ACGAN-GN | |
| CN117556064B (zh) | 基于大数据分析的信息分类存储方法与系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200721 Termination date: 20210523 |