CN109919294A - 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 - Google Patents
一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 Download PDFInfo
- Publication number
- CN109919294A CN109919294A CN201910148480.9A CN201910148480A CN109919294A CN 109919294 A CN109919294 A CN 109919294A CN 201910148480 A CN201910148480 A CN 201910148480A CN 109919294 A CN109919294 A CN 109919294A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- firefly
- image
- bird
- glowworm swarm
- 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.)
- Pending
Links
Abstract
本发明公开了一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,结合优化算法使用萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,优化算法每一次更新最优解时都使用两种算法中的更优解替换原本自身的最优解,充分解决了目前现有技术中的萤火虫算法易于陷入局部最优和杜鹃搜索算法收敛速度较慢的缺点,集合了两者的优点,从而更高效的进行图像增强,该方法具有较快的搜索速度和较强的全局寻优能力。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像增强方法,具体涉及一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法。
背景技术
近年来,在电子、通信、计算机、自动化等众多学科中,不断地出现了许多复杂的组合优化问题。面对这些问题,传统的优化方法需要遍历整个空间,无法在短时间内完成搜索,特别是在某些工程优化问题中,需要寻找最优解,但工程优化的复杂性、非线性、约束性以及建模困难等诸多特点,寻求高效的优化算法已成为相关学科的主要研究内容之一,收到人类智能、生物群体社会性或自然现象规律的启发,人们发明了很多智能优化算法来解决上述复杂优化问题。
萤火虫算法是一种模仿萤火虫之间信息交流,相互吸引集合,警戒危险。萤火虫算法的流程极其简单,算法拥有较快的收敛速度,但种群快速收敛的同时有较大的概率陷入局部最优,而萤火虫算法的流程中没有跳出局部最优的操作。因此该基本算法收敛速度快但易于陷入局部最优。
杜鹃搜索算法是一种模仿杜鹃鸟寻窝产卵活动的群集智能优化算法。算法有极强的跳出局部最优能力。同时由于寄主放弃寄生巢的操作,算法在的局部搜索能力不强,在算法初期算法列维飞行步长较长,搜索范围较广,收敛速度较慢。
图像增强是图像预处理的基本步骤之一,图像增强通常分为频域法、空域法,使用智能优化算法可加速其求解过程,更快的增强图像。
发明内容
为了解决图像增强计算量大,耗费时间多的问题,本发明开拓性地提出了一种萤火虫算法与杜鹃搜索算法并行融合的萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,从而更高效的进行图像增强,该方法具有较快的搜索速度和较强的全局寻优能力。
本发明所采用的技术方案是:一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于,包括以下步骤:
步骤1:输入待进行增强的原始图像S,使用图像增强方法对图像进行增强;
步骤2:初始化萤火虫算法基本参数,随机初始化萤火虫的位置为种群1;
步骤3:初始化杜鹃搜索算法基本参数,随机初始化鸟巢位置为种群2;
步骤4:在种群1更新萤火虫的位置,重新计算萤火虫的亮度,并计算其适应度函数;
步骤5:保留当前最优值A1i,其中i为迭代次数;
步骤6:在种群2中执行杜鹃搜索,并计算其适应度函数;
步骤7:保留当前最优值A2i;
步骤8:比较A1i、A2i,将两者中的更优的值更新为当前的全局最优解,即gBesti=best{A1i,A2i},判断是否满足最大迭代代数;
若满足,则输出全局最优解执行步骤9;
若不满足,则迭代次数+1,并使用gBesti作为最优值继续执行步骤2;
步骤9:输出增强后的图像。
本发明的有益效果是:每一次更新最优解时都使用两种算法中的更优解替换原本自身的最优解,充分解决了目前现有技术中的萤火虫算法易于陷入局部最优和杜鹃搜索算法收敛速度较慢的缺点,集合了两者的优点,实现了较快的搜索速度和较强的全局寻优能力并存,解决了图像增强方法耗费时间多的问题,更快速的得出增强后的图像。
附图说明
图1:本发明的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,需要说明的是萤火虫算法和杜鹃搜索算法是已有技术,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,包括以下步骤:
步骤1:输入待进行增强的原始图像S,使用图像增强方法对图像进行增强;
本实施例中,可选用任意的图像增强方法。
步骤2:初始化萤火虫算法基本参数,随机初始化萤火虫的位置为种群1;
本实施例中,萤火虫算法基本参数包括萤火虫数目、最大吸引度β0、光强吸收系数γ、步长因子α,随机初始化萤火虫的位置为种群1,计算萤火虫的目标函数值作为各自最大荧光亮度I0。
步骤3:初始化杜鹃搜索算法基本参数,随机初始化鸟巢位置为种群2;
本实施例中,杜鹃搜索算法基本参数包括种群规模、搜索空间维数d;随机初始化鸟巢位置X=[X1 (0),X2 (0),…,Xn (0)]T为种群2,计算每个鸟巢位置的目标函数值并进行比较,得到当前的最优函数值。
步骤4:在种群1更新萤火虫的位置,重新计算萤火虫的亮度,并计算其适应度函数;
本实施例中,使用萤火虫的相对亮度I和吸引度β决定萤火虫移动方向,更新萤火虫位置;
其中萤火虫的相对亮度萤火虫的吸引度萤火虫i被吸引向萤火虫j移动的位置更新公式为:
xi=xi+β×(xj-xi)+α×(rand-1/2);
其中,γ为光吸收系数,rij为萤火虫i、j之间的距离,xi为萤火虫i的位置,xj为萤火虫j的位置;I0为萤火虫的目标函数值作为各自最荧光亮度,β0为当两个萤火虫距离rij=0时的吸引度,α×(rand-1/2)为扰动项,可加大萤火虫的搜索范围,避免算法陷入局部最优,α为扰动因子。
其适应度函数为图像的质量评价公式:
其中,M、N分别代表图像的宽、高,f'(x,y)为像素点(x,y)变换后的灰度值,fit值越大,图像的对比度越大,图像的增强效果越好。
步骤5:保留当前最优值A1i,其中i为迭代次数;
步骤6:在种群2中执行杜鹃搜索,并计算其适应度函数;
本实施例中,利用莱维(Lévy)飞行对除最优鸟巢以外的其他鸟巢的位置和状态进行更新,计算目标函数值,获得的函数值与当前的最优函数值进行比较,若较好,则更新记录当前最优值;位置更新后,用随机数r与Pa进行比较,鸟巢主人发现外来鸟蛋的概率Pa∈[0,1],如果r>pa就随机更新一次鸟窝位置,否则鸟巢位置不变;
布谷鸟寻找宿主鸟巢的位置和路径的更新公式如下:
其中,表示第i个鸟巢在第t次迭代时的位置,步长因子α>0,用来控制步长,其值服从正态分布且:
其中s为步长,s>>0,λ为Lévy指数,Γ函数对于给定的λ是常数。
步骤7:保留当前最优值A2i;
步骤8:比较A1i、A2i,将两者中的更优的值更新为当前的全局最优解,即gBesti=best{A1i,A2i},判断是否满足最大迭代代数;
若满足,则输出全局最优解执行步骤9;
若不满足,则迭代次数+1,并使用gBesti作为最优值继续执行步骤2;
本实施例中,在并行混合算法的过程中,每一次迭代都会将萤火虫算法和杜鹃搜索算法所获得的最优值作为全局最优解,以共享各算法所取得的成果,再代入下一代的计算中。并行混合算法的整个过程中,并行的各算法的种群数之和为群体中个体的总数,而各算法的迭代次数与总迭代次数相同。
步骤9:输出增强后的图像。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于,包括以下步骤:
步骤1:输入待进行增强的原始图像S,使用图像增强方法对图像进行增强;
步骤2:初始化萤火虫算法基本参数,随机初始化萤火虫的位置为种群1;
步骤3:初始化杜鹃搜索算法基本参数,随机初始化鸟巢位置为种群2;
步骤4:在种群1更新萤火虫的位置,重新计算萤火虫的亮度,并计算其适应度函数;
步骤5:保留当前最优值A1i,其中i为迭代次数;
步骤6:在种群2中执行杜鹃搜索,并计算其适应度函数;
步骤7:保留当前最优值A2i;
步骤8:比较A1i、A2i,将两者中的更优的值更新为当前的全局最优解,即gBesti=best{A1i,A2i},判断是否满足最大迭代代数;
若满足,则输出全局最优解执行步骤9;
若不满足,则迭代次数+1,并使用gBesti作为最优值继续执行步骤2;
步骤9:输出增强后的图像。
2.根据权利要求1所述的萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于:步骤3中,萤火虫算法基本参数包括萤火虫数目、最大吸引度β0、光强吸收系数γ、步长因子α,随机初始化萤火虫的位置为种群1,计算萤火虫的目标函数值作为各自最大荧光亮度I0。
3.根据权利要求1所述的萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于:步骤3中,杜鹃搜索算法基本参数包括种群规模、搜索空间维数d;随机初始化鸟巢位置X=[X1(0),X2(0),…,Xn(0)]T为种群2,计算每个鸟巢位置的目标函数值并进行比较,得到当前的最优函数值。
4.根据权利要求1所述的萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于:步骤4中,使用萤火虫的相对亮度I和吸引度β决定萤火虫移动方向,更新萤火虫位置;
其中萤火虫的相对亮度萤火虫的吸引度萤火虫i被吸引向萤火虫j移动的位置更新公式为:
xi=xi+β×(xj-xi)+α×(rand-1/2);
其中,γ为光吸收系数,rij为萤火虫i、j之间的距离,xi为萤火虫i的位置,xj为萤火虫j的位置;I0为萤火虫的目标函数值作为各自最荧光亮度,β0为当两个萤火虫距离rij=0时的吸引度,α×(rand-1/2)为扰动项,可加大萤火虫的搜索范围,避免算法陷入局部最优,α为扰动因子。
5.根据权利要求1所述的萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于,所述步骤4以及步骤6中所述适应度函数为图像的质量评价公式:
其中,M、N分别代表图像的宽、高,f'(x,y)为像素点(x,y)变换后的灰度值,fit值越大,图像的对比度越大,图像的增强效果越好。
6.根据权利要求1所述的萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于:步骤6中,利用莱维飞行对除最优鸟巢以外的其他鸟巢的位置和状态进行更新,计算目标函数值,获得的函数值与当前的最优函数值进行比较,若较好,则更新记录当前最优值;位置更新后,用随机数r与Pa进行比较,鸟巢主人发现外来鸟蛋的概率Pa∈[0,1],如果r>pa就随机更新一次鸟窝位置,否则鸟巢位置不变;
布谷鸟寻找宿主鸟巢的位置和路径的更新公式如下:
其中,表示第i个鸟巢在第t次迭代时的位置,步长因子α>0,用来控制步长,其值服从正态分布且:
其中s为步长,s>>0,λ为Lévy指数,Γ函数对于给定的λ是常数。
7.根据权利要求1所述的萤火虫算法与杜鹃搜索算法并行融合的图像增强方法,其特征在于:步骤8中在并行混合算法的过程中,每一次迭代都会将萤火虫算法和杜鹃搜索算法所获得的最优值作为全局最优解,以共享各算法所取得的成果,再代入下一代的计算中。并行混合算法的整个过程中,并行的各算法的种群数之和为群体中个体的总数,而各算法的迭代次数与总迭代次数相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148480.9A CN109919294A (zh) | 2019-02-28 | 2019-02-28 | 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148480.9A CN109919294A (zh) | 2019-02-28 | 2019-02-28 | 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919294A true CN109919294A (zh) | 2019-06-21 |
Family
ID=66962677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148480.9A Pending CN109919294A (zh) | 2019-02-28 | 2019-02-28 | 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919294A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242878A (zh) * | 2020-01-14 | 2020-06-05 | 郑州轻工业大学 | 基于布谷鸟搜索的矿井下图像增强方法 |
CN111539506A (zh) * | 2020-03-16 | 2020-08-14 | 中国石油天然气集团有限公司 | 一种基于萤火虫算法的纵波时差实时提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
CN104092618A (zh) * | 2014-07-23 | 2014-10-08 | 湖北工业大学 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
CN108388666A (zh) * | 2018-03-16 | 2018-08-10 | 重庆邮电大学 | 一种基于萤火虫算法的数据库多表连接查询优化方法 |
-
2019
- 2019-02-28 CN CN201910148480.9A patent/CN109919294A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
CN104092618A (zh) * | 2014-07-23 | 2014-10-08 | 湖北工业大学 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
CN108388666A (zh) * | 2018-03-16 | 2018-08-10 | 重庆邮电大学 | 一种基于萤火虫算法的数据库多表连接查询优化方法 |
Non-Patent Citations (2)
Title |
---|
孤旅青山迷情人: ""通俗易懂的布谷鸟算法与莱维飞行"", 《HTTPS://BLOG.CSDN.NET/ZYQBLOG/ARTICLE/DETAILS/80905019》 * |
马烈: ""混合优化算法及其在图像处理中的应用研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242878A (zh) * | 2020-01-14 | 2020-06-05 | 郑州轻工业大学 | 基于布谷鸟搜索的矿井下图像增强方法 |
CN111242878B (zh) * | 2020-01-14 | 2023-05-12 | 郑州轻工业大学 | 基于布谷鸟搜索的矿井下图像增强方法 |
CN111539506A (zh) * | 2020-03-16 | 2020-08-14 | 中国石油天然气集团有限公司 | 一种基于萤火虫算法的纵波时差实时提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A return-cost-based binary firefly algorithm for feature selection | |
Guo et al. | A new improved krill herd algorithm for global numerical optimization | |
Oftadeh et al. | A novel meta-heuristic optimization algorithm inspired by group hunting of animals: Hunting search | |
Tang et al. | ITGO: Invasive tumor growth optimization algorithm | |
CN112461247A (zh) | 一种基于自适应麻雀搜索算法的机器人路径规划方法 | |
CN106846364B (zh) | 一种基于卷积神经网络的目标跟踪方法及装置 | |
CN106021990B (zh) | 一种将生物基因以特定的性状进行分类与自我识别的方法 | |
CN108229589A (zh) | 一种基于迁移学习的地基云图分类方法 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN109919294A (zh) | 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 | |
Jiang et al. | A cooperative honey bee mating algorithm and its application in multi-threshold image segmentation | |
CN115204052A (zh) | 基于惩罚函数约束优化的改进麻雀搜索方法 | |
CN116341605A (zh) | 一种基于反向学习策略的灰狼算法混合优化方法 | |
Wang et al. | Research on maize disease recognition method based on improved resnet50 | |
CN110458221B (zh) | 基于在线注意力累积的挖掘目标物体区域的方法 | |
Zhang et al. | A salp swarm algorithm based on Harris Eagle foraging strategy | |
Li et al. | An opposition-based butterfly optimization algorithm with adaptive elite mutation in solving complex high-dimensional optimization problems | |
Horng et al. | Parametric active contour model by using the honey bee mating optimization | |
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 | |
CN114399018A (zh) | 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法 | |
Zhongyu et al. | An efficient hybrid DE-WOA algorithm for numerical function optimization | |
Zahadat et al. | Wolfpack-inspired evolutionary algorithm and a reaction-diffusion-based controller are used for pattern formation. | |
Mousavirad et al. | How effective are current population-based metaheuristic algorithms for variance-based multi-level image thresholding? | |
CN114821337B (zh) | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 |
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 |