CN112085665A - 一种基于蝗虫入侵杂草算法的图像增强方法 - Google Patents

一种基于蝗虫入侵杂草算法的图像增强方法 Download PDF

Info

Publication number
CN112085665A
CN112085665A CN202010277884.0A CN202010277884A CN112085665A CN 112085665 A CN112085665 A CN 112085665A CN 202010277884 A CN202010277884 A CN 202010277884A CN 112085665 A CN112085665 A CN 112085665A
Authority
CN
China
Prior art keywords
image
locust
invasion
weed
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.)
Pending
Application number
CN202010277884.0A
Other languages
English (en)
Inventor
岳圣涵
张洪博
王平凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202010277884.0A priority Critical patent/CN112085665A/zh
Publication of CN112085665A publication Critical patent/CN112085665A/zh
Pending legal-status Critical Current

Links

Images

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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于蝗虫入侵杂草算法的图像增强方法。该方法包括如下步骤：S1、对图像f(x,y)进行归一化处理；S2、确定蝗虫入侵杂草算法的种群数量N、最大迭代次数L和相关常数等，初始化种群
Figure DDA0002445441180000011
计算初始种群适应度，并选出最优蝗虫；S3、进入循环，运行蝗虫入侵杂草算法，判断迭代次数是否等于L，若满足条件则停止，否则继续循环；S4、输出最优组合(α,β)，用非线性变换函数对图像进行变换，并得到输出增强图像g(x,y)。

Description

一种基于蝗虫入侵杂草算法的图像增强方法
技术领域
本发明涉及图像增强领域，具体涉及一种基于蝗虫入侵杂草算法的图像增强方法。
背景技术
蝗虫算法是一种新型仿生算法，由Saremi S等人提出。蝗虫算法具有搜索精度高、收敛速度快、可靠性高等特点，并在众多领域得到广泛的应用。本发明利用入侵杂草算法进一步提高蝗虫算法的性能。
图像增强技术可以突出图像中有用的信息，抑制无用的信息。使处理后的图像更适合人眼的视觉特性或易于机器识别。在农业、工业、医学等领域有着广泛的应用。同时，图像增强也是图像分割、图像融合、图像分类等图像处理算法的预处理方法。
归一化的非完全Beta算法是一种典型的图像增强方法，应用广泛。(α,β)是Beta算法的关键参数，不恰当的参数将极大影响算法的实际效果。因此，本发明提出一种基于蝗虫入侵杂草算法的图像增强方法。
发明内容
针对上述问题，本发明公开了一种基于蝗虫入侵杂草算法的图像增强方法。
本发明所采用的技术方案是：一种基于蝗虫入侵杂草算法的图像增强方法，包括如下步骤：
S1、对原图像f(x,y)进行归一化处理；
S2、确定蝗虫入侵杂草算法的种群数量N、最大迭代次数L和相关常数等，并初始化种群
Figure BDA0002445441160000011
计算初始种群适应度，并选出最优蝗虫；
S3、进入循环，运行蝗虫入侵杂草算法，判断迭代次数是否等于L，若满足则停止，否则继续循环；
S4、输出最优组合(α,β)，用非线性变换函数对图像进行变换，并得到输出增强图像g(x,y)。
进一步的，所述步骤S1中图像f(x,y)进行归一化处理至[0,1]区间，得到f'(x,y)：
Figure BDA0002445441160000021
其中Gmin和Gmax分别为原图像最小的灰阶值和最大灰阶值。
进一步的，所述步骤S2中的参数设定方法，种群数量N、最大迭代次数L、最小权重cmin、最大权重cmax、最小种子数smin和最大种子数smax、初始化种群
Figure BDA0002445441160000022
Figure BDA0002445441160000023
计算初始每个蝗虫的适应度函数，选出最优蝗虫Td，同时记录其最优适应度函数值。适应度函数计算方法如下：
采用非完全Beta函数对图像进行变换：
Figure BDA0002445441160000024
Figure BDA0002445441160000025
其中ixy(0≤ixy≤1)为原始图像的灰度值。
变换后的适应度函数为：
Figure BDA0002445441160000026
其中I为增强图像，E(I)为图像的边缘强度；ne(I)为图像的边缘个数；H(I)为图像的熵；M和N为图像的长和宽。
进一步的，所述步骤S3进入循环，运行蝗虫入侵杂草算法，判断迭代次数是否等于L，若满足则停止，否则继续循环，包括以下具体步骤；
(a)对蝗虫位置进行更新：
Figure BDA0002445441160000031
Figure BDA0002445441160000032
其中ubd和lbd为蝗虫的上下限。
(b)对优质蝗虫群体，执行入侵杂草操作：
Figure BDA0002445441160000033
Figure BDA0002445441160000034
其中fworst和fbest为最差适应度和最优适应度，n为常数，σinit和σfinal为初始方差和最终方差。
(c)更新最优蝗虫Td。
进一步的，所述步骤S4输出最优组合(α,β)，用非线性变换函数对图像进行变换，并得到输出增强图像g(x,y)：
g(x,y)＝(Gmax-Gmin)×g'(x,y)+Gmin
与现有技术相比，本发明的有益效果是：
通过用一种蝗虫入侵杂草算法应用到图像的增强处理，发明了一种新的归一化的非完全Beta图像增强算法。利用蝗虫入侵杂草算法，自动寻找最佳变换参数，从而增加图像的对比度和细节。
附图说明
图1为一种基于蝗虫入侵杂草算法的图像增强方法流程图；
图2为基于蝗虫入侵杂草算法的图像增强方法输出效果图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细描述。
本发明所采用的技术方案是：一种基于蝗虫入侵杂草算法的图像增强方法包括：
S1、对原图像f(x,y)进行归一化处理：
Figure BDA0002445441160000041
其中Gmin和Gmax分别为原图像最小的灰阶值和最大灰阶值，f'(x,y)∈[0,1]。
S2、确定蝗虫入侵杂草算法的种群数量N、最大迭代次数L、最小权重cmin、最大权重cmax、最小种子数smin和最大种子数smax，、初始化种群
Figure BDA0002445441160000042
Figure BDA0002445441160000043
计算初始每个蝗虫的适应度函数，选出最优蝗虫Td，同时记录其最优适应度函数值。适应度函数计算方法如下：
采用非完全Beta函数对图像进行变换：
Figure BDA0002445441160000044
Figure BDA0002445441160000045
其中ixy(0≤ixy≤1)为原始图像的灰度值。
变换后的适应度函数为：
Figure BDA0002445441160000046
其中I为增强图像，E(I)为图像的边缘强度；ne(I)为图像的边缘个数；H(I)为图像的熵；M和N为图像的长和宽。
S3、进入循环，运行蝗虫入侵杂草算法，判断迭代次数是否等于L，若满足条件则停止，否则继续循环；
(a)对蝗虫位置进行更新：
Figure BDA0002445441160000047
Figure BDA0002445441160000048
其中ubd和lbd为蝗虫的上下限。
(b)对优质蝗虫群体，执行入侵杂草操作：
Figure BDA0002445441160000051
Figure BDA0002445441160000052
其中fworst和fbest为最差适应度和最优适应度，n为常数，σinit和σfinal为初始方差和最终方差。
(c)更新最优蝗虫Td。
S4、输出最优组合(α,β)，用非线性变换函数对图像进行变换，并得到输出增强图像g(x,y)。
g(x,y)＝(Gmax-Gmin)×g'(x,y)+Gmin
算法的参数设置如下：N＝10、L＝50、cmin＝0.001、cmax＝1、smin＝0、smax＝6。
实验结果如下：
图2a为原始图片，图2b为基于蝗虫入侵杂草算法的图像增强方法的输出效果图。
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 (5)

1.一种基于蝗虫入侵杂草算法的图像增强方法，其特征在于，包括如下步骤：
S1、对原图像f(x,y)进行归一化处理；
S2、确定蝗虫入侵杂草算法的种群数量N、最大迭代次数L和相关常数等，初始化种群
Figure FDA0002445441150000011
计算初始种群适应度，并选出最优蝗虫；
S3、进入循环，运行蝗虫入侵杂草算法，判断迭代次数是否等于L，若满足条件则停止，否则继续循环；
S4、输出最优组合(α,β)，用非线性变换函数对图像进行变换，并得到输出增强图像g(x,y)。
2.根据权利要求1所述的一种基于蝗虫入侵杂草算法的图像增强方法，其特征在于，所述步骤S1中图像f(x,y)进行归一化处理至[0,1]区间，得到f'(x,y)：
Figure FDA0002445441150000012
其中Gmin和Gmax分别为原图像最小的灰阶值和最大灰阶值。
3.根据权利要求1所述的一种基于蝗虫入侵杂草算法的图像增强方法，其特征在于，所述步骤S2中的参数设定方法，种群数量N、最大迭代次数L、最小权重cmin、最大权重cmax、最小种子数smin和最大种子数smax、初始化种群
Figure FDA0002445441150000013
Figure FDA0002445441150000014
计算初始每个蝗虫的适应度函数，选出最优蝗虫Td，同时记录其最优适应度函数值。适应度函数计算方法如下：
采用非完全Beta函数对图像进行变换：
Figure FDA0002445441150000015
Figure FDA0002445441150000016
其中ixy(0≤ixy≤1)为原始图像的灰度值。
变换后的适应度函数为：
Figure FDA0002445441150000021
其中I为增强图像，E(I)为图像的边缘强度；ne(I)为图像的边缘个数；H(I)为图像的熵；M和N为图像的长和宽。
4.根据权利要求1所述的一种基于蝗虫入侵杂草算法的图像增强方法，其特征在于，所述步骤S3进入循环，运行蝗虫入侵杂草算法，判断迭代次数是否等于L，若满足则停止，否则继续循环，包括以下具体步骤；
(a)对蝗虫位置进行更新：
Figure FDA0002445441150000022
Figure FDA0002445441150000023
其中ubd和lbd为蝗虫的上下限。
(b)对优质蝗虫群体，执行入侵杂草操作：
Figure FDA0002445441150000024
Figure FDA0002445441150000025
其中fworst和fbest为最差适应度和最优适应度，n为常数，σinit和σfinal为初始方差和最终方差。
(c)更新最优蝗虫Td。
5.根据权利要求1所述的一种基于蝗虫入侵杂草算法的图像增强方法，其特征在于，所述步骤S4输出最优组合(α,β)，用非线性变换函数对图像进行变换，并得到输出增强图像g(x,y)：
g(x,y)＝(Gmax-Gmin)×g'(x,y)+Gmin。
CN202010277884.0A 2020-04-10 2020-04-10 一种基于蝗虫入侵杂草算法的图像增强方法 Pending CN112085665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010277884.0A CN112085665A (zh) 2020-04-10 2020-04-10 一种基于蝗虫入侵杂草算法的图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010277884.0A CN112085665A (zh) 2020-04-10 2020-04-10 一种基于蝗虫入侵杂草算法的图像增强方法

Publications (1)

Publication Number Publication Date
CN112085665A true CN112085665A (zh) 2020-12-15

Family

ID=73734659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010277884.0A Pending CN112085665A (zh) 2020-04-10 2020-04-10 一种基于蝗虫入侵杂草算法的图像增强方法

Country Status (1)

Country Link
CN (1) CN112085665A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108460736A (zh) * 2018-02-07 2018-08-28 国网福建省电力有限公司泉州供电公司 一种低照度电力设备图像曲波域增强方法
CN110009593A (zh) * 2019-02-22 2019-07-12 湖北盛世恒通通信集团有限公司 一种基于鲸鱼优化算法的图像自适应增强方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108460736A (zh) * 2018-02-07 2018-08-28 国网福建省电力有限公司泉州供电公司 一种低照度电力设备图像曲波域增强方法
CN110009593A (zh) * 2019-02-22 2019-07-12 湖北盛世恒通通信集团有限公司 一种基于鲸鱼优化算法的图像自适应增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LALIT MAURYA等: "A social spider optimized image fusion approach for contrast enhancement and brightness preservation", 《APPLIED SOFT COMPUTING》 *
XIAOFENG YUE等: "A hybrid grasshopper optimization algorithm with invasive weed for global optimization", 《IEEE ACCESS》 *
叶志伟等: "一种基于杜鹃搜索算法的图像自适应增强方法", 《测绘科学技术学报》 *
施泽波: "图像增强中优化算法适应度函数设计", 《电光与控制》 *

Similar Documents

Publication Publication Date Title
Isogawa et al. Deep shrinkage convolutional neural network for adaptive noise reduction
Zhang et al. Improved deep hashing with soft pairwise similarity for multi-label image retrieval
CN111881935B (zh) 一种基于内容感知gan的对抗样本生成方法
CN107529650B (zh) 闭环检测方法、装置及计算机设备
He et al. Robust principal component analysis based on maximum correntropy criterion
Hu et al. Singular value decomposition and local near neighbors for face recognition under varying illumination
CN112307958A (zh) 基于时空外观运动注意力网络的微表情识别方法
CN112561838A (zh) 基于残差自注意力和生成对抗网络的图像增强方法
CN110097060B (zh) 一种面向树干图像的开集识别方法
CN110580450A (zh) 一种基于卷积神经网络的交通标志识别方法
CN112613479B (zh) 基于轻量流式网络和注意力机制的表情识别方法
CN111144566B (zh) 神经网络权重参数的训练方法、特征分类方法及对应装置
Vishwakarma et al. An efficient hybrid DWT-fuzzy filter in DCT domain based illumination normalization for face recognition
CN110717519A (zh) 训练、特征提取、分类方法、设备及存储介质
Annamalai Automatic Face Recognition Using Enhanced Firefly Optimization Algorithm and Deep Belief Network.
CN110135435B (zh) 一种基于广度学习系统的显著性检测方法及装置
CN116884067A (zh) 一种基于改进的隐式语义数据增强的微表情识别方法
Gepperth et al. Image modeling with deep convolutional gaussian mixture models
CN112085665A (zh) 一种基于蝗虫入侵杂草算法的图像增强方法
CN115294424A (zh) 一种基于生成对抗网络的样本数据增强方法
CN112784800B (zh) 一种基于神经网络和形状约束的人脸关键点检测方法
Lu et al. Video analysis using spatiotemporal descriptor and kernel extreme learning machine for lip reading
CN114155590A (zh) 一种人脸识别方法
Adate et al. Understanding how adversarial noise affects single image classification
CN107341485B (zh) 人脸识别方法和装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201215

WD01 Invention patent application deemed withdrawn after publication