CN107274375B - 应用高斯反向和声搜索的图像增强方法 - Google Patents
应用高斯反向和声搜索的图像增强方法 Download PDFInfo
- Publication number
- CN107274375B CN107274375B CN201710553899.3A CN201710553899A CN107274375B CN 107274375 B CN107274375 B CN 107274375B CN 201710553899 A CN201710553899 A CN 201710553899A CN 107274375 B CN107274375 B CN 107274375B
- Authority
- CN
- China
- Prior art keywords
- individual
- harmony
- fes
- value
- hms
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 6
- 241000764238 Isis Species 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010845 search algorithm Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用高斯反向和声搜索的图像增强方法。本发明采用高斯反向和声搜索算法来优化非完全Beta函数的α和β参数,然后利用优化得到的非完全Beta函数对图像进行非线性变换以增强图像的质量。在高斯反向和声搜索中,将和声库的均值信息融合到高斯变异算子中,并以一定的概率执行反向学习操作加快算法的收敛速度,提高图像增强的效果。本发明能够在一定程度上加快图像增强的速度,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,尤其是涉及一种应用高斯反向和声搜索的图像增强方法。
背景技术
由于光照或图像传感器硬件限制等因素,数字图像处理系统采集到的数字图像往往存在着对比度不够、曝光过度等问题,因此图像增强技术广泛应用在数字图像处理系统中。为了增强图像的质量,人们常常采用非完全Beta函数对图像进行非线性变换,但图像增强的目标函数往往具有不连续、不可导的特性,而传统优化算法难以有效地优化图像增强的目标函数。因此如何为非完全Beta函数选定合适的α和β参数一直是图像增强技术中的难题。为了确定非完全Beta函数的α和β参数,许多研究人员提出了基于演化算法的参数优化方法。演化算法是一种模拟自然现象的智能优化算法,它能够有效地优化图像增强目标函数。
鉴于演化算法的优点,许多学者提出了各种各样的改进演化算法来提升图像增强的效果,例如胡敬文等提出了一种基于稳态遗传算法和Retinex理论的彩色图像增强方法,该方法利用稳态遗传算法来优化图像增强的目标函数,实验结果表明所提出方法能够比传统方法获得更好的图像增强效果(胡敬文,聂承静,刘世明.基于稳态遗传算法和Retinex理论的彩色图像增强算法[J].内蒙古师范大学学报(自然科学汉文版),46(02):246-250,2017.);雷选华等提出了一种使用混合智能优化算法的图像增强方法,该方法把细菌觅食算法与粒子群优化算法相融合来优化图像增强算子的参数,实验结果表明所提出的方法不仅能够在一定程度上提高图像的对比度,而且可以较好地增强图像的细节,并在一定程度上去除图像的噪声(雷选华,闫森,马治国,孔小健.一种使用混合智能优化算法的图像增强方法[J].光学与光电技术,2014,12(06):4-8)。
和声搜索算法是一种模拟音乐家创作过程的演化算法。自从和声搜索算法提出以来,许多研究人员将其应用到了流水车间调度、风力发电、机械故障诊断、图像加密、网络流量预测等工程领域,并且和声搜索在这些实际工程应用中取得了比较满意的结果。虽然和声搜索在众多的工程领域中取得了成功的应用,但传统和声搜索在增强一些复杂图像时往往存在着收敛速度慢,图像增强效果不佳的缺点。
发明内容
本发明的目的是提供一种应用高斯反向和声搜索的图像增强方法,它能够在一定程度上克服传统和声搜索在增强一些复杂图像时容易出现收敛速度慢,图像增强效果不佳的缺点,本发明能够在一定程度上加快图像增强的速度,提高图像增强的效果。
本发明的技术方案:一种应用高斯反向和声搜索的图像增强方法,包括以下步骤:
步骤1,输入一幅数字图像IMG;
步骤2,用户设置和声库的大小HMS,选取概率HMCR,扰动概率PAR,最大评价次数MAX_FEs;
步骤3,令优化参数个数D=2,然后设置D个优化参数的下界Lxj与上界Uxj,其中维度下标j=1,2;
步骤4,令当前演化代数t=0,当前评价次数FEs=0;
步骤6,计算和声库Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+HMS;
步骤8,保存和声库Pt中的最优个体Bestt;
步骤9,执行高斯反向操作产生一个新个体Vt,具体步骤如下:
步骤9.1,令计数器mj=1;
步骤9.2,如果计数器mj小于或等于D,则转到步骤9.3,否则转到步骤10;
步骤9.4,在[0,1]之间产生一个随机实数GR;
步骤9.5,如果GR小于HMCR,则转到步骤9.6,否则转到步骤9.18;
步骤9.6,在[1,HMS]之间随机产生两个不相等的正整数LR1和LR2;
步骤9.8,在[0,1]之间随机产生一个实数PTR;
步骤9.9,如果PTR小于PAR,则转到步骤9.10,否则转到步骤9.22;
步骤9.10,在[0,1]之间随机产生一个实数TML;
步骤9.11,如果TML小于0.5,则转到步骤9.12,否则转到步骤9.14;
步骤9.12,按公式(2)计算高斯均值imu和高斯标准差isd:
其中个体下标i=1,2,...,HMS;min为取最小值函数;max为取最大值函数;
步骤9.18,在[1,HMS]之间随机产生一个正整数LR3;
步骤9.19,令随机值RV=Lxmj+rand(0,1)×(Uxmj-Lxmj),其中rand为随机实数产生函数;
步骤9.22,令计数器mj=mj+1,转到步骤9.2;
步骤10,计算个体Vt的适应值;
步骤11,找出和声库Pt中的最差个体并将其记为BWorstt;
步骤12,如果个体Vt优于BWorstt,则利用个体Vt替换BWorstt,否则保持BWorstt不变;
步骤13,令当前评价次数FEs=FEs+1;
步骤14,令当前演化代数t=t+1;
步骤15,保存和声库Pt中的最优个体Bestt;
步骤16,重复步骤9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α和β参数,并利用以α和β为参数的非完全Beta函数对图像IMG进行非线性变换,即可得到增强的图像。
本发明采用高斯反向和声搜索算法来优化非完全Beta函数的α和β参数,然后利用优化得到的非完全Beta函数对图像进行非线性变换以增强图像的质量。在高斯反向和声搜索中,将和声库的均值信息融合到高斯变异算子中,并以一定的概率执行反向学习操作加快算法的收敛速度,提高图像增强的效果。本发明能够在一定程度上加快图像增强的速度,提高图像增强的效果。
附图说明
图1为实施例中待增强的图像。
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,输入一幅如图1所示的数字图像IMG;
步骤2,用户设置和声库的大小HMS=20,选取概率HMCR=0.95,扰动概率PAR=0.6,最大评价次数MAX_FEs=80;
步骤3,令优化参数个数D=2,然后设置D个优化参数的下界Lxj与上界Uxj,其中维度下标j=1,2;
步骤4,令当前演化代数t=0,当前评价次数FEs=0;
步骤6,计算和声库Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+HMS;
步骤8,保存和声库Pt中的最优个体Bestt;
步骤9,执行高斯反向操作产生一个新个体Vt,具体步骤如下:
步骤9.1,令计数器mj=1;
步骤9.2,如果计数器mj小于或等于D,则转到步骤9.3,否则转到步骤10;
步骤9.4,在[0,1]之间产生一个随机实数GR;
步骤9.5,如果GR小于HMCR,则转到步骤9.6,否则转到步骤9.18;
步骤9.6,在[1,HMS]之间随机产生两个不相等的正整数LR1和LR2;
步骤9.8,在[0,1]之间随机产生一个实数PTR;
步骤9.9,如果PTR小于PAR,则转到步骤9.10,否则转到步骤9.22;
步骤9.10,在[0,1]之间随机产生一个实数TML;
步骤9.11,如果TML小于0.5,则转到步骤9.12,否则转到步骤9.14;
步骤9.12,按公式(2)计算高斯均值imu和高斯标准差isd:
其中个体下标i=1,2,...,HMS;min为取最小值函数;max为取最大值函数;
步骤9.18,在[1,HMS]之间随机产生一个正整数LR3;
步骤9.19,令随机值RV=Lxmj+rand(0,1)×(Uxmj-Lxmj),其中rand为随机实数产生函数;
步骤9.22,令计数器mj=mj+1,转到步骤9.2;
步骤10,计算个体Vt的适应值;
步骤11,找出和声库Pt中的最差个体并将其记为BWorstt;
步骤12,如果个体Vt优于BWorstt,则利用个体Vt替换BWorstt,否则保持BWorstt不变;
步骤13,令当前评价次数FEs=FEs+1;
步骤14,令当前演化代数t=t+1;
步骤15,保存和声库Pt中的最优个体Bestt;
步骤16,重复步骤9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α和β参数,并利用以α和β为参数的非完全Beta函数对图像IMG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)
1.一种应用高斯反向和声搜索的图像增强方法,其特征在于,包括以下步骤:
步骤1,输入一幅数字图像IMG;
步骤2,用户设置和声库的大小HMS,选取概率HMCR,扰动概率PAR,最大评价次数MAX_FEs;
步骤3,令优化参数个数D=2,然后设置D个优化参数的下界Lxj与上界Uxj,其中维度下标j=1,2;
步骤4,令当前演化代数t=0,当前评价次数FEs=0;
步骤6,计算和声库Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+HMS;
步骤8,保存和声库Pt中的最优个体Bestt;
步骤9,执行高斯反向操作产生一个新个体Vt,具体步骤如下:
步骤9.1,令计数器mj=1;
步骤9.2,如果计数器mj小于或等于D,则转到步骤9.3,否则转到步骤10;
步骤9.4,在[0,1]之间产生一个随机实数GR;
步骤9.5,如果GR小于HMCR,则转到步骤9.6,否则转到步骤9.18;
步骤9.6,在[1,HMS]之间随机产生两个不相等的正整数LR1和LR2;
步骤9.8,在[0,1]之间随机产生一个实数PTR;
步骤9.9,如果PTR小于PAR,则转到步骤9.10,否则转到步骤9.22;
步骤9.10,在[0,1]之间随机产生一个实数TML;
步骤9.11,如果TML小于0.5,则转到步骤9.12,否则转到步骤9.14;
步骤9.12,按公式(2)计算高斯均值imu和高斯标准差isd:
其中个体下标i=1,2,...,HMS;min为取最小值函数;max为取最大值函数;
步骤9.18,在[1,HMS]之间随机产生一个正整数LR3;
步骤9.19,令随机值RV=Lxmj+rand(0,1)×(Uxmj-Lxmj),其中rand为随机实数产生函数;
步骤9.22,令计数器mj=mj+1,转到步骤9.2;
步骤10,计算个体Vt的适应值;
步骤11,找出和声库Pt中的最差个体并将其记为BWorstt;
步骤12,如果个体Vt优于BWorstt,则利用个体Vt替换BWorstt,否则保持BWorstt不变;
步骤13,令当前评价次数FEs=FEs+1;
步骤14,令当前演化代数t=t+1;
步骤15,保存和声库Pt中的最优个体Bestt;
步骤16,重复步骤9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α和β参数,并利用以α和β为参数的非完全Beta函数对图像IMG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 |
---|---|---|---|
CN201710553899.3A CN107274375B (zh) | 2017-07-09 | 2017-07-09 | 应用高斯反向和声搜索的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710553899.3A CN107274375B (zh) | 2017-07-09 | 2017-07-09 | 应用高斯反向和声搜索的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274375A CN107274375A (zh) | 2017-10-20 |
CN107274375B true CN107274375B (zh) | 2020-04-14 |
Family
ID=60073123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710553899.3A Active CN107274375B (zh) | 2017-07-09 | 2017-07-09 | 应用高斯反向和声搜索的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274375B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376388B (zh) * | 2018-01-05 | 2020-05-19 | 中国科学院自动化研究所 | 基于混沌和声搜索的图像增强方法、介质及装置 |
CN112381849B (zh) * | 2020-11-12 | 2022-08-02 | 江西理工大学 | 基于适应性差分演化的图像边缘检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069225A (zh) * | 2015-08-07 | 2015-11-18 | 江西理工大学 | 应用高斯和声搜索的振动筛优化设计方法 |
CN106600563A (zh) * | 2016-12-23 | 2017-04-26 | 江西理工大学 | 基于局部搜索差分演化的图像增强方法 |
CN106898009A (zh) * | 2017-03-18 | 2017-06-27 | 江西理工大学 | 改进反向和声搜索优化的多阈值图像分割方法 |
-
2017
- 2017-07-09 CN CN201710553899.3A patent/CN107274375B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069225A (zh) * | 2015-08-07 | 2015-11-18 | 江西理工大学 | 应用高斯和声搜索的振动筛优化设计方法 |
CN106600563A (zh) * | 2016-12-23 | 2017-04-26 | 江西理工大学 | 基于局部搜索差分演化的图像增强方法 |
CN106898009A (zh) * | 2017-03-18 | 2017-06-27 | 江西理工大学 | 改进反向和声搜索优化的多阈值图像分割方法 |
Non-Patent Citations (2)
Title |
---|
Gaussian Harmony Search Algorithm: A Novel Method for Loney"s Solenoid Problem;Haibin Duan等;《IEEE Transactions on Magnetics 》;20140331;全文 * |
基于反向计算和高斯分布估计的动态自适应和声搜索算法;拓守恒;《小型微型计算机系统》;20130531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107274375A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Class-balanced loss based on effective number of samples | |
Kim et al. | Diffusionclip: Text-guided diffusion models for robust image manipulation | |
US9619749B2 (en) | Neural network and method of neural network training | |
Li et al. | Development and investigation of efficient artificial bee colony algorithm for numerical function optimization | |
CN113255936B (zh) | 基于模仿学习和注意力机制的深度强化学习策略保护防御方法和装置 | |
Strumberger et al. | Enhanced firefly algorithm for constrained numerical optimization | |
EP3469521A1 (en) | Neural network and method of neural network training | |
CN107274375B (zh) | 应用高斯反向和声搜索的图像增强方法 | |
CN106600563B (zh) | 基于局部搜索差分演化的图像增强方法 | |
CN112734032A (zh) | 一种用于横向联邦学习的优化方法 | |
CN107784361B (zh) | 一种神经网络优化的图像识别方法 | |
Yoda et al. | Automatic acquisition of hierarchical mathematical morphology procedures by genetic algorithms | |
Anwaar et al. | Genetic algorithms: Brief review on genetic algorithms for global optimization problems | |
CN110084250A (zh) | 一种图像描述的方法及系统 | |
Das et al. | A direction-based exponential mutation operator for real-coded genetic algorithm | |
CN114169385A (zh) | 基于混合数据增强的mswi过程燃烧状态识别方法 | |
CN113627491A (zh) | 基于改进的自适应Anchor生成的DK-YOLOv4模型 | |
CN112668551B (zh) | 基于遗传算法的表情分类方法 | |
CN111260570B (zh) | 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法 | |
Pravesjit et al. | An improvement of genetic algorithm with Rao algorithm for optimization problems | |
Chen et al. | Image generation with neural cellular automatas | |
CN113112397A (zh) | 一种基于风格与内容解耦的图像风格迁移方法 | |
Zhao | A hybrid harmony search algorithm for numerical optimization | |
Zhang | An attempt to generate new bridge types from latent space of denoising diffusion Implicit model | |
WO2023103548A1 (zh) | 一种汽车参数化纹理生成方法与系统、存储介质 |
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 |