CN107507157A - 一种改进的图像增强方法 - Google Patents
一种改进的图像增强方法 Download PDFInfo
- Publication number
- CN107507157A CN107507157A CN201710905303.1A CN201710905303A CN107507157A CN 107507157 A CN107507157 A CN 107507157A CN 201710905303 A CN201710905303 A CN 201710905303A CN 107507157 A CN107507157 A CN 107507157A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- image
- inoculation
- selection
- 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 65
- 238000011081 inoculation Methods 0.000 claims abstract description 36
- 229960005486 vaccine Drugs 0.000 claims abstract description 27
- 230000035772 mutation Effects 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000010353 genetic engineering Methods 0.000 claims abstract description 8
- 238000004321 preservation Methods 0.000 claims abstract description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 238000002255 vaccination Methods 0.000 claims description 3
- 208000001613 Gambling Diseases 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000002708 enhancing effect Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004721 adaptive immunity Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Processing (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明一种改进的图像增强方法，包括：S1、对图像像素灰度为f(x,y)进行归一化处理得到n(x,y)，其中采用改进后的归一化处理方式：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，特别是涉及一种改进的图像增强方法方法。
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，本发明提供了一种改进的图像增强方法方 法。
本发明所采用的技术方案是：一种改进的图像增强方法，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)；其中采 用改进后的归一化处理方式：
其中Lmin和Lmax分别为原图像灰度值的最小值和最大值，n(x,y)∈[0,1]；
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)；
所述初始种群的初始化方法，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：
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，对所述编码进行解码：假设某一个抗体的编码为bkbk-1bk-2…b2b1， 则对应的解码公式为：
进一步的，对所述编码进行解码：假设某一个抗体的编码为bkbk-1bk-2…b2b1， 则对应的解码公式为：
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。INc越大，表明图像增 强后损失的越少，保留下来的层次越多。
对于传统的Fac计算方式进行改进算法，其中，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：
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))或
与现有技术相比，本发明的有益效果是：
通过用一种改进的图像增强处理，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为一种改进的图像增强方法方法的流程图。
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：一种改进的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)；其中采 用改进后的归一化处理方式：
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]；采用改进后的归一化处理，使的图像的细节更加明显，为图像增强做好了充分的 前提。
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：
为了更好的进行解码，在上述的解码公式基础上针对矿下的特殊环境，给出 改进后的解码公式：
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。
对于传统的Fac计算方式进行改进算法，其中，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：
用改进后的计算公式计算周长，这样可以去掉很多多余的噪声点，这样更加 的提高了周长的精确度。
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
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∈[0.01 0.1]；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xk1(t)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))。
当然，所述的输出图像g(x,y)还可以为：
这样输出的图像更加精准，图像的增强效果更加明显。
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。
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1IGA和AIGA图像增强适应度值对比
| 进化代数 | 10 | 20 | 30 | 40 | 50 | 60 | 70 |
| AIGA | 72.1 | 71.3 | 70.6 | 70.0 | 69.7 | 69.0 | 68.6 |
| IGA | 68.9 | 67.9 | 67.4 | 67.5 | 67.1 | 66.4 | 66.4 |
表1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)
1.一种改进的图像增强方法，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)；其中采用改进后的归一化处理方式：
其中Lmin和Lmax分别为原图像灰度值的最小值和最大值，n(x,y)∈[0,1]；
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所述的一种改进的图像增强方法，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：
3.根据权利要求2所述的一种改进的图像增强方法，其特征在于，对所述编码进行解码：假设某一个抗体的编码为bkbk-1bk-2…b2b1，则对应的解码公式为：
4.根据权利要求2所述的一种改进的图像增强方法方法，其特征在于，对所述编码进行解码：假设某一个抗体的编码为bkbk-1bk-2…b2b1，则对应的解码公式为：
5.根据权利要求1所述的一种改进的图像增强方法方法，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；
其中，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所述的一种改进的图像增强方法方法，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所述的一种改进的图像增强方法方法，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'＝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)。
8.根据权利要求1所述的一种改进的图像增强方法方法，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所述的一种改进的图像增强方法方法，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))，中大者为抗体。
10.根据权利要求1所述的一种改进的图像增强方法方法，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))或
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905303.1A CN107507157B (zh) | 2017-09-29 | 2017-09-29 | 一种改进的图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905303.1A CN107507157B (zh) | 2017-09-29 | 2017-09-29 | 一种改进的图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107507157A true CN107507157A (zh) | 2017-12-22 |
| CN107507157B CN107507157B (zh) | 2023-06-09 |
Family
ID=60699875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710905303.1A Active CN107507157B (zh) | 2017-09-29 | 2017-09-29 | 一种改进的图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107507157B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123706A (zh) * | 2014-08-11 | 2014-10-29 | 徐州工程学院 | 一种基于自适应免疫遗传算法的图像增强方法 |
-
2017
- 2017-09-29 CN CN201710905303.1A patent/CN107507157B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123706A (zh) * | 2014-08-11 | 2014-10-29 | 徐州工程学院 | 一种基于自适应免疫遗传算法的图像增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姜代红: "煤矿监控图像拼接与识别的方法研究", 《中国优秀博士学问论文数据库》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107507157B (zh) | 2023-06-09 |
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 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN110827213A (zh) | 一种基于生成式对抗网络的超分辨率图像修复方法 | |
| CN106203625B (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
| CN104134221B (zh) | 一种基于自适应遗传算法和otsu算法的图像分割方法 | |
| CN107862668A (zh) | 一种基于gnn的文物图像复原方法 | |
| CN105654453B (zh) | 一种鲁棒性的fcm图像分割方法 | |
| CN101271572A (zh) | 基于免疫克隆选择聚类的图像分割方法 | |
| CN111967592B (zh) | 基于分离正负扰动生成对抗图像机器识别的方法 | |
| CN109919880A (zh) | 一种基于粒子群优化的红外图像增强方法 | |
| CN110309854A (zh) | 一种信号调制方式识别方法及装置 | |
| CN110929848A (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
| CN106529574A (zh) | 基于稀疏自动编码器和支持向量机的图像分类方法 | |
| CN104392462B (zh) | 一种基于显著分割子区域对的sar图像配准方法 | |
| CN108537747A (zh) | 一种基于带对称跨层连接的卷积神经网络的图像修复方法 | |
| CN108154235A (zh) | 一种图像问答推理方法、系统及装置 | |
| CN107507157A (zh) | 一种改进的图像增强方法 | |
| CN107038475A (zh) | 一种基于人工鱼群算法的自适应随机共振系统和方法 | |
| Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
| CN110135371A (zh) | 一种基于Mixup算法的柑橘黄龙病识别方法及装置 | |
| CN110490265A (zh) | 一种基于双路卷积和特征融合的图像隐写分析方法 | |
| CN109003287A (zh) | 基于改进遗传算法的图像分割方法 | |
| CN109902808A (zh) | 一种基于浮点数位变异遗传算法优化卷积神经网络的方法 | |
| Shi et al. | Rethinking the pid optimizer for stochastic optimization of deep networks |
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 |