基于天牛须搜索与差分进化混合算法的图像增强方法技术

本发明专利技术公开了一种基于天牛须搜索与差分进化混合算法的图像增强方法，旨在实现更好的图像对比度和细节同步增强效果。本发明专利技术方法包括S1：输入一幅数字图像f，对其进行灰度化处理、归一化操作；S2：使用佳点集方法初始化天牛种群X，设置天牛须算法和差分算法参数；S3：计算初始天牛种群适应度，选出并记录最优天牛及其适应度；S4：使用差分进化为每只天牛产生指导佳解；S5：更新天牛位置，并更新最优解及其适应度值；S6：判断是否达到最大迭代次数，若未达到跳转回步骤S4，若达到则进入步骤S7；S7：解码最优个体，并利用非完全Beta函数对图像进行非线性变换得到增强后图像g。本发明专利技术在保有种群多样性的同时平衡了算法局部搜索和全局搜索的能力，能够有效提高图像增强效果。能够有效提高图像增强效果。能够有效提高图像增强效果。

【技术实现步骤摘要】
基于天牛须搜索与差分进化混合算法的图像增强方法


[0001]本专利技术涉及图像增强优化处理技术，具体涉及一种基于天牛须搜索与差分进化混合算法的图像增强方法。

技术介绍

[0002]在许多现实情境下，图像质量会受到噪声、光圈大小和快门速度等不利因素的影响，要使这些图像的对比度和细节特征能够很好的展现和保持，就需要使用以提高图像中信息对人类观看者的可解释性和可感知性为目标的图像增强技术。
[0003]利用不完全Beta变换函数在空间域对图像进行非线性变换是近年来较为流行的图像增强技术，但增强图像质量对变换函数的参数α、β值要求极高，因此为了找寻到合适的α、β参数，人们将图像对比度和细节增强作为一个优化问题，采用智能优化算法找寻最优参数值，使得图像得到更好的增强效果。
[0004]天牛须搜索(Beetle Antennae Search，BAS)算法，是受到天牛觅食现象启发而开发的一种高效智能优化算法，具有局部搜索性能高，收敛速度快的特点，被用于解决诸多包括图像增强的α、β参数优化在内的优化问题。BAS算法用于图像增强的α、β参数优化问题时，由于只用一只天牛进行搜索，算法性能高度依赖个体，因而偏向局部搜索全局搜索能力较弱，在遇到复杂图像时收敛速度慢，寻优精度较低。即使将个体天牛沿用经典BAS算法的初始化方法扩充为种群，但由于是随机初始化，算法后期种群容易缺乏多样性，无法充分发挥群体智能思想的优点。这些算法缺点，会导致用不完全Beta变换函数进行图像增强时，α、β参数未能搜索到优值，使得增强图像的效果有限。<br/>
技术实现思路

[0005]专利技术目的：为了解决上述问题，实现更好的图像对比度和细节同步增强效果，本专利技术提出一种基于天牛须搜索与差分进化混合算法的图像增强方法。
[0006]技术方案：将局部搜索能力强的天牛须搜索(BSA)算法与全局搜索能力强的差分进化(DE)算法进行混合并使用佳点集方法初始化种群，得到天牛须搜索与差分进化混合算法，并将其用于优化非完全Beta函数的参数选择，实现图像增强，具体步骤包括：
[0007]S1：输入一幅数字图像f，对其进行灰度化处理、归一化操作。
[0008]S2：使用佳点集方法初始化天牛种群X，设置天牛须算法和差分算法参数。具体为：使用佳点集方法初始化天牛种群X＝{x1,x2,
…
,x
i
,
…
x
NP
}，NP为种群大小，其中x
i
的含义为种群第i个个体，且x
i
＝[x
i,1
,x
i,2
,
…
,x
i,j
,
…
,x
i,D
]，D为算法维数。在基于天牛须搜索与差分进化混合算法的图像增强方法中，D取值为2，即x
i
＝[x
i,1
,x
i,2
]，其中x
i,1
和x
i,2
分别储存非完全Beta函数中参数α和β的当前值。各参数具体设置为:初始化算法种群大小NP，算法维度D，最大迭代次数itMax，天牛两须初始间距d0，天牛须间距步长γ
d
，天牛移动步长δ
t
，天牛移动步长衰减因子γ
δ
。
[0009]S3：计算初始天牛种群适应度，选出并记录最优天牛及其适应度。适应度值的具体
计算步骤如下：
[0010]S301：基于当前解x
i
中的α和β参数的值，构造归一化非完全Beta函数灰度曲线来对图像进行变换，归一化非完全Beta变换函数的定义式为：
[0011][0012]其中，α、β的范围在[0，10]间，u为图像归一化后的灰度值。α和β的值不同，使用变换函数构造的灰度曲线增强图像也相应不同。
[0013]S302：计算步骤S301中的各个x
i
对应的增强图像的图像评估函数imgFitness的函数值，作为算法的适应度值。找到其中最大的适应度值imgFitness(x
i
)及其相对应的个体x
i
，用其更新最优适应度值imgFitness(BestX)和最优个体BestX。
[0014]前述图像评估函数imgFitness的表达式如下：
[0015][0016]S＝average(S
v
+S
h
)
ꢀꢀꢀ
(3)
[0017]式(2)中Std为输入图像的标准方差，H为输入图像的信息熵值，S为输入图像的边缘信息，式(3)中的S
v
和S
h
由常见的Sobel算子分别进行垂直和水平计算得到。Std、H和S的值越大，表示图像包含的信息越多且对比度越大。
[0018]S4：使用差分进化为每只天牛产生指导佳解TemV
i
。本步骤具体为使用差分进化的差分变异操作和差分交叉操作产生指导佳解。
[0019]前述差分变异操作如(4)式所示，是通过将种群中随机选择的两个个体与当前最优个体BestX进行加权差相加，来创建一个新个体以取代原个体。前述差分交叉操作如(5)式所示的，是对突变体v
i
和亲本x
i
进行离散重组，从而产生指导佳解TemV
i
。
[0020][0021][0022]式(4)、式(5)中，i,i1,i2∈{1,2,...,NP}，且互不相同，F为缩放因子，U
j
(0,1)是区间[0，1]内的随机数，交叉率CR∈[0,1]，k,j∈{1,2,...,D}为随机参数索引，D为算法维数，j＝k是为确保突变体至少在每个个体i中选择一个参数j进行变异，式(4)中的BestX为最优个体，式(5)中的TemV
i
为指导佳解。
[0023]S5：更新天牛位置，并更新最优解BestX及其适应度值imgFitness(BestX)。
[0024]S501：由天牛围绕步骤S4产生的指导佳解TemV
i
进行式(6)所示的天牛须扫描操作，然后利用扫描操作得到的信息进行式(8)所示的天牛移动操作。
[0025]前述天牛须扫描操作的目的是探测气味浓度更高的方向。前述天牛移动操作的目的是让天牛朝着更高浓度气味的方向移动。
[0026][0027]d
t
＝d0+γ
d
d
t
‑1ꢀꢀꢀꢀꢀꢀ
(7)
[0028][0029]δ
t
＝γ
δ
δ
t
‑1(9)
[0030]式(6)、式(7)、式(8)、式(9)中，t表示第t次迭代数。式(6)、式(8)中的分别代表第i只天牛左右两须位置，式(6)中的是随机单位向量，表示天牛移动的方向。式(6)中的d
...

【技术保护点】

【技术特征摘要】
1.一种基于天牛须搜索与差分进化混合算法的图像增强方法，其特征在于包括如下步骤：S1：输入一幅数字图像f，对其进行灰度化处理、归一化操作；S2：使用佳点集方法初始化天牛种群X，设置天牛须算法和差分算法参数；S3：计算初始天牛种群适应度，选出并记录最优天牛及其适应度；S4：使用差分进化为每只天牛产生指导佳解TemV
i
，本步骤具体为使用差分进化的差分变异操作和差分交叉操作产生指导佳解；前述差分变异操作是通过将种群中随机选择的两个个体与当前最优个体BestX进行加权差相加，来创建一个新个体以取代原个体，差分变异公式如下：前述差分交叉操作是对突变体v
i
和亲本x
i
进行离散重组，从而产生指导佳解TemV
i
，差分交叉公式如下：其中，i,i1,i2∈{1,2,...,NP}，且互不相同；F为缩放因子；U
j
(0,1)是区间[0，1]内的随机数；交叉率CR∈[0,1]；k,j∈{1,2,...,D}为随机参数索引，D为算法维数，j＝k是为确保突变体至少在每个个体i中选择一个参数j进行变异；差分变异公式中的BestX为最优个体；差分交叉公式中的TemV
i
为指导佳解。S5：更新天牛位置，即得到对应的新解TemX
i
，并更新最优解BestX及其适应度值imgFitness(BestX)；S501：由天牛围绕步骤S4产生的指导佳解TemV
i
进行天牛须扫描操作，然后利用扫描操作得到的信息进行天牛移动操作，更新天牛位置；天牛须扫描公式如下：d
t
＝d0+γ
d
d
t
‑1其中，t表示第t次迭代数；分别代表第i只天牛左右两须位置；是随机单位向量，表示天牛移动的方向；d
t
表示某时对应的天牛搜索区域，会随着时间推移而衰减；d0为初始天线距心距离；γ
d
是天牛须间距步长；利用扫描操作得到的信息进行天牛移动操作，目的是探测气味浓度更高的方向。前述天牛移动操作的目的是让天牛朝着更高浓度气味的方向移动，天牛移动公式如下：δ
t
＝γ
δ
δ
t
‑1其中，δ
t
表示每次迭代步长，随着时间推移减少；γ
δ
为天牛移动步长衰减因子；TemV
i
为步骤S4差分进化产生的佳解。S502：按照贪婪选择规则，更新最优解BestX及其适应度值imgFitness(BestX)；S6：判断是否达...

【专利技术属性】
技术研发人员：叶坤涛，舒蕾蕾，李文，费兴明，郜海毅，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：