CN117173061A - 一种基于自适应双变异差分进化算法的图像增强方法 - Google Patents
一种基于自适应双变异差分进化算法的图像增强方法 Download PDFInfo
- Publication number
- CN117173061A CN117173061A CN202311405593.5A CN202311405593A CN117173061A CN 117173061 A CN117173061 A CN 117173061A CN 202311405593 A CN202311405593 A CN 202311405593A CN 117173061 A CN117173061 A CN 117173061A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- differential evolution
- degraded
- individual
- 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 27
- 238000013441 quality evaluation Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 67
- 230000035772 mutation Effects 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract 1
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,具体公开了一种基于自适应双变异差分进化算法的图像增强方法。现有技术中的图像增强方法,α、β参数的选取缺乏自适应性和智能性,通常需要人工选取,成本高、效率低。为解决上述问题,本发明采用自适应双变异的差分进化算法,利用自定义的图像质量评价函数作为适应度函数,将其对归一化的非完全Beta函数应用于图像增强的参数求解最优。本发明定义的图像质量评价函数,将图像的清晰度和对比度综合考量,能够客观有效地评价图像增强的效果。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于自适应双变异差分进化算法的图像增强方法。
背景技术
图像在采集过程中,成像系统受外界光亮等因素的影响,获取的图像质量会有所下降,因此在将图像进一步分析之前需要将“降质”图像增强,提高原始图像的对比度和清晰度。常用的图像增强方法包括线性拉伸、直方图均衡化以及直方图规定化等,目的主要是增强图像全局的对比度以及改善图像的细节部分。然而通常情况下,不同的“降质”图像需要采用不同的变换函数对“降质”图像进行适度的增强。因此,Tubbs提出了一种归一化非完全Beta函数的图像增强方法。非完全Beta函数通过拟合图像调整各种非线性变换曲线,进而选取合理的最优参数值,然而该参数的选取缺乏自适应性和智能性,通常需要人工选取,成本高、效率低。
发明内容
针对上述问题,本发明提供了一种基于自适应双变异差分进化算法的图像增强方法,将归一化非完全Beta函数应用于图像增强视为优化问题,自适应寻取Beta函数的最优参数值,既能提高图像增强的精度,又使得时间复杂度得到极大提高。
本发明提出的技术方案为:一种基于自适应双变异差分进化算法的图像增强方法,具体步骤如下:
步骤1:输入待增强的“降质”图像,获得“降质”图像的灰度直方图;
步骤2:将“降质”图像进行归一化处理,使其图像的灰度值变换到[0,1]区间内;
步骤3:采用自定义的图像质量评价函数作为“降质”图像及增强后图像的适应度评价函数,得到初始差分进化种群的适应度值,将归一化得到的“降质”图像灰度值代入归一化的非完全Beta函数中,得到归一化的非完全Beta函数的最优值。
评价函数形式为:,
其中,,/>,;
。
其中,表示图像中细节的反差以及纹理特征,值越大表示图像越清晰;/>表示图像的对比度,值越大表示图像内容越丰富,图像质量越好;w是一个固定常数;M是“降质”图像的宽度,N是“降质”图像的高度,M×N表示“降质”图像的大小。
本发明综合考虑清晰度和对比度两种评价准则函数定义适应度评价函数Fitness,更能充分验证图像增强的效果。
步骤4:采用归一化的非完全Beta函数F(x) (0≤x≤1),对归一化的图像进行增强变换;
步骤5:根据图像的灰度值范围,将增强变换后的图像进行反归一化变换处理,得到输出的增强图像;
步骤6:输出增强后的图像。
在一种典型实施方式中,步骤1中,灰度直方图的获取方法具体为:用表示“降质”图像在像素点/>处的灰度值,读取“降质”图像各个像素点的灰度值,根据“降质”图像,统计各个灰度级k,k值的范围是0-255,进而获得灰度直方图。
在一种典型实施方式中,步骤1中,根据灰度直方图,对灰度级k出现的次数T(k)进行统计,得到“降质”图像的最大灰度值Tmax和最小灰度值Tmin。
在一种典型实施方式中,步骤2中,图像的灰度值变换到[0,1]区间内,采用如下公式:,
上述公式中,分别表示“降质”图像灰度值范围的最大值和最小值,灰度图像的灰度值范围是0-255。
在一种典型实施方式中,步骤3中,差分进化算法种群初始化后计算种群的适应度值,差分进化算法包括如下步骤:
步骤3.1,读入“降质”图像的灰度直方图,设置种群的初始化参数值,在D维空间中随机生成NP个个体向量,利用如下公式生成:
,上述公式中,/>表示第/>个个体向量,/>、/>分别表示初始种群第/>个个体的第/>代的上界和下界,/>表示随机生成一个(0,1)之间的数。
种群初始化完成后,算法开始搜索的初始位置对应归一化非完全Beta函数的参数集合,利用自定义的质量评价函数计算初始种群个体向量的适应度值。
步骤3.2,差分进化中的核心操作是变异策略,本发明基于种群中个体向量的适应度值,将种群划分为两个子种群,对于适应度值高的个体向量采用变异策略1,适应度值低的个体向量采用变异策略2。双变异策略能极大平衡算法的多样性和收敛性。
子种群1存放适应度值高的个体向量,采用变异策略1,具体公式如下:
。
上述公式中,表示目标变异向量,/>表示第/>个个体向量,/>、/>以及/>表示第r1、r2和第r3个个体向量,r1、r2和r3是三个互不相等的随机整数,F为变异因子,/>是在子种群1中选取的前d%个个体向量中随机选择一个作为基向量,本发明中d参数的选取采用线性递减的函数,具体d参数的变化如下:
。
其中,generations代表总的迭代次数,gen是当前种群迭代次数。d参数的变化随着迭代次数的增加呈现递减趋势,算法迭代后期,种群中个体向量的适应度值逐渐集中在某一局部区域,此时算法要加速收敛,提高种群的局部寻优能力。
子种群2存放适应度值低的个体向量,采用变异策略2,具体公式如下:
,
上述公式中,、/>、/>以及/>表示第r1、r2、r3和第r4个个体向量,随机选择4个互不相同的整数r1、r2、r3和r4进行变异操作,提高种群多样性。
步骤3.3,交叉操作采用二项式交叉操作,将变异生成的个体向量与父代个体向量进行交叉操作,进而生成试验个体向量,具体公式如下:
,
其中,,/>,/>为[1,D1]上随机选择的一个整数,CR为交叉因子,/>为第/>个、第/>维的粒子。
步骤3.4,选择操作采用贪婪选择策略,通过比较,选择适应度值更好的个体向量作为子代个体向量,具体公式如下:
,
其中,f为目标函数,为下一代的目标向量。
步骤3.5,判断是否达到种群迭代次数,若未到达,则返回执行步骤3.2;若到达终止条件,则输出全局最优个体对应的参数值。
进一步,所述的步骤3.2中,变异策略中,缩放因子F控制差分进化向量幅值的大小,影响算法的收敛能力及收敛速度,控制参数F的变化如下:
。
进一步,所述的步骤3.3中,交叉策略中,交叉因子CR影响交叉操作中生成的试验个体向量从父代或变异个体继承基因的概率,控制参数CR的变化如下:
。
在一种典型实施方式中,步骤3中,代表Beta函数,归一化的非完全Beta函数形式如下:
,
。
上述公式中,的取值区间为(0,10),它的取值决定函数F(x)的形状,x为图像归一化后的灰度值。
将改进的差分进化算法结合归一化非完全Beta函数应用于图像增强,寻取最优的值,获取清晰度和对比度最好的图像增强效果。
在一种典型实施方式中,步骤4中,采用如下变换公式:
。
在一种典型实施方式中,步骤5中,采用如下变换公式:
,
其中,分别表示增强图像灰度值范围的最大值和最小值,灰度图像的灰度值范围是0-255。
本发明的有益效果是:利用改进的差分进化算法对归一化非完全Beta函数应用于图像增强参数优化求解,实现图像的自适应灰度变换,增强后的图像利用自定义的基于清晰度和对比度的图像质量评价函数进行评价。改进的差分进化算法与归一化非完全Beta函数结合应用于图像增强,动态自适应调整参数值,进而确定增强图像的变换函数,具有时间复杂度低、收敛速度快及鲁棒性强等优点,能获得最优解或者近似最优解,是一种效率更高、鲁棒性更强的图像增强算法。
附图说明
图1是本发明实施例一种基于自适应双变异差分进化算法的图像增强方法流程图;
图2是本发明实施例利用改进差分进化算法求解归一化非完全Beta函数最优解流程图;
图3是本发明选取较暗图像及增强后的图像,其中,A是原始图像;B是线性变换后增强的图像;C是直方图均衡化后增强的图像;D是利用本发明方法得到的图像;
图4是本发明选取较亮图像及增强后的图像,其中,A是原始图像;B是线性变换后增强的图像;C是直方图均衡化后增强的图像;D是利用本发明方法得到的图像。
具体实施方式
为进一步阐明本发明所实施的技术方案,便于本领域的普通技术人员理解和实施本发明,下面结合附图以及实施例对本方案进一步具体阐述,需要说明的是,本发明所举例的实施例不限定本发明。
参考图1和图2,一种基于双变异自适应差分进化算法的图像增强方法,具体步骤如下:
步骤1,输入要进行增强的“降质”图像,用表示“降质”图像在像素点/>处的灰度值,读取“降质”图像各个像素点的灰度值,根据“降质”图像,统计各个灰度级k,k值的范围是0-255,k出现的次数是T(k),进而得到“降质”图像的灰度直方图;利用已经获得的“降质”图像的灰度直方图,对灰度级k出现的次数T(k)进行统计,得到“降质”图像的最大灰度值Tmax和最小灰度值Tmin。
步骤2,将“降质”图像进行归一化处理,记为,将“降质”图像的灰度值变换到[0,1]区间内,采用如下公式:
。
上述公式中,分别表示“降质”图像灰度值范围的最大值和最小值,灰度图像的灰度值范围是0-255。
步骤3,采用自定义的图像质量评价函数作为“降质”图像及增强后图像的适应度评价函数,得到初始差分进化种群的适应度值,将归一化得到的“降质”图像灰度值代入归一化的非完全Beta函数中,利用适应度评价函数得到归一化的非完全Beta函数的最优值。
本发明提出的自定义图像质量评价函数如下:
,
其中,,/>,;
。
其中,表示图像中细节的反差以及纹理特征,值越大表示图像越清晰;/>表示图像的对比度,值越大图像内容越丰富,图像质量越好;w是一个固定常数;M是“降质”图像的宽度,N是“降质”图像的高度,M×N表示“降质”图像的大小。综合考虑清晰度和对比度两种评价准则函数定义适应度评价函数Fitness,更能充分验证图像增强的效果。
计算种群的适应度值之前需要进行差分进化算法种群初始化,差分进化算法包括如下步骤:
步骤3.1,读入“降质”图像的灰度直方图,设置种群的初始化参数值,在D维空间中随机生成NP个个体向量,利用如下公式生成:
。上述公式中,/>表示第/>个个体向量,/>、/>分别表示初始种群第/>个个体的第/>代的上界和下界,/>表示随机生成一个(0,1)之间的数。
种群初始化完成后,算法开始搜索的初始位置对应归一化非完全Beta函数的参数集合,利用自定义的质量评价函数计算初始种群个体向量的适应度值。
步骤3.2,差分进化中的核心操作是变异策略,本发明基于种群中个体向量的适应度值,将种群划分为两个子种群,对于适应度值高的个体向量采用变异策略1,适应度值低的个体向量采用变异策略2。双变异策略能极大平衡算法的多样性和收敛性。
子种群1存放适应度值高的个体向量,采用变异策略1,具体公式如下:
。
上述公式中,表示目标变异向量,/>表示第/>个个体向量,/>、/>以及/>表示第r1、r2和第r3个个体向量,r1、r2和r3是三个互不相等的随机整数,F为变异因子,/>是在子种群1中选取的前d%个个体向量中随机选择一个作为基向量,本发明中d参数的选取采用线性递减的函数,具体d参数的变化如下:
,
其中,generations代表总的迭代次数,gen是当前种群迭代次数。d参数的变化随着迭代次数的增加呈现递减趋势,算法迭代后期,种群中个体向量的适应度值逐渐集中在某一局部区域,此时算法要加速收敛,提高种群的局部寻优能力。
子种群2存放适应度值低的个体向量,采用变异策略2,具体公式如下:
,
上述公式中,、/>、/>以及/>表示第r1、r2、r3和第r4个个体向量,随机选择4个互不相同的整数r1、r2、r3和r4进行变异操作,提高种群多样性。
变异策略中,缩放因子F控制差分进化向量幅值的大小,影响算法的收敛能力及收敛速度,控制参数F的变化如下:
。
步骤3.3,交叉操作采用二项式交叉操作,将变异生成的个体向量与父代个体向量进行交叉操作,进而生成试验个体向量,具体公式如下:
,
其中,,/>,/>为[1,D1]上随机选择的一个整数,CR为交叉因子,/>为第/>个、第/>维的粒子。
交叉策略中,交叉因子CR影响交叉操作中生成的试验个体向量从父代或变异个体继承基因的概率,控制参数CR的变化如下:
。
步骤3.4,选择操作采用贪婪选择策略,通过比较,选择适应度值更好的个体向量作为子代个体向量,具体公式如下:
,
其中,f为目标函数,为下一代的目标向量。
步骤3.5,判断是否达到种群迭代次数,若未到达,则返回执行步骤3.2;若到达终止条件,则输出全局最优个体对应的参数值。
代表Beta函数,归一化的非完全Beta函数形式如下:
,
。
上述公式中,的取值区间为(0,10),它的取值决定函数F(x)的形状,x为图像归一化后的灰度值。
将改进的差分进化算法结合归一化非完全Beta函数应用于图像增强,寻取最优的值,获取清晰度和对比度最好的图像增强效果。
步骤4,采用归一化的非完全Beta函数F(x) (0≤x≤1),对归一化的图像进行增强变换,采用如下变换公式:
。
步骤5,根据图像的灰度值范围,将增强变换后的图像进行反归一化变换处理,得到输出的增强图像,具体变换公式如下:
。
上述公式中,分别表示增强图像灰度值范围的最大值和最小值,灰度图像的灰度值范围是0-255。
步骤6,输出增强后的图像。
本发明通过利用改进的差分进化算法结合归一化非完全Beta函数应用于图像增强,将该问题视为优化问题,动态自适应寻取最优参数值,从图3和图4可以看出,该方法鲁棒性较强,具有较好的应用前景,可应用于图像处理等领域。
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。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此认为是对本发明专利保护范围的限制,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,做出的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 (10)
1.一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,具体步骤如下:
步骤1:输入待增强的“降质”图像,获得“降质”图像的灰度直方图;
步骤2:将“降质”图像进行归一化处理,使其图像的灰度值变换到[0,1]区间内;
步骤3:采用自定义的图像质量评价函数作为“降质”图像及增强后图像的适应度评价函数,得到初始差分进化种群的适应度值,将归一化得到的“降质”图像灰度值代入归一化的非完全Beta函数中,得到归一化的非完全Beta函数的最优值;
评价函数形式为:,
其中,,/>,/>;
;
其中,表示图像中细节的反差以及纹理特征,值越大表示图像越清晰;/>表示图像的对比度,值越大表示图像内容越丰富,图像质量越好;w是一个固定常数;M是“降质”图像的宽度,N是“降质”图像的高度,M×N表示“降质”图像的大小;
步骤4:采用归一化的非完全Beta函数F(x),对归一化的图像进行增强变换;
步骤5:根据图像的灰度值范围,将增强变换后的图像进行反归一化变换处理,得到输出的增强图像;
步骤6:输出增强后的图像。
2.根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,步骤1中,灰度直方图的获取方法具体为:用表示“降质”图像在像素点/>处的灰度值,读取“降质”图像各个像素点的灰度值,根据“降质”图像,统计各个灰度级k,k值的范围是0-255,进而获得灰度直方图。
3.根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,步骤1中,根据灰度直方图,对灰度级k出现的次数T(k)进行统计,得到“降质”图像的最大灰度值Tmax和最小灰度值Tmin。
4.根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,步骤2中,图像的灰度值变换到[0,1]区间内,采用如下公式:
,
上述公式中,分别表示“降质”图像灰度值范围的最大值和最小值,图像灰度值范围为0-255。
5.根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,步骤3中,差分进化算法种群初始化后计算种群的适应度值,差分进化算法包括如下步骤:
步骤3.1,读入“降质”图像的灰度直方图,设置种群的初始化参数值,在D维空间中随机生成NP个个体向量,利用如下公式生成:
,上述公式中,/>表示第/>个个体向量,/>、/>分别表示初始种群第/>个个体的第/>代的上界和下界,/>表示随机生成一个(0,1)之间的数;
步骤3.2,基于种群中个体向量的适应度值,将种群划分为两个子种群,对于适应度值高的个体向量采用变异策略1,适应度值低的个体向量采用变异策略2;
子种群1存放适应度值高的个体向量,采用变异策略1,具体公式如下:
,
上述公式中,表示目标变异向量,/>表示第/>个个体向量,/>、/>以及/>表示第r1、r2和第r3个个体向量,r1、r2和r3是三个互不相等的随机整数,F为变异因子,/>是在子种群1中选取的前d%个个体向量中随机选择一个作为基向量,具体d参数的变化如下:
,
子种群2存放适应度值低的个体向量,采用变异策略2,具体公式如下:
,
上述公式中,、/>、/>以及/>表示第r1、r2、r3和第r4个个体向量;
步骤3.3,交叉操作采用二项式交叉操作,将变异生成的个体向量与父代个体向量进行交叉操作生成试验个体向量,具体公式如下:
,
其中,,/>,/>为[1,D1]上随机选择的一个整数,CR为交叉因子,/>为第/>个、第/>维的粒子;
步骤3.4,选择操作采用贪婪选择策略,通过比较,选择适应度值更好的个体向量作为子代个体向量,具体公式如下:
,
其中,f为目标函数,为下一代的目标向量;
步骤3.5,判断是否达到种群迭代次数,若未到达,则返回执行步骤3.2;若到达终止条件,则输出全局最优个体对应的参数值。
6.根据权利要求5所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,所述的步骤3.2中,变异策略中,缩放因子F控制差分进化向量幅值的大小,影响算法的收敛能力及收敛速度,控制参数F的变化如下:
。
7.根据权利要求5所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,所述的步骤3.3中,交叉策略中,交叉因子CR影响交叉操作中生成的试验个体向量从父代或变异个体继承基因的概率,控制参数CR的变化如下:
。
8.根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,步骤3中,代表Beta函数,归一化的非完全Beta函数形式如下:
,
,
上述公式中,的取值区间为(0,10),它的取值决定函数F(x)的形状,x为图像归一化后的灰度值。
9.根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,步骤4中,采用如下变换公式:
。
10.根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法,其特征在于,步骤5中,采用如下变换公式:
,/>分别表示增强图像灰度值范围的最大值和最小值,图像灰度值范围为0-255。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405593.5A CN117173061B (zh) | 2023-10-27 | 2023-10-27 | 一种基于自适应双变异差分进化算法的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405593.5A CN117173061B (zh) | 2023-10-27 | 2023-10-27 | 一种基于自适应双变异差分进化算法的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173061A true CN117173061A (zh) | 2023-12-05 |
CN117173061B CN117173061B (zh) | 2024-03-19 |
Family
ID=88930016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311405593.5A Active CN117173061B (zh) | 2023-10-27 | 2023-10-27 | 一种基于自适应双变异差分进化算法的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173061B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
CN107274357A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种参数最优的灰度图像增强处理系统 |
CN107274356A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种自适应的灰度图像增强系统 |
CN108564592A (zh) * | 2018-03-05 | 2018-09-21 | 华侨大学 | 基于动态多种群集成差分进化算法的图像分割方法 |
CN110490326A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种自适应多变异策略的差分进化方法及系统 |
CN112993993A (zh) * | 2020-12-11 | 2021-06-18 | 国网冀北电力有限公司计量中心 | 基于改进型差分进化算法的非侵入式电力负荷感知识别方法 |
WO2021218157A1 (zh) * | 2020-04-28 | 2021-11-04 | 福州大学 | 基于离散差分进化的多策略优化x结构最小树构建方法 |
CN116883672A (zh) * | 2023-09-05 | 2023-10-13 | 山东省工业技术研究院 | 基于聚类划分的差分进化算法和otsu算法的图像分割方法 |
-
2023
- 2023-10-27 CN CN202311405593.5A patent/CN117173061B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
CN107274357A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种参数最优的灰度图像增强处理系统 |
CN107274356A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种自适应的灰度图像增强系统 |
CN108564592A (zh) * | 2018-03-05 | 2018-09-21 | 华侨大学 | 基于动态多种群集成差分进化算法的图像分割方法 |
CN110490326A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种自适应多变异策略的差分进化方法及系统 |
WO2021218157A1 (zh) * | 2020-04-28 | 2021-11-04 | 福州大学 | 基于离散差分进化的多策略优化x结构最小树构建方法 |
CN112993993A (zh) * | 2020-12-11 | 2021-06-18 | 国网冀北电力有限公司计量中心 | 基于改进型差分进化算法的非侵入式电力负荷感知识别方法 |
CN116883672A (zh) * | 2023-09-05 | 2023-10-13 | 山东省工业技术研究院 | 基于聚类划分的差分进化算法和otsu算法的图像分割方法 |
Non-Patent Citations (4)
Title |
---|
GUANG YANG等: "Multi-level threshold segmentation based on LSHADE", 2021 INTERNATIONAL CONFERENCE ON DIGITAL SOCIETY AND INTELLIGENT SYSTEMS (DSINS), 10 January 2022 (2022-01-10) * |
ZHIWEI YE等: "An Image Enhancement Optimization Method Based on Differential Evolution Algorithm and Cuckoo Search Through Serial Coupled Mode", 2019 10TH IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT DATA ACQUISITION AND ADVANCED COMPUTING SYSTEMS: TECHNOLOGY AND APPLICATIONS (IDAACS), 5 December 2019 (2019-12-05) * |
吴章平等: "基于灰度平均梯度和粒子群优化的散焦图像模糊参数估计", 计算机应用, pages 1111 - 1114 * |
王明威等: "基于差分进化的图像自适应增强方法", 湖北民族学院学报( 自然科学版), pages 445 - 448 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173061B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112424828B (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN113313657B (zh) | 一种用于低光照图像增强的非监督学习方法和系统 | |
CN103440635B (zh) | 一种基于学习的对比度受限自适应直方图均衡方法 | |
CN107403422A (zh) | 用以增强图像对比度的方法及其系统 | |
CN109919880A (zh) | 一种基于粒子群优化的红外图像增强方法 | |
CN103402042A (zh) | 基于分块式误差扩散的半色调图像生成方法 | |
US7020333B2 (en) | Apparatus and method for equalizing histogram of an image | |
CN107506795A (zh) | 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
CN113392854A (zh) | 一种图像纹理特征提取分类方法 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN111260655A (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
CN117173061B (zh) | 一种基于自适应双变异差分进化算法的图像增强方法 | |
CN114186589A (zh) | 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法 | |
CN112419209B (zh) | 一种全局直方图均衡的图像增强方法 | |
Wu et al. | Quick Response Code Binary Research Based on Basic Image Processing | |
Lin et al. | Tri-histogram equalization based on first order statistics | |
CN113850733A (zh) | 基于变幂次单稳态自适应随机共振的彩色图像增强方法 | |
CN113034402A (zh) | 一种基于宇宙演变的低对比度图像增强方法 | |
Reddy et al. | Enhancement of images using optimized gamma correction with weighted distribution via differential evolution algorithm | |
CN113177893A (zh) | 一种图像模糊度处理方法 | |
Li et al. | Research on two-dimensional entropy threshold method based on improved genetic algorithm | |
CN108038828A (zh) | 一种基于自适应加权全变差的图像去噪方法 | |
CN113222953B (zh) | 基于深度伽马变换的自然图像增强方法 |
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 |