應用高斯反向和聲搜索的圖像增強方法與流程

文檔序號：11775781閱讀：588來源：國知局

本發明涉及圖像增強領域，尤其是涉及一種應用高斯反向和聲搜索的圖像增強方法。

背景技術：

由于光照或圖像傳感器硬件限制等因素，數字圖像處理系統采集到的數字圖像往往存在著對比度不夠、曝光過度等問題，因此圖像增強技術廣泛應用在數字圖像處理系統中。為了增強圖像的質量，人們常常采用非完全beta函數對圖像進行非線性變換，但圖像增強的目標函數往往具有不連續、不可導的特性，而傳統優化算法難以有效地優化圖像增強的目標函數。因此如何為非完全beta函數選定合適的α和β參數一直是圖像增強技術中的難題。為了確定非完全beta函數的α和β參數，許多研究人員提出了基于演化算法的參數優化方法。演化算法是一種模擬自然現象的智能優化算法，它能夠有效地優化圖像增強目標函數。

鑒于演化算法的優點，許多學者提出了各種各樣的改進演化算法來提升圖像增強的效果，例如胡敬文等提出了一種基于穩態遺傳算法和retinex理論的彩色圖像增強方法，該方法利用穩態遺傳算法來優化圖像增強的目標函數，實驗結果表明所提出方法能夠比傳統方法獲得更好的圖像增強效果(胡敬文,聶承靜,劉世明.基于穩態遺傳算法和retinex理論的彩色圖像增強算法[j].內蒙古師范大學學報(自然科學漢文版),46(02):246-250,2017.)；雷選華等提出了一種使用混合智能優化算法的圖像增強方法，該方法把細菌覓食算法與粒子群優化算法相融合來優化圖像增強算子的參數，實驗結果表明所提出的方法不僅能夠在一定程度上提高圖像的對比度，而且可以較好地增強圖像的細節，并在一定程度上去除圖像的噪聲(雷選華,閆森,馬治國,孔小健.一種使用混合智能優化算法的圖像增強方法[j].光學與光電技術,2014,12(06):4-8)。

和聲搜索算法是一種模擬音樂家創作過程的演化算法。自從和聲搜索算法提出以來，許多研究人員將其應用到了流水車間調度、風力發電、機械故障診斷、圖像加密、網絡流量預測等工程領域，并且和聲搜索在這些實際工程應用中取得了比較滿意的結果。雖然和聲搜索在眾多的工程領域中取得了成功的應用，但傳統和聲搜索在增強一些復雜圖像時往往存在著收斂速度慢，圖像增強效果不佳的缺點。

技術實現要素：

本發明的目的是提供一種應用高斯反向和聲搜索的圖像增強方法，它能夠在一定程度上克服傳統和聲搜索在增強一些復雜圖像時容易出現收斂速度慢，圖像增強效果不佳的缺點，本發明能夠在一定程度上加快圖像增強的速度，提高圖像增強的效果。

本發明的技術方案：一種應用高斯反向和聲搜索的圖像增強方法，包括以下步驟：

步驟1，輸入一幅數字圖像img；

步驟2，用戶設置和聲庫的大小hms，選取概率hmcr，擾動概率par，最大評價次數max_fes；

步驟3，令優化參數個數d＝2，然后設置d個優化參數的下界lxj與上界uxj，其中維度下標j＝1,2；

步驟4，令當前演化代數t＝0，當前評價次數fes＝0；

步驟5，隨機產生初始和聲庫其中個體下標i＝1,2,...,hms；并且為種群pt中的第i個個體；個體存儲了非完全beta函數的α和β參數；

步驟6，計算和聲庫pt中每個個體的適應值；

步驟7，令當前評價次數fes＝fes+hms；

步驟8，保存和聲庫pt中的最優個體best^t；

步驟9，執行高斯反向操作產生一個新個體v^t，具體步驟如下：

步驟9.1，令計數器mj＝1；

步驟9.2，如果計數器mj小于或等于d，則轉到步驟9.3，否則轉到步驟10；

步驟9.3，按公式(1)計算和聲庫中第mj維的均值

步驟9.4，在[0,1]之間產生一個隨機實數gr；

步驟9.5，如果gr小于hmcr，則轉到步驟9.6，否則轉到步驟9.18；

步驟9.6，在[1,hms]之間隨機產生兩個不相等的正整數lr1和lr2；

步驟9.7，令

步驟9.8，在[0,1]之間隨機產生一個實數ptr；

步驟9.9，如果ptr小于par，則轉到步驟9.10，否則轉到步驟9.22；

步驟9.10，在[0,1]之間隨機產生一個實數tml；

步驟9.11，如果tml小于0.5，則轉到步驟9.12，否則轉到步驟9.14；

步驟9.12，按公式(2)計算高斯均值imu和高斯標準差isd：

步驟9.13，令其中normrand表示高斯隨機數產生函數，然后轉到步驟9.22；

步驟9.14，按公式(3)計算和聲庫中第mj維的搜索下界與搜索上界

其中個體下標i＝1,2,...,hms；min為取最小值函數；max為取最大值函數；

步驟9.15，令反向值其中rand為隨機實數產生函數；

步驟9.16，令采樣值并在[0,1]之間產生一個隨機實數gw；

步驟9.17，令然后轉到步驟9.22；

步驟9.18，在[1,hms]之間隨機產生一個正整數lr3；

步驟9.19，令隨機值rv＝lxmj+rand(0,1)×(uxmj-lxmj)，其中rand為隨機實數產生函數；

步驟9.20，令定向值

步驟9.21，令其中權值cw為[0,1]之間的隨機實數；

步驟9.22，令計數器mj＝mj+1，轉到步驟9.2；

步驟10，計算個體v^t的適應值；

步驟11，找出和聲庫pt中的最差個體并將其記為bworst^t；

步驟12，如果個體v^t優于bworst^t，則利用個體v^t替換bworst^t，否則保持bworst^t不變；

步驟13，令當前評價次數fes＝fes+1；

步驟14，令當前演化代數t＝t+1；

步驟15，保存和聲庫pt中的最優個體best^t；

步驟16，重復步驟9至步驟15，直至當前評價次數fes達到max_fes后結束，將執行過程中得到的最優個體best^t解碼為非完全beta函數的α和β參數，并利用以α和β為參數的非完全beta函數對圖像img進行非線性變換，即可得到增強的圖像。

本發明采用高斯反向和聲搜索算法來優化非完全beta函數的α和β參數，然后利用優化得到的非完全beta函數對圖像進行非線性變換以增強圖像的質量。在高斯反向和聲搜索中，將和聲庫的均值信息融合到高斯變異算子中，并以一定的概率執行反向學習操作加快算法的收斂速度，提高圖像增強的效果。本發明能夠在一定程度上加快圖像增強的速度，提高圖像增強的效果。

附圖說明

圖1為實施例中待增強的圖像。

圖2為應用本發明增強后的圖像。

具體實施方式

下面通過實施例，并結合附圖，對本發明的技術方案作進一步具體的說明。

實施例：

步驟1，輸入一幅如圖1所示的數字圖像img；

步驟2，用戶設置和聲庫的大小hms＝20，選取概率hmcr＝0.95，擾動概率par＝0.6，最大評價次數max_fes＝80；