CN118505550A - 一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法 - Google Patents
一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法 Download PDFInfo
- Publication number
- CN118505550A CN118505550A CN202410567301.6A CN202410567301A CN118505550A CN 118505550 A CN118505550 A CN 118505550A CN 202410567301 A CN202410567301 A CN 202410567301A CN 118505550 A CN118505550 A CN 118505550A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- searching
- self
- image
- adaptive strategy
- 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
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 241000254173 Coleoptera Species 0.000 title claims abstract description 33
- 210000003608 fece Anatomy 0.000 title claims abstract description 33
- 238000013507 mapping Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000011161 development Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 244000062645 predators Species 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 36
- 230000006870 function Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 9
- 230000002431 foraging effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241001229848 Aphodius granarius Species 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004412 visual outcomes Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，公开了一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，包含以下步骤：步骤1，输入待去噪的图像，设定CNN网络的超参数及架构优化的搜索空间；步骤2，利用Logistic混沌映射初始化种群。本发明融合了混沌映射和自适应策略，增强了算法的搜索能力，在解决高维空间和复杂优化问题时，通过混沌映射的不确定性和复杂性增强CNN架构搜索的随机性和适应性，有效地避免算法过早陷入局部最优解，同时，自适应策略允许种群根据当前搜索状态动态调整其行为，进一步提高优化效率和准确性，而将CADBO算法应用于CNN网络的超参数优化中，不仅能够提升图像去噪的性能，还能够加速网络训练过程，为图像处理技术领域带来新的发展机遇。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法。
背景技术
在数字化时代，图像处理技术对于医疗诊断、卫星成像等领域的发展起着至关重要作用。图像去噪作为图像处理中的一个核心环节，对于提升图像的质量和保留关键细节信息具有重要意义。
国内外研究人员提出了大量的图像去噪方法。传统的图像去噪方式可分为空间域滤波和变换域滤波两类。空间域滤波算法有邻域平均法、中值滤波、低通滤波等。变换域滤波有傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。然而，传统的图像去噪方法，如均值滤波、中值滤波、高斯滤波等，虽能在一定程度上去除图像噪声，但难以在去除噪声和保留图像细节之间取得良好的平衡。随着深度学习技术的不断发展，深度神经网络因其适应性强等优点成为目前主流的图像去噪方法。典型的图像去噪深度神经网络有卷积神经网络(Convolutional Neural Networks，CNN)、生成对抗网络及循环神经网络等。Lecun在1998年首次提出基于梯度学习CNN LeNet，并将其成功用于手写数字字符识别。之后，学者们对CNN进行不断地改进。He等提出了ResNet，在网络结构上增加了残差模块用于解决网络过深引起的退化问题。Geoffrey Hinton和他的团队提出“胶囊网络”，旨在解决传统CNN在处理图像空间关系方面的局限性。目前，CNN成为最流行、研究最广的深度神经网络之一。通过层次化的方式逐渐抽象和提炼数据中的信息，CNN能够处理高维度数据并适用于各种规模的图像处理任务，从而在众多领域中展现出卓越的性能和广泛的应用潜力。CNN常用于处理具有类似网格结构的数据，如图像。
CNN的超参数包括卷积核大小、卷积核数量、池化大小、激活函数、优化器、学习率等。优化这些超参数可以提高CNN的性能，例如提高准确率、降低过拟合等。蜣螂优化(DungBeetle Optimization，DBO)算法作为一种新颖的进化算法，主要模拟了蜣螂的滚球跳舞、觅食、偷窃和繁殖行为，具有进化能力强、搜索速度快、寻优能力强的特点。尽管DBO算法在一些应用场景中表现出了优越性，它仍然存在一些局限性，如收敛速度慢和在处理复杂问题时的搜索效率不高等问题。
发明内容
本发明的目的是为了解决现有技术中存在的问题，而提出的一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，包含以下步骤：
步骤1，输入待去噪的图像，设定CNN网络的超参数及架构优化的搜索空间；
步骤2，利用Logistic混沌映射初始化种群，其中，每个个体对应一个CNN去噪网络；
步骤3，评估初始种群中每个个体的适应度，并根据种群数量，按照预设比例确定生产者数量，并对生产者进行更新，这些个体负责探索解空间，为整个群体寻找食物(即优化问题的潜在解)，并采用自适应策略更新生产者个体的搜索方向和步长，以提高优化效率和优化精度，根据生产者的位置，其他个体(掠夺者和观察者，选取剩余个体中的前a个个体为掠夺者，其余为观察者(a为常数))更新自己的位置，将步骤2中的所述的Logistic混沌映射和自适应策略与蜣螂算法融合，对种群中的个体进行局部搜索，通过自适应策略动态调整搜索参数，形成基于混沌映射和自适应策略改进的蜣螂算法；
步骤4，根据图像去噪过程中的反馈信息调整算法参数，通过不断进化得到最优的去噪CNN网络结构和超参数；
步骤5，进化完成，利用最优去噪网络对图像进行去噪。
优选地，所述步骤1中，输入待去噪的图像时，对其进行预处理，其中预处理包括灰度化和归一化。
优选地，所述步骤1中，设定CNN网络的超参数包括层数、每层的卷积核数量、卷积核大小的设定，以构建CNN网络超参数和架构优化的搜索空间。
优选地，所述步骤3中，采用自适应策略更新搜索方向和步长的具体步骤如下，以提高优化效率和优化精度的具体过程为：
步骤3.1：根据当前迭代次数和个体适应度值，动态调整搜索方向，以平衡融合后算法的全局搜索和局部搜索能力；
步骤3.2：自适应调整步长，根据个体在解空间中的位置和适应度值变化趋势，优化搜索步长，以加快收敛速度或增强搜索多样性；
步骤3.3：利用混沌映射生成序列的随机性，引入多样化搜索策略，以避免种群陷入局部最优解；
步骤3.4：结合个体历史最优位置和全局最优位置，更新个体位置，以寻找更优的CNN去噪网络的超参数。
优选地，所述步骤4具体包括：
步骤4.1：对种群中的个体应用探索和开发策略，以平衡融合后算法的全局搜索和局部搜索能力；
步骤4.2：利用自适应策略对个体的搜索行为进行动态调整，根据图像去噪过程中的反馈信息调整算法参数；
步骤4.3：通过边界处理函数‘Bounds’确保更新后的解在预定义的搜索空间内；
步骤4.4：重复步骤3至步骤4.3，直到满足迭代终止条件；
步骤4.5：输出最优的去噪CNN网络。
优选地，所述步骤4.4中，迭代终止条件为达到最大迭代次数。
与现有技术相比，本发明的有益效果是：
本发明融合了混沌映射和自适应策略，混沌理论的引入，增强了算法的搜索能力，尤其是在解决高维空间和复杂优化问题时，能够通过混沌映射的不确定性和复杂性增强CNN架构搜索的随机性和适应性，有效地避免算法过早陷入局部最优解，同时，自适应策略允许种群根据当前搜索状态动态调整其行为，进一步提高优化效率和准确性，而将CADBO算法(即基于混沌映射和自适应策略改进的蜣螂算法)应用于CNN网络的超参数优化中，不仅能够提升图像去噪的性能，还能够加速网络训练过程，为图像处理技术领域带来新的发展机遇。
附图说明
图1为本发明流程示意图；
图2是基于四种进化算法麻雀搜索算法(Sparrow Search Algorithm，SSA)、蜣螂优化(Dung Beetle Optimization，DBO)、差分进化(Differential Evolution，DE)算法、CADBO)的去噪CNN的PSNR收敛曲线图；
图3是本发明中CADBO算法与近几年算法在CEC 2017测试集中的测试函数F1上的收敛曲线对比图；
图4是本发明中CADBO算法与近几年算法在CEC 2017测试集测试集中的测试函数F11上的收敛曲线对比图；
图5是本发明中CADBO算法与近几年算法在CEC 2017测试集中的测试函数F25的收敛曲线对比图；
图6是本发明在噪声水平为时，MRI数据集脑图的视觉结果图；
其中，图6(a)、(d)、(g)和(j)为原始图像，(b)、(e)、(h)和(k)噪声图像，(c)为用CADBO优化后的CNN网络去噪后的图像，(f)为用DBO优化后的CNN网络去噪后的图像，(i)为用DE优化后的CNN网络去噪后的图像，(l)为用SSA优化后的网络去噪后的图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-图6，步骤1：输入待去噪的图像，确定CNN网络的超参数及架构优化的搜索空间。其中，待寻优的11个参数分别为网络结构类型、网络块个数、卷积层层数、卷积核大小、卷积核个数、激活函数、优化器、批归一化处理、学习率、损失函数、批量大小；
步骤2：利用混沌映射初始化种群，选择Logistic混沌映射作为初始化方法，生成初始的图像去噪方案，其中每个个体对应一个CNN去噪网络。种群初始化过程可以用以下公式描述：
Xi＝Lb+(Ub-Lb)×chaos(2,pop,dim) (1)
其中，X表示初始种群，是一个(popxdim)的矩阵，每一行代表一个个体在所有维度上的位置。Lb、Ub为决策变量的下界与上界，pop为种群大小，dim为决策变量的维度，chaos(2,pop,dim)表示一个介于0和1之间的混沌序列，用于初始化种群。
其中，Logistic混沌映射原理简单，具有较强的随机性和遍历性，其表达式为：
xi+1＝axi(1-xi) (2)
其中，xi是个体在第i次混沌映射的位置，xi+1是个体在第i+1次混沌映射的位置，a为控制参数，在(0,4]中取值，a越大混沌性越高，a＝4时处于完全混沌状态，混沌轨道状态值范围为(0，1)。
步骤3、评估初始种群中每个个体的适应度，将单个去噪CNN的适应度值定义为该网络在训练集上训练结束后获得的所有去噪图像与干净图像的峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)值的均值。峰值信噪比的计算方法如下
其中，MSE为原始图像与去噪后的图像之间的均方误差。PSNR取值范围为10-40dB，PSNR值越大，图片质量越好。即根据去噪效果对每个去噪方案进行评价。根据适应度值，选择性能较好的个体作为生产者，并对其进行更新。这些个体负责探索解空间，为整个群体寻找食物(即优化目标的潜在解)。采用自适应策略更新生产者的搜索方向和步长，以提高优化效率和优化精度。根据生产者的位置，其他个体(掠夺者和观察者)更新自己的位置。将步骤2中的所述的Logistic混沌映射和自适应策略与蜣螂算法融合，对种群中的个体进行局部搜索，通过自适应策略动态调整搜索参数，形成基于混沌映射和自适应策略改进的蜣螂算法，以提高搜索效率和效果；
生产者的数量由以下公式确定：
pNum＝round(pop×Ppercent) (4)
其中，pNum表示生产者的数量，round表示Python中的一个内置函数，使生产者的数量为整数，pop表示种群大小，ppercent＝0.2表示生产者占总种群的比例。
步骤4、根据进化过程中的反馈信息调整算法参数，种群中的个体应用探索和开发策略进行不断迅游，得到最优的去噪CNN网络超参数。
所述步骤1中的具体步骤如下：
步骤1.1：接收输入图像，并对其进行预处理，如灰度化、归一化等，以便于算法处理。
步骤1.2：设定CNN的超参数，包括层数、每层的卷积核数量、卷积核大小等，以构建CNN网络超参数和架构优化的搜索空间。
进一步阐述步骤4中利用自适应策略动态调整搜索参数的具体步骤如下：
步骤4.1：对种群中的个体应用探索和开发策略，以平衡全局算法全局搜索和局部搜索能力。
步骤4.2：利用自适应策略对个体的搜索行为进行动态调整，根据图像去噪过程中的反馈信息调整算法参数。利用混沌映射生成的随机数来调整搜索方向和步长，增加算法的随机性和多样性，避免陷入局部最优解。使用切线函数得到新的搜索方向，在[0，π]区间值确定新方向后继续搜索行为：
Xi(t+1)＝Xi(t)+tan(θ)|Xi(t)-Xi(t-1)| (5)
其中，Xi(t+1)、Xi(t)、Xi(t-1)分别表示第i只蜣螂个体在第t，t+1，t-1迭代的位置信息，θ表示偏转角，如果角度为0，π/2，π时，停止搜索。
在个体开发阶段对个体开发行为进行t分布扰动。原始开发行为公式如下：
Xi(t+1)＝Xi(t)+C1×(Xi(t)-Lbb)+C2×(Xi(t)-Ub) (6)
其中，Xi(t+1)、Xi(t)分别表示第i只个体在第t，t+1次迭代的位置信息，C1为服从正态分布的随机数，C2为(0，1)的随机数，Lbb为最佳觅食区域的下限，Ub为优化问题的上限。
采用以迭代次数变体公式为t分布的自由度参数的t分布变异扰动，对个体开发行为进行扰动，使算法在迭代前期具有较好的全局开发能力，在迭代后期具有良好的局部探索能力，并提高算法的收敛速度，具体的位置更新方式如下：
其中，表示蜣螂个体j更新后的位置，表示蜣螂个体j目前最优解的位置，t(C_iter)表示CADBO算法在不同迭代中使用不同的策略动态调整迭代次数t，从而影响了每个个体的更新策略来适应搜索过程，即其自适应机制，详细步骤如下：
4.1.1利用调整因子R，动态调整算法中的参数，使其随迭代次数的增加而更新；
R＝1-t/M (8)
其中，M表示最大迭代次数，调整因子R随着迭代次数t的增加而减少，用于缩小搜索空间或减少搜索的随机性，可以更集中地搜索最优解。
其中，freen表示自由度，使算法在早期阶段避免过早地收敛到局部最优解，np.exp表示Python中NumPy库中的指数函数。
步骤4.3：通过边界处理函数`Bounds`确保更新后的解在预定义的搜索空间内。
步骤4.4：重复步骤3至步骤4.3，直到满足迭代终止条件，如达到最大迭代次数`M`。
步骤4.5：输出最优的去噪CNN网络。利用该网络对噪声图像进行去噪，得到去噪后的图像。
在初期迭代中，大步长能够扩展觅食搜索，提高算法的全局搜索能力，促进算法更快地找到更优的解，加快收敛速度。在后期迭代中，小步长有利于算法的局部搜索。步长的规律变化在觅食蜣螂的搜索中起着指导作用，这意味着在整体环境中从全局搜索逐渐过渡到局部搜索。该策略主要由线性递减的自适应步进控制因子α0决定，如下所示：
步骤5、进化完成，利用最优去噪网络对图像进行去噪。
1.基于混沌映射和自适应策略改进蜣螂算法
原始的蜣螂算法通过小蜣螂的五种行为：滚球，跳舞，觅食，偷窃和繁殖的过程，模拟了蜣螂的生存行为，最终选取最优解。本发明提供了一种基于CADBO算法的CNN去噪网络超参数和架构优化方法。本发明对蜣螂算法的觅食行为进行改进，包括步骤：
初始化种群P，包括种群大小pop、迭代次数M、搜索空间的上下界lb和ub、维度dim，以及目标函数fobj等，迭代次数t＝1；
计算种群中每个蜣螂个体利用去噪CNN在训练集上获得PSNR均值，得到适应度值fobj；
利用Logistic混沌映射初始化去噪算法的种群中个体的位置，包括去噪参数的初始解，产生一个介于0和1之间的混沌序列；
t＝t+1；
根据个体的适应度值，通过小蜣螂的觅食行为，结合自适应策略更新搜索方向和步长，产生新种群；
运用边界处理函数Bounds进行边界检查与修正，确保更新后的参数不超出预定义的参数空间；
运用去噪CNN在训练集上获得的PSNR均值评估种群P的每个个体；
若满足迭代终止条件，如达到最大迭代次数或适应度值满足预设阈值，否则转步骤(3)；
得到最优的去噪CNN网络结构和超参数，利用最优去噪网络对图像进行去噪，得到去噪后的图像，算法结束。
实验条件：
本发明的实验是在在主频3.40GHZ的Inter Core i7-13700KF CPU、核心频率2640MHZ的NVIDIA 4070TI SUPER GPU、内存32GB的硬件环境和Visual Studio Code的软件环境下进行的。本实验采用公开可用的医学图像数据集MRI对所提基于混沌映射和自适应策略改进蜣螂算法训练、测试和验证，其中60％设置为训练集、20％为测试集、20％为验证集。
将其与基于引用频率较高的SSA、DBO、DE算法进行对比。基本参数设置如下：种群大小NP设置为40，进化代数T设置为12。网络块的类型为[Redisual，Dense]、网络块个数为[2，3，4，5，6，7]、卷积层层数为[1，2，3，4]、卷积核大小为[3*3，5*5，7*7]、卷积核个数为[8，16，32，64，128]、激活函数为[ReLU、tanh、leaky ReLU]、优化器为[Adam，Adadelta，Adamax，SGD，Adagrad]、批归一化处理为[False，True]、学习率为[0.1，0.01，0.001]、损失函数为[MAE，MSE]、批量大小为[8，16，32，64，96]，CADBO的种群大小设置为40，代数设置为12，下界设置为0，上界设置为ub＝(len(type_of_block)-1)，其中type_of_block代表模型中使用的块类型。维度设置为11。DE的交叉率Cr设置为0.7，常数F设置为0.5。因为进化算法具有随机性，SSA、DBO、DE及CADBO的去噪CNN分别在MRI数据集上独立运行10次。
并在CEC2017经典测试集中与近几年新提出的众多算法进行对比测试，将每个算法迭代500次，蜣螂个数设置为30个，每个函数运行50次，求解最优值、标准差、平均值，基于混沌映射和自适应策略改进蜣螂算法表现均较好。
本发明提出的新算法，不会在循环中多次调用适应度函数，故不会在原有算法基础上增加算法的复杂度，并与效率较高的SSA和DBO和DE算法分别在CNN网络去噪和CEC2017测试集上进行了对比实验，均取得了较好的结果，说明CADBO算法能够有效地去除图像中的噪声，同时保留重要的图像细节，提高了图像的可用性和观赏性。通过混沌映射技术，算法在初始化阶段能够生成具有高度多样性的解空间，增强全局搜索能力；同时，自适应策略的引入优化了搜索过程，提高了算法针对不同噪声环境的适应性和去噪效率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，其特征在于：包含以下步骤：
步骤1，输入待去噪的图像，设定CNN网络的超参数及架构优化的搜索空间；
步骤2，利用Logistic混沌映射初始化种群，其中，每个个体对应一个CNN去噪网络；
步骤3，评估初始种群中每个个体的适应度，并根据种群数量，按照预设比例确定生产者数量，并对生产者进行更新，这些个体负责探索解空间，为整个群体寻找食物(即优化问题的潜在解)，并采用自适应策略更新生产者个体的搜索方向和步长，以提高优化效率和优化精度，根据生产者的位置，其他个体(掠夺者和观察者，选取剩余个体中的前a个个体为掠夺者，其余为观察者(a为常数))更新自己的位置，将步骤2中的所述的Logistic混沌映射和自适应策略与蜣螂算法融合，对种群中的个体进行局部搜索，通过自适应策略动态调整搜索参数，形成基于混沌映射和自适应策略改进的蜣螂算法；
步骤4，根据图像去噪过程中的反馈信息调整算法参数，通过不断进化得到最优的去噪CNN网络结构和超参数；
步骤5，进化完成，利用最优去噪网络对图像进行去噪。
2.根据权利要求1所述的一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，其特征在于：所述步骤1中，输入待去噪的图像时，对其进行预处理，其中预处理包括灰度化和归一化。
3.根据权利要求2所述的一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，其特征在于：所述步骤1中，设定CNN网络的超参数包括层数、每层的卷积核数量、卷积核大小的设定，以构建CNN网络超参数和架构优化的搜索空间。
4.根据权利要求2所述的一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，其特征在于：所述步骤3中，采用自适应策略更新搜索方向和步长的具体步骤如下，以提高优化效率和优化精度的具体过程为：
步骤3.1：根据当前迭代次数和个体适应度值，动态调整搜索方向，以平衡融合后算法的全局搜索和局部搜索能力；
步骤3.2：自适应调整步长，根据个体在解空间中的位置和适应度值变化趋势，优化搜索步长，以加快收敛速度或增强搜索多样性；
步骤3.3：利用混沌映射生成序列的随机性，引入多样化搜索策略，以避免种群陷入局部最优解；
步骤3.4：结合个体历史最优位置和全局最优位置，更新个体位置，以寻找更优的CNN去噪网络的超参数。
5.根据权利要求1所述的一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，其特征在于：所述步骤4具体包括：
步骤4.1：对种群中的个体应用探索和开发策略，以平衡融合后算法的全局搜索和局部搜索能力；
步骤4.2：利用自适应策略对个体的搜索行为进行动态调整，根据图像去噪过程中的反馈信息调整算法参数；
步骤4.3：通过边界处理函数‘Bounds’确保更新后的解在预定义的搜索空间内；
步骤4.4：重复步骤3至步骤4.3，直到满足迭代终止条件；
步骤4.5：输出最优的去噪CNN网络。
6.根据权利要求5所述的一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法，其特征在于：所述步骤4.4中，迭代终止条件为达到最大迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410567301.6A CN118505550A (zh) | 2024-05-08 | 2024-05-08 | 一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410567301.6A CN118505550A (zh) | 2024-05-08 | 2024-05-08 | 一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118505550A true CN118505550A (zh) | 2024-08-16 |
Family
ID=92242506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410567301.6A Pending CN118505550A (zh) | 2024-05-08 | 2024-05-08 | 一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118505550A (zh) |
-
2024
- 2024-05-08 CN CN202410567301.6A patent/CN118505550A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6625785B1 (ja) | データ識別器訓練方法、データ識別器訓練装置、プログラム及び訓練方法 | |
| Nowlan | Maximum likelihood competitive learning | |
| CN109754078A (zh) | 用于优化神经网络的方法 | |
| CN109829420B (zh) | 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法 | |
| Khan et al. | Artificial neural network (ANNs) | |
| CN110837891B (zh) | 基于simd架构的自组织映射方法及系统 | |
| CN114757351A (zh) | 一种深度强化学习模型对抗攻击的防御方法 | |
| Lopes et al. | Deep belief networks (DBNs) | |
| Bullinaria | Self organizing maps: fundamentals | |
| CN116341605A (zh) | 一种基于反向学习策略的灰狼算法混合优化方法 | |
| US11724194B2 (en) | Initial results of a reinforcement learning model using a heuristic | |
| Shin et al. | A novel method for fashion clothing image classification based on deep learning | |
| US6965885B2 (en) | Self-organizing feature map with improved performance by non-monotonic variation of the learning rate | |
| CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
| Wang et al. | Inference-based posteriori parameter distribution optimization | |
| CN118505550A (zh) | 一种基于混沌映射和自适应策略改进蜣螂算法的图像去噪方法 | |
| CN111539989B (zh) | 基于优化方差下降的计算机视觉单目标跟踪方法 | |
| CN111684471A (zh) | 网络结构搜索的方法及装置、计算机存储介质和计算机程序产品 | |
| CN114866356B (zh) | 基于元学习的策略博弈的行为预测方法和预测器 | |
| CN116071495B (zh) | 基于深度学习多统计量的点云数据降噪处理方法及系统 | |
| Kalaiselvi et al. | Neural Network Optimizers for Brain Tumor Image Detection | |
| Thakur et al. | Nature-Inspired DBN based Optimization Techniques for Image De-noising | |
| Moberg | Uncertainty-aware models for deep reinforcement learning | |
| EP4303780A1 (en) | Method and system for solving qubo problems with hybrid classical-quantum solvers | |
| CN117787746B (zh) | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication |