基于改进MCLPSO算法及...Beta函数的图像增强技术_沈汝涵.pdf

作者简介：沈汝涵，硕士，安徽理工大学力学与光电物理学院。研究方向：智能控制与图像处理。周孟然，博士，教授，博士生导师，安徽理工大学电气与信息工程学院。研究方向：控制工程。文章编号：（）基于改进 算法及非完全 函数的图像增强技术沈汝涵，周孟然（安徽理工大学 力学与光电物理学院；电气与信息工程学院，安徽 淮南）摘 要：针对已有智能算法在增强图像领域的效果并不理想等问题，改进一种新型竞争粒子群算法并提出利用此算法，结合非完全 函数上动态寻优调整灰度曲线的光电图像增强新策略。新策略主要从算法角度出发改进传统 算法，针对原有权重统一粒子分工相同的原始算法不能很好地实现自适应搜索，以及算法前期早熟、后期收敛缓慢等问题借鉴改进竞争学习策略，改进完成的新算法结合非完全 函数动态寻找最优值内的图像灰度曲线。将改进的 算法与 等六种算法，在常见基准函数上进行性能对比，结果显示改良后的 算法在性能上更优；在实验中加入 结合非完全 增强图像以及线性直方图增强图像作为对照组，结果显示改进后的新策略更胜一筹。综合结果显示，改进竞争粒子群算法在结合图像处理手段来增强低亮度图片，在多场景下有效并且能达到很好的效果。关键词：竞争学习；粒子群算法；融合算法；非线性图像增强 中图分类号：文献标识码：生活中缺少不了图片这一记录数据的载体，图像质量在产生时易受到拍摄环境外部光线以及光照强度等因素影响，并且随之产生低对比度以及噪声等缺点，理想图片效果难以达到。通常算法会采用全局增加亮度、提升全局对比度、全图去噪等方式。这些经典算法通常在一个方面上能取得很好效果，但在整体质量兼顾上仍然存在不足。随着计算机技术日益发展，需求发展让传统算法捉襟见肘，改进算法以及组合已有算法成为我们解决问题的方向。其中粒子群算法设计被广泛关注并被应用在各类问题中，但是算法在后期收敛缓慢和易早熟问题无法忽视。众多学者针对这些问题，总结创新了很多优化策略，主要可以分为三个方向：第一，最早出现是针对粒子群算法自身迭代策略的改进，将原本固定不变的学习因子和惯性权重系数改进，为其设置随着迭代次数线性或非线性动态变化调整策略。这一部分占设计中很大比例。在搜索的初期、中期及末期等阶段有着不同搜索重点，要求我们必须权衡前期和后期的搜索，在保证搜索精度情况下提升搜索速度。林川在较早时提出一种粒子按性能分工合作思路，将任务按照粒子性能进行分配。惯性权重分配取决于性能优劣，性能相比稍劣粒子所占粒子分配惯性权较小于是这类粒子可以迅速收敛。王生亮将种群进化离散度概念与 函数结合，非线性动态自适应惯性权重因子（）就此产生，不同进化粒子得到不同赋予权值，满足粒子群优化算法既不占用时间又能保证局部和全局开发。吴凡从公式角度对粒子群公式参数进行思考提出一种契合原有粒子进化规律，具有反向思维的递增曲线控参策略。王磊设计算法包括一种可以自适应调节惯性与学习因子算法，以及就解决全局最优值与种群最优值相距较远可能出现第 卷 第 期 年 月黑 龙 江 工 业 学 院 学 报（综 合 版）（）DOI:10.16792/ki.1672-6758.2023.01.015错误学习问题，提出限制扰动比例。第二，强强联合。通过将其他优势算法融合到粒子群算法中形成新算法，弥补原有粒子群算法不足。闫群民提出一种模拟退火粒子群优化算法，在迭代初始阶段根据种群初始状态设置初始温度，粒子经过每次迭代模拟在温度下降的环境下移动，根据米特罗波利斯准则判断干扰得到新解能否取代本轮中全局最优解，提高了在跳出最优方面的能力。第三，针对粒子种群拓扑结构进行改进。传统粒子群算法的单一处理粒子也是值得深入研究，所有粒子不论好坏共用同一种更新方式易导致种群单一性。张钰设计的 算法提出一种种群分三部分竞争进化策略，遇到最优问题时，采用竞争策略使不同区粒子按不同策略进化变异，其中优选区粒子可按照原有趋势运动，同时疏离区与合理区粒子都追随全新目标来更新自身飞行状态，这样的种群可以自适应地应对最优问题故能有效处理多峰问题。张津源提出了一种粒子群算法具备自动纠正学习策略和逐维学习进化策略。控制周期灵活配置将两种策略结合来控制算法随机性，逐维学习策略更新最优粒子，有效提高粒子寻优能力。尽管上述 算法都通过各自所提策略增强了算法跳出局部最优的能力，但是这些算法中粒子追随目标仍然以全局最优为主，陷入局部最优可能性依然存在。本文在不过多增加算法复杂度的前提下，通过改进学习更新过程算法形成了算法，种群多样性得到了保证，添加了合适权重处理策略，结合非完全 函数动态搜索最优灰度曲线。图像的非线性增强图像线性增强主要通过线性函数，主要思想是将图像灰度范围通过压缩或者拓展变成一个新灰度范围即增强原图里两个灰度值间动态范围来拉伸感兴趣区间达到增强图像的目的。而非线性图像增强则是通过非线性映射算法，通常我们用的方法是通过几种运算，指、对数运算以及幂运算。直方图增强实质也是一种特定区域的展宽，但是会导致图像曝光严重，造成一定失真。应用场景较为简单，不能处理复杂图像是线性增强通病。丁生荣提出一种基于非完全 函数的图像增强算法，此文解决了遗传算法等自适应确定 函数参数。其实也就是选择优化非线性函数取值，最优参数的获得可以意味着最优灰度变化曲线，即可以自适应并且增强图像。主要思路是先将不完全 函数归一化如式（）和式（）所示，通过调整 和 参数可以得到四种非线性曲线。（，）是通过调节系数进行暗区亮区变化的参数函数。当 时对亮区进行拉升，则是增大暗区的灰度差别，时为直线。（）函数则是非完全 函数。（，）（，）（）（）（，）（）（）（）（）经典粒子群算法粒子群算法（，）作为群智能算法中主要代表，是一种模仿鸟类随意觅食的搜索算法。“粒子”是算法核心代表了每个优化问题潜在解，故称其为粒子群算法。粒子群两个特征数值分别为适应值与粒子速度，适应值由被优化函数决定，速度则表示粒子寻找最优值可移动方向以及距离。粒子群算法主要思路是对一群粒子进行初始随机处理，然后根据粒子迭代更新位置找到最优解。每一次迭代中，粒子更新自身通过追踪两个极值：其一是粒子个体极值，是粒子在当前迭代次数所能取得最优解；另一个是全局极值由整个种群在当前迭代次数为止中找到的最优解。是粒子个体位置编号如式（）所示。（，），（）是各个粒子对应速度如式（）所示。（，），（）每个个体已经找到最优解 和一个整个群落找到最优解，这个粒子第 步所在位置，是第 个粒子更新速度与位置如式（）所示，其中的三部分包括第一部分为目前例子惯性；第二部分是个体粒子认为的向之前最优位置逼近的趋势；第三部分则是在领域内粒子向领域内最优位置逼近的趋势 是个体已知最优解，是种群已知最优解，为惯性权重，为加速常数（），是，范围内随机数。（）（）（）第 期黑 龙 江 工 业 学 院 学 报（综 合 版）年 则表示在 步中粒子位置，等于在 步的位置加上此刻时间的速度，通常将异步时间记为，故可以直接加 如式（）所示。（）粒子每次迭代中移动由对上一次速度继承、自身学习、种群信息交互三部分组成，运动习惯由粒子的惯性或动量反映；认知部分反映了向历史最佳位置逼近趋势；社会部分反映了向领域历史最佳位置逼近趋势。而爬山理论进一步说明，常规群算法思维即先全局搜索后局部搜索，因前期全局搜索为随机性，实质上为无方向性搜索，后期在已搜到全局解基础上局部搜索，易形成常见局部最优解。微粒群具有独特记忆能力，能够实时追踪目前的搜寻状况，并且对族群规模不敏感，甚至在族群数量减少时，也没有显著降低效能。影响函数的变异操作易导致粒子群算法结构失调及不易收敛，所以收敛精度相对于本文算法甚至是传统 算法都有所下降。算法改进 算法采用具有随机性和遍历性特征的混沌序列均匀地且不重复地初始化各个粒子位置；其次将种群分为三等，一等为处在全局最优处的最优粒子；第二等为全局最优附近有能力靠近全局最优的次优粒子和局部最优附近可以跳出最优的中等粒子；三等为局部最优附近不能跳出最优及处在局部最优点处下等粒子并且将粒子适应度进行排序；最后将跳出最优策略嵌入到 算法中，在发现早熟信号时利用相应策略来干扰当前粒子搜索路径。所以我们对于中等粒子采用式（），将原粒子迭代更新公式引入柯西变异增加随机性，既平衡了前期搜索也保证了后期收敛，（）则是循环迭代 次后粒子位置随机更新公式。（）（）（，）（）（）其中 为 ，为产生柯西变异产生随机数值，为迭代次数，为二等粒子所处位置。而第三类粒子适应度值不佳我们用自然选择策略将适应度不佳的粒子直接用第一类或第二类粒子适应值直接替换，这可有效减少迭代次数在无效搜索上。非线性增强流程：读取原图片。：设置算法环境与变量设置。：利用改进 算法设置适应度函数。：将图像归一化并且变成一维向量，利用改进算法 寻找最优 和 值。：将最优 和 值作为图像最优增强曲线数据并且将图像反归一化得到原图增强图像。实验仿真部分 改进算法能效测试设计基准函数对比实验，函数列表如表 所示，测试并检验新算法性能，比较新型粒子群算法在光电图像上增强效果。基准函数对比实验的主要目的是体现出新老算法在性能上的优劣，有助于下一步改进方案，图像增强对比试验是从感官和数据两方面直观体现出算法性能优劣。此次实验环境为 系统处理器为 ，运行内存 计算机，开发软件使用。表 基准测试函数列表序号测试基准函数（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）第 期基于改进 算法及非完全 函数的图像增强技术 年 本文采用 组实验对照新老算法在基准函数上收敛以及寻优情况，如图 所示。种群规模设置为；上下限设置（，）；设置；迭代回合设置 次。测试函数对比图如图 所示。（）（）（）（）（）（）图 六种测试函数对比图 可以清楚看出在测试函数（）中改进算法无论在收敛速度与精度上都完胜其余算法，并且后期克服最优的跳出策略能起到良好效果；在测试函数（）中，几种算法在前 回合内寻优效果均很优秀，但是在 回合之后体现出了差距，其中、以及本文改进算法 继续寻优而其余算法已经开始趋于收敛停滞，而在这三种算法中改进算法 虽然在 回合之后陷入最优但是后期跳出最优后继续寻优，并且效果最好；在测试函数（）中也是显而易见只有第 期黑 龙 江 工 业 学 院 学 报（综 合 版）年 可以与 进行对比，依然效果上 更优；测试函数（）中 有多次跳出最优动作，则得益于模拟退火策略，两算法的寻优结果近似，仍然劣于；在测试函数（）中 与 在寻优前 回合基本水平相同，回合到 回合之间 算法领先，但在 回合之后 算法趋于收敛结束搜索，后者居上在 回合附近寻得最优，说明 在此类函数上搜索能力并非最佳，还有可以提升空间；测试函数（）中 与 在 回合左右领先其他算法，在 回合左右被 算法追上并且保持到 回合附近，之后改进算法开始领先其余算法并保持到最终寻优结束。从上面六中测试函数对比中我们可以清楚地判断出改进后新算法在几类测试函数中均能够得到不错的寻优结果，并且在陷入最优后处理策略也起到了很好的作用，相比较于原 算法提升也是显而易见，与 和 算法相比也能在寻优速度与精度上处在较为明显的优势地位，基本达到改进算法的目的与预期要求，测试最优值均值结果如表 所示。表 测试最优值均值结果数据算法 在进行 次重复寻优实验后对最优值进行均值处理降低实验误差带来的偶然性，对比数据可以得出改进算法在五个测试函数寻优结果均是最好，在 测试函数中的结果也仅次于 半个数量级，相较其余算法起到了较好改进效果。非线性增强实验为了验证 结合不完全 函数非线性增强图像效果，选取两幅低对比度图像进行增强实验并展示效果，实验设置种群规模 为，迭代 次。除了主观上图像效果的直观对比，还应该通过客观精确评价标准来进行数值上衡量，所以引入（均方差）以及信息熵和交叉熵作为对比优劣的依据。公式如式（）所示（，）与（，）为图片各个像素灰度值，则是总图片像素大小。（，）（，）（）信息熵公式如式（）所示，（）则是图片像素概率，则是 算法。（）（）（）交叉熵公式如式（）、式（）、式（）所示，、分别为不同图片的像素值，表示真实分布，表示非真实，（）这里是指两