CN108564547A - 一种自适应微分阶数的分数阶微分图像增强方法 - Google Patents
一种自适应微分阶数的分数阶微分图像增强方法 Download PDFInfo
- Publication number
- CN108564547A CN108564547A CN201810353009.9A CN201810353009A CN108564547A CN 108564547 A CN108564547 A CN 108564547A CN 201810353009 A CN201810353009 A CN 201810353009A CN 108564547 A CN108564547 A CN 108564547A
- Authority
- CN
- China
- Prior art keywords
- differential
- image
- order
- generation
- genetic algorithm
- 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 21
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 30
- 230000035772 mutation Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000004308 accommodation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明提供了一种自适应微分阶数的分数阶微分图像增强方法。所述自适应微分阶数的分数阶微分图像增强方法包括如下步骤:1、对数字图像进行图像分数阶的微分处理;2、基于遗传算法寻找最优控制参数实现自适应微分阶数的图像处理。本发明的有益效果是:所述自适应微分阶数的分数阶微分图像增强方法通过改变变异概率Pm优化遗传算法,降低了计算时间;利用改进的遗传算法优化分数阶微分增强图像,得到图像最适合的微分阶数。
Description
技术领域
本发明属于图像处理技术领域,具体地涉及一种自适应微分阶数的分数阶微分图像增强方法。
背景技术
通过增强图像的边缘和纹理信息可以获取更佳的视觉效果。图像的增强主要是沿用常规的一、二阶微分算法。这些算法虽然可以突出图像的高频信息,如边界信息,但往往忽视了低频纹理信息,很难检测到模糊边界和细微的弱边界,并且很容易增加图像高频噪声。而分数阶微分可以解决上述问题,但对于不同的图像纹理信息,要达到最优的增强效果,需要不同的微分阶数。
发明内容
本发明的目的在于针对现有技术的缺陷或问题,提供一种自适应微分阶数的分数阶微分图像增强方法。
本发明的技术方案如下:一种自适应微分阶数的分数阶微分图像增强方法包括如下步骤:1、对数字图像进行图像分数阶的微分处理;2、基于遗传算法寻找最优控制参数实现自适应微分阶数的图像处理。
优选地,步骤2中包括如下步骤:
2.1、构建图像参数模型:
数字图像F(·)大小为N×M,f(x,y)是图像在x行y列的像素值,fv(x,y)为x行y列的该像素点经过微分阶数为v的掩模算子处理后的值,则可以定义增强程度函数G:
其中:g(·)是一个对比度扩展函数;k是控制参数,其大小直接影响图像的处理质量,N,M,x,y均为正整数;
2.2、利用遗传算法计算最优的参数k和v:
根据需要自行设定染色体长度,采用奇偶方式分别编码,用奇数位基因构成序列表示控制参数k,用偶数位基因构成序列表示微分阶数v,基于以上优化遗传算法并将增强程度函数G作为遗传算法的适应度函数,通过对遗传算法中的变异概率Pm进行优化可得出每张图片的最佳微分阶数。
上文针对变异概率Pm的优化,采用如下步骤:
选取合适的适应度函数,将增强程度函数G作为遗传算法的适应度函数:
设G(i)为第i代的个体平均适应度值,i表示代数,设差值函数Δ(i)=G(i+1)-G(i),为第i+1代与第i代的个体平均适应度值得差值,所以Δ(i)<0时表示i+1代整体优于第i代,Δ(i)>0表示第i+1代次于第i代。而Δ(i)本身值的大小反映了种群发展的速度。
将经典遗传算法中固定不变的变异概率Pm,优化为根据发展速度而改变的代变异概率Pm(i):
根据情况选取阈值β,当|Δ(i)|>β时,表示种群发展速度很快,降低变异概率,提高收敛速度,当|Δ(i)|<β表示,种群发展趋于稳定,提高变异概率,减小陷入局部最优的可能。
设第i代的代变异概率为Pm(i),则:
Pm(i+1)=Pm(i)ln(e-λα)
α=sgn(|Δ(i)|-β)
α=sgn(x)为符号函数,|Δ(i)|-β>0时取α正值(一般为1),|Δ(i)|-β<0时取α负值(一般为-1);ln()为对数函数;e=2.7182…;λ为适应系数,根据情况取值。
根据以上函数确定每一代的代变异概率,加快收敛速度,使得该算法更加适用于图像处理。
本发明提供的技术方案具有如下有益效果:
所述自适应微分阶数的分数阶微分图像增强方法通过改变变异概率Pm优化遗传算法,降低了计算时间;利用改进的遗传算法优化分数阶微分增强图像,得到图像最适合的微分阶数;
而且,较于传统整数阶微分方法极大的增强了低频纹理细节信息与模糊边缘,同时避免引入高频噪声;较于传统分数阶微分方法,提高了整体增强效果。
附图说明
图1为本发明实施例提供的自适应微分阶数的分数阶微分图像增强方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
除非上下文另有特定清楚的描述,本发明中的元件和组件,数量既可以单个的形式存在,也可以多个的形式存在,本发明并不对此进行限定。本发明中的步骤虽然用标号进行了排列,但并不用于限定步骤的先后次序,除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础,否则步骤的相对次序是可以调整的。可以理解,本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图1所示,一种自适应微分阶数的分数阶微分图像增强方法包括如下步骤:
1、对数字图像进行图像分数阶的微分处理;
2、基于遗传算法寻找最优控制参数实现自适应微分阶数的图像处理。
在步骤1中,分数阶微分处理的过程原理介绍如下:
若一元信号s(t)的持续期t∈[a,T],将信号持续期[a,T]按单位h进行等分,则分数阶v阶导数的Grumwald-Letnikov定义式为:
其中:组合数函数微分算子为
如果令h=1,则有等分份数n为:
根据(1)式和(2)式,由差分表达式便可以得到分数阶微分的差分系数:
a0=1,a1=-v;
……
an=Γ(-v+1)/n!Γ(-v+n+1) (3)
其中Γ函数为阶乘函数:Γ(x)=xΓ(x-1),x=1,2,3,…
由上述分数阶微分的差分系数便可得到分数阶微分掩模算子,而对于图像分数阶微分处理,其微分阶数v是否合适对于图像增强后的效果起着决定性作用。
在步骤2中,包括如下步骤:
2.1、构建图像参数模型:
数字图像F(·)大小为N×M,f(x,y)是图像在x行y列的像素值,fv(x,y)为x行y列的该像素点经过微分阶数为v的掩模算子处理后的值,则可以定义增强程度函数G:
其中:g(·)是一个对比度扩展函数;k是控制参数,其大小直接影响图像的处理质量,N,M,x,y均为正整数。
例如,以3×3的分数阶微分掩模板为例,构造处理矩阵A,可以得到fv(x,y)关于f(x,y)的表达式:
则有:
2.2、利用遗传算法计算最优的参数k和v:
将控制参数k,与微分阶数v组合成一个染色体,根据需要自行设定染色体长度,采用奇偶方式分别编码,奇数位基因构成序列表示k,偶数位基因构成序列表示v,基于以上优化遗传算法并将增强程度函数G作为遗传算法的适应度函数,通过对遗传算法中的变异概率Pm进行优化可得出每张图片的最佳微分阶数。
在步骤2.2中,利用遗传算法计算最优的参数k,v,实现自适应微分阶数功能。
需要说明的是,由于图像的像素数量往往上万,对于遗传算法的计算速度要求往往更高,要在尽量少的遗传代数内得到最优的解,由于遗传算法中的变异概率的选取很大程度上影响了遗传算法的收敛速度。变异概率过大容易导致不稳定,变成随机搜索,很大程度增大了收敛时间,而取值过小易导致陷入局部最优。针对变异概率Pm(mutation rate),本文提出如下改进:
选取合适的适应度函数,将增强程度函数G作为遗传算法的适应度函数:
设G(i)为第i代的个体平均适应度值,i表示代数,设差值函数Δ(i)=G(i+1)-G(i),为第i+1代与第i代的个体平均适应度值得差值,所以Δ(i)<0时表示i+1代整体优于第i代,Δ(i)>0表示第i+1代次于第i代。而Δ(i)本身值的大小反映了种群发展的速度。
将经典遗传算法中固定不变的变异概率Pm,优化为根据发展速度而改变的代变异概率Pm(i):
根据情况选取阈值β,当|Δ(i)|>β时,表示种群发展速度很快,降低变异概率,提高收敛速度,当|Δ(i)|<β表示,种群发展趋于稳定,提高变异概率,减小陷入局部最优的可能。
设第i代的代变异概率为Pm(i),则:
Pm(i+1)=Pm(i)ln(e-λα) (7)
α=sgn(|Δ(i)|-β) (8)
α=sgn(x)为符号函数,|Δ(i)|-β>0时取α正值(一般为1),|Δ(i)|-β<0时取α负值(一般为-1);ln()为对数函数;e=2.7182…;λ为适应系数,根据情况取值。
根据以上函数确定每一代的代变异概率,加快收敛速度,使得该算法更加适用于图像处理。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种自适应微分阶数的分数阶微分图像增强方法,其特征在于:包括如下步骤:
1、对数字图像进行图像分数阶的微分处理;
2、基于遗传算法寻找最优控制参数实现自适应微分阶数的图像处理。
2.根据权利要求1所述的一种自适应微分阶数的分数阶微分图像增强方法,其特征在于,步骤2中包括如下步骤:
2.1、构建图像参数模型:
数字图像F(·)大小为N×M,即图像由N行M列的像素点阵构成,f(x,y)是图像在x行y列的像素值,fv(x,y)为x行y列的该像素点经过微分阶数为v的掩模算子处理后的值,则可以定义增强程度函数G:
其中:g(·)是一个对比度扩展函数;k是控制参数,其大小直接影响图像的处理质量,N,M,x,y均为正整数;
2.2、利用遗传算法计算最优的参数k和v:
根据需要自行设定染色体长度,采用奇偶方式分别编码,用奇数位基因构成序列表示控制参数k,用偶数位基因构成序列表示微分阶数v,基于以上优化遗传算法并将增强程度函数G作为遗传算法的适应度函数,通过对遗传算法中的变异概率Pm进行优化可得出每张图片的最佳微分阶数。
上文针对变异概率Pm的优化,采用如下步骤:
选取合适的适应度函数,将增强程度函数G作为遗传算法的适应度函数:
设G(i)为第i代的个体平均适应度值,i表示代数,设差值函数Δ(i)=G(i+1)-G(i),为第i+1代与第i代的个体平均适应度值得差值,所以Δ(i)<0时表示i+1代整体优于第i代,Δ(i)>0表示第i+1代次于第i代。而Δ(i)本身值的大小反映了种群发展的速度。
将经典遗传算法中固定不变的变异概率Pm,优化为根据发展速度而改变的代变异概率Pm(i):
根据情况选取阈值β,当|Δ(i)|>β时,表示种群发展速度很快,降低变异概率,提高收敛速度,当|Δ(i)|<β表示,种群发展趋于稳定,提高变异概率,减小陷入局部最优的可能。
设第i代的代变异概率为Pm(i),则:
Pm(i+1)=Pm(i)ln(e-λα)
α=sgn(|Δ(i)|-β)
α=sgn(x)为符号函数,|Δ(i)|-β>0时取α正值(一般为1),|Δ(i)|-β<0时取α负值(一般为-1);ln()为对数函数;e=2.7182…;λ为适应系数,根据情况取值。
根据以上函数确定每一代的代变异概率,加快收敛速度,使得该算法更加适用于图像处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810353009.9A CN108564547B (zh) | 2018-04-19 | 2018-04-19 | 一种自适应微分阶数的分数阶微分图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810353009.9A CN108564547B (zh) | 2018-04-19 | 2018-04-19 | 一种自适应微分阶数的分数阶微分图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564547A true CN108564547A (zh) | 2018-09-21 |
CN108564547B CN108564547B (zh) | 2022-02-11 |
Family
ID=63535777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810353009.9A Active CN108564547B (zh) | 2018-04-19 | 2018-04-19 | 一种自适应微分阶数的分数阶微分图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564547B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796612A (zh) * | 2019-10-09 | 2020-02-14 | 陈根生 | 一种图像增强方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950375A (zh) * | 2010-09-03 | 2011-01-19 | 清华大学 | 基于遗传算法遍历辨识的未知模型阶次确定方法 |
JP4899789B2 (ja) * | 2006-10-30 | 2012-03-21 | 富士通株式会社 | 画像処理プログラムおよび画像処理装置 |
CN102800051A (zh) * | 2012-03-28 | 2012-11-28 | 中南大学 | 基于分数阶微分的自适应浮选泡沫图像增强方法 |
CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
-
2018
- 2018-04-19 CN CN201810353009.9A patent/CN108564547B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4899789B2 (ja) * | 2006-10-30 | 2012-03-21 | 富士通株式会社 | 画像処理プログラムおよび画像処理装置 |
CN101950375A (zh) * | 2010-09-03 | 2011-01-19 | 清华大学 | 基于遗传算法遍历辨识的未知模型阶次确定方法 |
CN102800051A (zh) * | 2012-03-28 | 2012-11-28 | 中南大学 | 基于分数阶微分的自适应浮选泡沫图像增强方法 |
CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
黄果 等: "分数阶微积分在图像处理中的研究综述", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796612A (zh) * | 2019-10-09 | 2020-02-14 | 陈根生 | 一种图像增强方法及系统 |
CN110796612B (zh) * | 2019-10-09 | 2022-03-25 | 陈根生 | 一种图像增强方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108564547B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458750B (zh) | 一种基于对偶学习的无监督图像风格迁移方法 | |
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
CN109242878B (zh) | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 | |
CN109948717B (zh) | 一种生成对抗网络的自生长训练方法 | |
CN109712165B (zh) | 一种基于卷积神经网络的同类前景图像集分割方法 | |
Bhandari et al. | Cuttlefish algorithm-based multilevel 3-D Otsu function for color image segmentation | |
CN110706303B (zh) | 基于GANs的人脸图像生成方法 | |
CN110533022B (zh) | 一种目标检测方法、系统、装置及存储介质 | |
CN102982539B (zh) | 一种基于图像复杂性的特征自适应图像共分割方法 | |
CN112001887B (zh) | 用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法 | |
CN112416293B (zh) | 一种神经网络增强方法、系统及其应用 | |
den Heijer et al. | Investigating aesthetic measures for unsupervised evolutionary art | |
CN114066871B (zh) | 一种新冠肺炎病灶区域分割模型训练的方法 | |
CN110298898B (zh) | 更改汽车图像车身颜色的方法及其算法结构 | |
CN112509092A (zh) | 基于卷积生成对抗网络的乳腺X-ray图像自动生成方法 | |
CN110956201B (zh) | 一种基于卷积神经网络的图像失真类型分类方法 | |
CN109903251A (zh) | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 | |
CN114255187A (zh) | 基于大数据平台的多层次多级图像优化方法及系统 | |
CN114782742A (zh) | 基于教师模型分类层权重的输出正则化方法 | |
CN108564547A (zh) | 一种自适应微分阶数的分数阶微分图像增强方法 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
CN117315417A (zh) | 一种基于扩散模型的服装样式融合方法和系统 | |
CN116776948A (zh) | 基于客户选择和权重分配的联邦学习方法、系统及介质 | |
CN115018729B (zh) | 一种面向内容的白盒图像增强方法 |
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 |