搜索
基于粒子群算法的图像增强图像增强的原理图像增强的方法图像增强的应用粒子群研究的内容粒子群的算法思想粒子群算法的改进研究粒子群研究展望图像增强粒子群算法图像增强图像增强算法图像增强，即有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。因此图像增强的研究具有重要的理论价值和现实意义。图像增强图1原始图像图2增强后的图像图3原始的灰度直方图图4增强后后的灰度直方图图像增强算法用matlab实现图像对比度增强算法图像对比度增强---增强图象中的有用信息，它可以是一个失真的过程，其目的是要增强视觉效果。将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。图像增强按所用方法可分成频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。图像增强算法基于小波变换的低对比度图像增强（1）针对传统算法存在噪声过增强的问题，提出了基于小波分析的图像增强算法。在小波变换多尺度分析的基础上，算法对图像多尺度分解得到的小波系数进行缩减去噪，然后在不同尺度上对各分解系数进行不同程度的增强；（2）对同一尺度的系数进行非线性处理以增加对比度；（3）增强低频子带图像的对比度以保证整体的增强效果，实验表明，该算法能有效地增强低对比度图像，减小了噪声的增强幅度，使结果图像具有很好的视觉效果。图像增强算法实验结果表明．该方法在去除噪声同时并使图像的整体对比度得到明显的改善，又能突出图像中目标的细节部分信息．有效增强了图像的视觉效果。空域中基于低对比度图像增强方法Enhancementoflowcontrastimageinspatialdomain针对低对比度偏暗并带有噪声的图像，结合人眼的视觉感知特性，提出了一种图像增强的新方法。首先在空域进行中值滤波去噪处理，然后对图像进行分块，对背景的亮度进行粗略估计．并用插值算法平滑数据．最后校正图像的不均匀性并将像素值调整到整个灰度级实现图像的增强。图像增强算法微光图像实时对比度增强处理对比度低是微光图像主要特征之一，对比度扩展是微光图像增强处理的重要技术手段。在分析不同照度下微光图像直方图分布的基础上，建立专门的灰度变换函数，并完成硬件电路的设计与调试，实现微光图像的实时处理。该方法可直接应用于微光电视系统，能够显著地提高微光图像质量。图像增强算法基于模糊逻辑的雾天降质图像对比度增强算法Contrastenhancementalgorithmforfog-degradedimagebasedonfuzzylogic提出一种新颖的雾天降质图像增强算法。该算法通过对降质图像进行规范化预处理，降低不同雾况对灰度级分布范围的影响，并对规范化后的图像，根据大气散射对对比度衰减的影响规律，在模糊域内实现对比度增强处理。实验结果表明，该算法可以有效提高雾天降质图像的对比度，视觉效果改善明显。图像增强算法多尺度Retinex灰度图像增强算法AnEnhancingAlgorithmoftheGreyImageBasedonMultiScaleRetinex为提高图像识别在分类时的质量，必须在图像的预处理阶段对噪声进行滤除，对图像中的目标对象加以增强。从研究图像增强的空域法入手，利用多尺度Retinex灰度图像增强算法完成图像的增强。仿真结果证明该方法可行，在完成图像增强的同时，对噪声有较好的抑制作用。做到改善图像颜色恒常性，压缩图像动态范围，提高对比度，有效显示淹没在阴影、光照等区域中的细节。在仿真实验中，对图像进行高斯滤波，确定了高斯滤波系数。图像增强算法外场实验表明，处理后的图像具有明显的局部对比度增强效果，同时较好地保持了图像的原始面貌。一种新的红外图像复合增强算法ANewCombinedAlgorithmforInfraredImageEnhancement通过对现有图像增强算法的分析，提出了一种新的红外图像复合增强算法。该算法将同态增晰和直接对比度增强算法结合，使得图像中的局部信息与全局信息在增强时都能被利用。图像增强算法基于粒子群优化的图像自适应增强方法Adaptiveimageenhancementbasedonparticleswarmoptimization将免疫粒子群优化算法和非完全Beta函数结合,提出了一种自适应图像对比度增强方法。利用免疫粒子群优化算法自动搜索最佳的灰度变换参数,从而获得一条最佳的灰度变换曲线,实现对图像进行全局增强处理。实验结果表明,该算法不仅能有效地提高图像整体对比度和视觉效果,而且适合图像的自动化处理。粒子群优化算法粒子群优化算法(particleswarmoptimization，PSO)是由Eberhart博士和kennedy博士提出的一种新的全局优化进化算法。源于对鸟群捕食的行为研究。在PSO框架下，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的例子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。pso算法思想粒子群优化算法是由一种新的全局优化进化算法。该算法源于对鸟类捕食行为的模拟。粒子群优化算法首先初始化一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。一个是粒子本身所找到的最优解，即个体极值。另一个是整个种群目前找到的最优解，称之为全局极值。pso在国内外的研究状况及发展趋势近年来PSO算法得到很大发展，并在多个领域得到应用如信号处理、生物信息学、电力系统优化、神经网络训练、数字电路优化、函数优化、交通事故探测、参数辨识等pso在国内外的研究状况及发展趋势1.如何利用生物技术研究计算问题是人工智能研究的重要方向之一。随着复杂适应系统(ComplexAdaptiveSystem,CAS)理论于1994年正式提出,基于该理论的群智能算法也随之飞速发展.CAS中的成员称为主体,主体有适应性,它能够与环境及其它主体进行交流,并且在交流的过程中“学习”或“积累经验”改变自身结构和行为。整个系统的演变或进化包括:新层次的产生;分化和多样性的出现;新的、更大的主体的出现等。CAS有4个基本特点:首先,主体是主动的、活的实体;其次,个体与环境及其它个体的相互影响、相互作用,是系统演变和进化的主要动力;再次,将宏观和微观有机地联系起来;最后,系统引入了随机因素。pso在国内外的研究状况及发展趋势2.粒子群优化算法(PSO)是基于群体智能的一种优化算法。该算法简单易于实现,可调参数少,得到了广泛的研究和飞速发展。粒子群优化算法(particleswarmoptimization，PSO)是一种新兴的启发式全局优化技术。其源于鸟群群体运动行为的研究，由于算法概念简单，易于实现，可调参数少，迅速得到了国际演化计算研究领域的认可，是当前群体智能领域的研究热点之一。pso在国内外的研究状况及发展趋势3.参考国内关于PSO的文献可知,有关PSO研究的内容可以分为基础研究和应用研究两大类。其中基础研究主要包括PSO的本身机理和严格的数学基础研究、PSO的收敛性、鲁棒性的数学证明等;应用研究不外乎发扬PSO的优点、克服PSO的缺点或不足、扩展PSO的应用范围三大类,主要研究方法是将一些先进技术引入到PSO中设计出一些改进的PSO,或将PSO和其它智能优化算法相结合设计出各种混合优化算法,或将PSO算法引入到离散系统、组合优化系统、非直角坐标描述系统,扩展PSO的应用范围。pso在国内外的研究状况及发展趋势4.PSO算法的改进研究可以归纳为两方面:一方面的研究是将各种先进理论引入到PSO算法,研究各种改进和PSO算法;另一方面是将PSO算法和其它智能优化算法相结合,研究各种混合优化算法,达到取长补短、改善算法某方面性能的效果。PSO研究展望因此PSO研究的主要方向和热点可以归纳如下:(1)算法基理的数学基础研究(2)将各种先进理论引入到PSO。各种先进理论的引入,可以研究性能良好的新型粒子群拓扑结构。(3)与其它智能优化算法的融合。(4)PSO的扩展应用。PSO研究展望（1）PSO在实际应用中被证明是有效的,但目前还没有给出收敛性、收敛速度估计等方面的数学证明,已有的工作还远远不够。PSO研究展望(2)将各种先进理论引入到PSO。首先可以研究性能良好的新型粒子群拓扑结构。不同的粒子群邻居拓扑结构是对不同类型社会的模拟,研究不同拓扑结构的适用范围,对算法推广和使用有重要意义;其次可以优化PSO的参数及其选择。参数的选择分别关系到粒子速度的3个部分:惯性部分、社会部分和自身部分在搜索中的作用。如何选择、优化和调整参数,使得算法既能避免早熟又能比较快速地收敛,对工程实践有着重要意义;PSO研究的主要方向和热点(3)与其它智能优化算法的融合。将PSO和其它优化算法进行融合,主要考虑如何将PSO的优点和其它智能优化算法的优点相结合,取长补短,构造出有特色、有实用价值的混合算法;PSO研究的主要方向和热点(4)PSO的扩展应用目前PSO的多数研究是针对直角坐标系统描述的系统、离散系统和单一优化系统,而实际系统中,很多系统是非直角坐标系统描述的系统、离散系统、组合优化的系统,目前在这些系统中应用PSO算法可供参考的研究还较少,广泛地开拓PSO在这些领域的应用不仅具有实际意义,同时对深化研究PSO也非常有意义。pso算法思想以及实现过程在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置式中：v[]——粒子的速度，persent[]——当前粒子的位置，pbest[]和gbest[]如前定义，rand()——介于(0，1)之间的随机数，c1，c2是学习因子。通常c1=c2=2。pso算法思想以及实现过程在式(1)中，等式右边共有3项：①是粒子上一次的速度与惯性因子的乘积，惯性因子是粒子上一次的速度对本次飞行速度的影响因子，由惯性因子对优化性能的影响可知，较大的值有利于跳出局部极小点，而较小的值有利于算法收敛；②是粒子自身行为差异比较；③是粒子群体行为差异比较。pso算法思想以及实现过程1.2基本粒子群算法的改进与遗传算法等其它全局优化算法一样，粒子群算法同样存在早熟收敛现象和后期振荡现象。利用免疫粒子群优化算法，把免疫系统的免疫信息处理机制引入到粒子群优化算法中，在粒子群优化算法的基本框架上，结合免疫系统的免疫信息处理机制给出了免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力、实现简单和免疫系统的免疫信息处理机制，从而避免了粒子群优化算法易于陷入局部极值点的缺点，提高了进化后期算法的收敛速度和精度。pso算法思想以及实现过程抗体多样性和免疫记忆是免疫系统的重要特性，在免疫调节中，那些与抗原亲和力大并且浓度较低的抗体会受到促进，而与抗原亲和力小或浓度较高的抗体将会受到抑制，以此保证抗体的多样性；免疫记忆是免疫系统将与入侵抗原反应部分的抗体作为记忆细胞保留下，对于同类抗原的再次侵入，相应的记忆细胞被激活而产生大量的抗体。把这种多样性和免疫记忆特性引入到粒子群优化算法中，可提高算法的全局搜索能力而不致陷于局部解[2]。抗体(粒子)的浓度越小，则选择的概率越大，而抗体(粒子)的浓度越大，则选择概率越小。这样，在保留高适应度个体的同时，进一步确保