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：２０９６－３８７４（２０２３）０１－００７１－０８基于改进ＭＣＬＰＳＯ算法及非完全Ｂｅｔａ函数的图像增强技术沈汝涵１，周孟然２（安徽理工大学１．力学与光电物理学院；２．电气与信息工程学院，安徽淮南２３２００１）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Ｂｅｔａ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ＰＳＯ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Ｂｅｔａ函数动态寻找最优值内的图像灰度曲线。将改进的ＭＣＬＰＳＯ算法与ＡＳＡＰＳＯ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ＭＣＬＰＳＯ算法在性能上更优；在实验中加入ＣＬＰＳＯ结合非完全Ｂｅｔａ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：ＴＰ３０１．６文献标识码：Ａ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［１］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...
