下载文档原格式
第40卷第2期Vol.40㊀No.2重庆工商大学学报(自然科学版)J Chongqing Technol &Business Univ(Nat Sci Ed)2023年4月Apr.2023基于改进FA 算法与不完全Beta 函数的图像增强技术沈汝涵,周孟然,凌㊀胜安徽理工大学力学与光电物理学院,安徽淮南232001摘㊀要:针对传统计算机在复杂图像信息分析以及后期处理不达预期的问题,提出了利用改进原始的萤火虫算法(FA )在不完全Beta 函数上动态寻优调整灰度曲线的光电图像增强新策略㊂新策略主要从算法角度出发改进传统FA 算法,针对原有的吸引度容易造成局部最优等问题引入新吸引度公式㊁针对算法陷入局部震荡添加自扰动和克服陷入局部最优的迭代检测环节,改进完成的新算法(Firefly Algorithm Growth ,FAG )结合非完全Beta 函数动态寻找最优值下的图像灰度曲线㊂将改进的FAG 与FA 新老算法在四种常见基准函数上进行对比实验测试他们的性能,结果显示改良FAG 算法在性能上更优;在改良FAG 结合非完全Beta 与FA 结合非完全Beta 增强同一图像的实验中加入直方图算法增强图像作为对照组,综合结果显示改进后的新策略更胜一筹㊂综合结果显示群智能算法在结合图像处理手段来达到图像增强的目的上具有很好的应用价值,新策略在低对比度条件下的光电图像实现了有效的增强㊂关键词:萤火虫算法;不完全Beta 函数;图像增强;融合算法中图分类号:TP301.6㊀㊀文献标识码:A ㊀㊀doi:10.16055/j.issn.1672-058X.2023.0002.009㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-01-10㊀修回日期:2022-02-25㊀文章编号:1672-058X(2023)02-0057-07作者简介:沈汝涵(1997 ),男,安徽淮南人,硕士研究生,从事智能控制与图像处理研究.引用格式:沈汝涵,周孟然,凌胜.基于改进FA 算法与不完全Beta 函数的图像增强技术[J].重庆工商大学学报(自然科学版),2023,40(2):57 63.SHEN Ruhan,ZHOU Mengran,LING Sheng.Image enhancement technology based on improved FA algorithm and incompleteBeta function[J].Journal of Chongqing Technology and Business University (Natural Science Edition),2023,40(2):57 63.Image Enhancement Technology Based on Improved FA Algorithm and Incomplete Beta Function SHEN Ruhan,ZHOU Mengran,LING ShengSchool of Mechanics and Optoelectronic Physics,Anhui University of Science and Technology,Anhui Huainan 232001,ChinaAbstract :Aiming at the problem that the traditional computer cannot meet the expectation in the information analysis and post -processing of complex images,a new photoelectric image enhancement strategy was proposed,which used the improved original firefly algorithm (FA)to dynamically optimize and adjust the gray curve on the incomplete Beta function.The new strategy mainly improved the traditional FA algorithm from the perspective of the algorithm,introduced a new attraction formula for the original attraction degree that was prone to local optimality,added self -perturbation to solve the problem that the algorithm fell into local oscillation,and avoided the iterative detection link that fell into local optimality.The improved new Firefly Algorithm Growth (FAG)was combined with an incomplete Beta function to dynamically search for image gray curve under optimal value.The improved FAG was compared with the old and new FA algorithms on four common benchmark functions to test their performance,and the results showed that the improved FAG algorithm was superior in terms of performance.In experiments where the same image was enhanced by the improved FAG combined with incomplete Beta and FA combined with incomplete Beta,the histogram algorithm was added to enhance the image as the control group,and the comprehensive results showed that the improved new strategy was superior.The results show that the swarm intelligence algorithm has a good application value in the combination of image processing means to achieve the purpose of image enhancement.The new strategy can effectively enhance photoelectric images under the condition of low contrast.Keywords :firefly algorithm;incomplete Beta function;image enhancement;fusion algorithm重庆工商大学学报(自然科学版)第40卷1㊀引㊀言人们的日常生活中缺少不了光电图像增强,不仅实用且应用广泛㊂针对不同的场合,增强后的图像不仅能够提升感兴趣部分,压抑不感兴趣的部分来提升整体对比度以获取更多的信息㊂常见的处理方法包括两种,一是直接对图像灰度级进行处理的算法,通常认为这是在空域操作,另外一种则是基于频域改变图像的变换系数值㊂不同非线性函数应用在不同灰度特性图像上,快速寻找出适合的非线性函数是待解决的主要问题㊂古良玲[1]对非完全beta函数进行改进,很好地解决了因确定Beta函数参数具有主观性㊁盲目性从而导致的图像增强效果不显著的问题,利用模拟退火算法提升了寻找参数的速度㊂王小芳[2]提出一种模糊蚁群算法,将图像经过灰度线性变换后将边缘点进行聚类,再利用蚁群搜索之后的多张边界图进行叠加得到增强的图片㊂两者的研究都是利用了群算法在快速搜索区域内最优解的基础上改良图像处理方法,前者关注点为图像的灰度曲线的自适应获取,后者则是图片的混合增强来增强图像边缘,为改进策略开拓了两种不同的思路㊂但古良玲采用的模拟退火算法在性能上仍然欠优,采用新的群算法会有更好的提升空间;王小芳混合图片只是对于前者的变化后的图片进行多次叠加来获取最优,容易引入人为误差㊂FATEENSEK[3]提出了IFA(Intelligent Firefly Algori thm)㊂IFA能高效解决全局优化的问题㊂这种改进从算法的底层逻辑加以完善,将原有的萤火虫位置公式从有规律可循变成随机形式,增加了算法的随机性㊂张慧宁[4]针对早熟收敛现象在萤火虫算法后期影响寻优而改进局部扰动,防止陷入局部最优,提高了局部寻优的效率,很好地提升了田舍的边界的区分度㊂俞文静[5]针对萤火虫算法改进位置更新策略克服了陷入极值的问题,采用自适应变步长策略同时改进了荧光素α的挥发与增益效率β,算法收敛性与图片清晰度都有一定的提升㊂张慧宁㊁俞文静的贡献是针对萤火虫陷入局部震荡的缺陷进行改良,效果显著㊂郭红山[6]对红外热区进行快速确定标示,用萤火虫优化算法进行半径动态数据更新在其决策域内,结果表明FA算法在增强红外图像领域效果显著㊂另外还有很多学者在群算法以及创新改进图像处理手段方面做出自己的贡献㊂本文研究内容主要从改进算法角度出发,改进原始FA函数,下文简称新函数FAG,改进的算法包括了从算法的初始化阶段的更新,以及核心的吸引力公式的改良㊂此外参考古良玲所采用的非完全Beta函数,利用改进的新群智能算法拟合非完全beta函数寻找图像的灰度曲线的最优值来增强图像㊂2㊀算㊀法2.1㊀萤火虫算法萤火虫算法(Firefly Algorithm,FA):一种新型群智能优化算法㊂标准萤火虫提出基于三个理论:其一是萤火虫不分性别,这样所有的萤火虫都可不分性别吸引周围的萤火虫,这种观念区分于其他群居算法例如狮群算法的性别分工以及蚁群算法的蚁后;第二点是萤火虫之间的吸引力随着荧光的亮度增加而增加与随距离的增加而减少;第三点萤火虫亮度应由待优化的目标函数决定[7]㊂总结来说就是萤火虫自身因目标函数而存在光亮,带较暗荧光的萤火虫会被亮度较亮的萤火虫所吸引,也就是带有更好的目标函数的萤火虫,并且向之移动且更新自身的定位,而相同亮度的萤火虫不会互相吸引,而是随机运动㊂萤火虫的荧光相对亮度计算为l=l0ˑe-γr ij(1)笛卡尔距离r ij计算公式如下:r ij= x i-x j =ðd k=1x i,k-x j,k()2(2) l0为初始亮度㊂吸引力的定义为如下:β=β0ˑe-γr2ij(3)式(3)中的β0为最大吸引强度,萤火虫移动的距离与吸引度的值成正比,从多篇文献的实验结果来看β0通常可以取值为1[8]㊂γ的值代表了空气吸收光率,取值范围通常在(0.1,10)之间,不同的问题在取值的时候差异会较大㊂位置更新函数:x^i=x i+βˑx j-x i()+αεj(4) x i与x j是萤火虫的各自位置,x^i为更新后空间位置,步长α范围在(0,1)之间,εj是随机数向量㊂2.2㊀图像的非线性增强图像的线性增强主要通过线性函数,主要的思想是通过将图像的灰度范围压缩或者拓展变成一个新的灰度范围即增强原图里的两个灰度值间的动态范围来拉伸感兴趣的区间从而达到增强图像的目的㊂而非线性图像增强则是通过非线性映射算法,通常我们常用的方法是通过几种运算,指数㊁对数运算以及幂运算㊂非线性变换往往通过灰度压缩,来增强其他范围的图像信息来改善整张图片的信息㊂更常见的就是直方图85第2期沈汝涵,等:基于改进FA 算法与不完全Beta 函数的图像增强技术增强,直方图通过积分概率密度函数转化为概率密度为1的图像,从而达到增强图像的作用,直方图均衡化的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㊂当原始图像给定时,对应的直方图增强的效果也是固定的,所以应用的场景较为简单,不能处理复杂的图像㊂丁生荣[9]提出一种基于非完全Beta 函数的图像增强算法,此文解决了遗传算法等自适应确定Beta 函数参数㊂其实也就是选择优化非线性函数的取值,最优参数的获得意味着最优的灰度变化曲线,即可以自适应并且增强图像㊂首先将不完全Beta 函数归一化:F (α,β,x )=B -1(α,β)x ʏx 0t α-1(1-t )β-1dt(0<α,β<10)(5)其中B(α,β)=Γ(α)Γ(β)/Γ(α+β),通过调整α,β参数可以得到四种非线性曲线㊂当α>β时对亮区进行拉升,α<β则是增大暗区的灰度差别,α=β=1时为直线㊂处理步骤如下:先判断图像的色彩如果是彩色则处理如下:f ᶄ(x ,y )=f (x ,y )-G minG max -G min(6)f ᶄ(x ,y )表示归一化后的灰度值,G max 和G min 是灰度的最大与最小值,f (x ,y )ɪ[G max ,G min ],所以f ᶄ(x ,y )ɪ[0,1]㊂F (u )为归一化后的非完全Beta 函数(0<0<1),公式如下:gᶄ(x ,y )=F f ᶄ(x ,y )()0ɤgᶄ(x ,y )ɤ1()(7)其中,G max =255,G min =0㊂将图像的优化函数作为图像的方差,对于M ˑN 大小的图像计算方法如下㊂f (I )=1MN ðM i =1ðN j =1I 2(x ,y )-∣1MN ðM i =1ðNj =1I (x ,y )2(8)2.3㊀经典萤火虫算法及改进算法介绍针对原始萤火虫的步长通常设置为固定值,不能在算法的前期后期很好地适应萤火虫的搜索需求的问题以及萤火虫步长周围并没有更优的荧光吸引导致保持原位置不更新等问题,众多学者采取了一些可行且有效的策略加以改进㊂FARAHANI 等[10]提出一种混合算法将GA 与FA融合将两个子群交换后再进行下一轮迭代,提高了萤火虫算法的前期搜索的效果的同时采用Gauss 函数随机设置步长㊂另外在前期的超级个体会大量地吸引其他大型个体导致了种群数数的大量下降,导致的收敛能力的下降甚至停滞㊂符强[11]在他的改进算法中提出将萤火虫分成若干个子群,利用不同的寻优方式进行迭代,其中他设置了三次迭代对比最优值的检测环节来判断算法是否陷入最优发生早熟,此外决策层萤火虫的设置为子群向有着更优值的子群学习提供了很好的例子,能够很好地跳出震荡㊂李肇基[12]在萤火虫算法中加入了进化模型改进了萤火虫的随机分布的混沌优化策略,他关注到萤火虫的初始化分布通常会导致有规律可循等问题,导致种群分布不均,混沌优化很好地解决了这种初始就聚集的情况㊂另外也提到了改进萤火虫步长,他提出的是一种权重设置,步长的权重随着萤火虫取得的最优解来自适应确定,体现出了萤火虫的差异性,增加了算法的适应性㊂左仲亮[13]在文章中提出改进轮盘赌问题中的个别萤火虫在初始化中距离最优萤火虫较远而不移动,此外还吸引了周围更劣萤火虫聚集的问题,所以他提出让这些萤火虫在初始阶段先进行20次的无序随机移动,并且比较结果,选取中间最优的位置作为更新位置㊂这种思路可以很好地解决初始位置问题㊂王航星[14]则针对这种范围内没有目标而不更新的萤火虫提出了一种自适应吸引距离,根据萤火虫自身的荧光限制周围萤火虫的被吸引数量,减少了算法跟踪更新位置而造成的过量计算,能够很好地提升算法的速度,降低运行时间㊂左仲亮做出的改进是提出优化策略使算法的初始化更加随机增加算法的算力,避免振荡陷优;李肇基建立的是萤火虫的个体差异,每一个萤火虫都是独一无二的,增加算法随机性;王航星的自适应吸引范围能够限制萤火虫的劣性聚集;符强设置决策层为萤火虫更新提供模板,众学者的改进想法为进一步改进提供了思路㊂2.4㊀改进萤火虫算法(FAG )在本文中加入随机因素来进行扰动㊂根据已有公式构建了一个新的吸引度公式如下β=β0e-γr 2iyR i(9)其中,R i 取指数分布,并且在迭代的过程中会进行位置的判定,如果在某个最优点停留的次数超过某个阈值时,会让全体点中最好的百分之二十替换最差的百分之二十,其余的点进行高斯变异㊂此外参考了GAUSS 函数随机步长设计了一种新的递减步长,有利于迭代的前几轮能够大范围有效搜索,步长衰减有利于迭代后期的精细搜索[15]㊂95重庆工商大学学报(自然科学版)第40卷α=α0δt S(10)其中,衰减系数δ取值(0,1),t 为迭代时间,目标域S 为目标函数的待优化区域㊂于是新的位置更新移动公式为x ^i =x i +β0e-γr xy 2R i (x j -x i )+α0δt S(11)2.5㊀算法FAG -N -B 增强图像算法流程(1)读入图片并判断是否为灰度图片,彩色图则进行灰度化处理和归一化处理㊂(2)初始化算法环境并定义目标函数以及设置算法参数和迭代的回数㊂(3)利用改进算法,将原步长替换为改进的衰减步长,进行位置更新并迭代,标记停留最优解超过迭代次数阈值的嫌疑个体,选取全体百分之二十的优秀个体替代最差的百分之二十个体㊂找出最优解,并赋值给拟合函数[16]㊂(4)输出反归一化的图像增强后的图片㊂3㊀实验仿真部分设计基准函数的对比实验测试并检验新算法的性能,比较新型萤火虫算法在光电图像上的增强效果㊂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,图像增强对比实验是从感官和数据两方面直观体现出算法的性能的优劣㊂此次实验环境为Window 10系统,处理器为Intercore -I5-5200u -2.20HZ,运行内存8GB 的计算机,开发软件使用的是MatlabR2020b㊂3.1㊀基准函数对比试验本文采用4组实验对照新老算法在基准函数上的收敛以及寻优情况(表1)㊂种群规模设置为30,迭代500次㊂变量的上边界以及下边界设置为10和0.5,初始步长设置为0.2,递减系数δ取0.95[17]㊂表1㊀基准函数Table 1㊀Reference function基准函数表达式F 1=1+14000ðDi =1x 2i-ᵑD i =1cosx ii()F 2=max x i x i ,1ɤi ɤn {}F 3=ðn i =1x2i -10cos 2πx i ()+10[]F 4=-20exp -151nðn i =1x2i()-exp1nðn i =1cos (2πx )i()(+20+e在基准函数F 2下可以看到改进FAG 收敛速度与趋势明显较传统FA 加快,且传统FA 算法在迭代50次附近,以及到100次附近跳出局部最优的效果并不好,在120次迭代附近彻底收敛㊂从F 1基准函数迭代曲线看出FAG 收敛速度前期20次迭代次数内不如原始FA,但是在解决陷入最优解的问题方面以及过早收敛的方面表现更优,F 3,F 4并且基本在迭代30次左右就能彻底超过FA,并且在基准函数F 3测试中FAG 在50次㊁100次左右以及250次以后的克服陷入局部最优的自动调节得到较好地体现(图1)㊂I t e r a t i o n 100200300400500O p t i m u m f i t n e s s1010-10B e s t s c o r e o b t a i n e d s o f a rF AF A G(a )F 1迭代寻优曲线I t e r a t i o n 100200300400500O p t i m u m f i t n e s s10010-10B e s t s c o r e o b t a i n e d s o f a rF AF A G(b )F 2迭代寻优曲线I t e r a t i o nO p t i m u m f i t n e s s10010-20B e s t s c o r e o b t a i n e d s o f a rF AF A G(c )F 3迭代寻优曲线6第2期沈汝涵,等:基于改进FA 算法与不完全Beta 函数的图像增强技术I t e r a t i o n100200300400500O p t i m u m f i t n e s s1010-10B e s t s c o r e o b t a i n e d s o f a rF AF A G(d )F 4迭代寻优曲线图1㊀4种基准函数对照图Fig.1㊀Comparison diagram of four benchmark functions3.2㊀图像增强实验为了验证FAG 与不完全Beta 函数自适应图像增强算法的可行性,选取一幅低对比度图像进行增强实验并展示效果:种群规模MP =30,迭代500次Max Cycle =500,个体的范围大小为(0~255)㊂除了应该首先通过视觉上的主观感受来判断改良的算法在光电图像增强上的效果,还应该通过客观精确的评价标准来进行衡量,所以引入均方差(MSE )以及信息熵和交叉熵作为对比优劣的依据[18]㊂MSE 公式如下:MSE =ðM i =1ðNj =1(f (i ,j )-g (i ,j ))2MN(12)信息熵公式:E 2=ðL -1i =0P e (i )lb P e (i )[](13)以及交叉熵的计算公式:CE (T ,V ,F )=CE (T ,F )+CE (V ,F )2(14)CE (T ,F )=ð255i =0h T (i )log 2h T (i )h F (i )(15)CE (V ,F )=ð255i =0h V (i )log 2h V (i )h F(i )MSE 表示大小M ∗N 的原图f 和增强后图像g 的均方误差,对比度信息转变为数字的大小㊂方差较小则表示图像在此区域内较为平缓,变化的幅度有限,信息表现较少,方差大则刚好相反㊂信息熵则是最直接反映图像细节内容量的评价标准,信息熵数值与呈现的信息量成正比㊂图片通过增强之后,理论上在明暗变化上会更加强烈,信息熵相比会增加,信息熵越高也可以认为是图片的质量越高,交叉熵计算得到的值越小代表和原来两幅图像一致,保留的细节也就越多㊂扭曲程度反映了图像的光谱失真程度㊂通过对每幅图像独立运行20次求出原始图像与另外增强方法得到的图像的亮度㊁对比度和信息熵,将其看作客观定量评价指标,得到以下结果,请见下表2㊂表2㊀增强图像数据对比Table 2㊀Data comparison of enhanced images算㊀法FAG -N -betaFA -N -beta 直方图增强MSE 6.1938e +035.9654e +093.3421e +10信息熵(bit )7.887.237.50交叉熵7.42 5.067.65扭曲程度78.9555.00132.85标准差74.4342.5969.85图2(a)为原始图片,图2(b)表示的是FAG 算法结合非完全BETA 函数,图2(c)表示原始FA 算法,最后一张为直方图增强的结果㊂多次独立运行得出数据排除错误数据进行平均处理可以克服因智能算法的随机性带来的影响㊂图2(b)㊁图2(c)可以看出FAG 结合非完全Beta 在亮度,对比度方面相较于原图以及其他两种算法的提升颇为明显,说明了本文的增强算法性能取得较大改善,在图像清晰度的方面能够保证与原图的基本持平㊂而对比原始FA -N -B 增强算法以及FAG -N -B 增强算法,可以发现在细节处的明暗表现更加保真而不至于过曝光,最显而易见的就是4张图左上方的住宅楼的外窗轮廓,原图几乎不可见,增强后的图片都将这一部分信息体现了出来,而直方图增强算法的增强效果虽然突出了感兴趣的部分,但是地面阴影区域信息丢失严重,图像的深色区域出现过曝光的问题,增加了噪声,影响了图片的整体清晰度,且直方图增强后的图片的光谱色彩失真较为严重,在非线性的增强策略中FAG -N -B 取得了较好的效果㊂(a )原图像16重庆工商大学学报(自然科学版)第40卷(b )FAG -N -B增强图像(c )FA -N -B增强图像(d )直方图增强图像图2㊀4种算法图像增强效果图Fig.2㊀Image enhancement effect of four algorithmsMSE 对比中FAG -N -beta 的数据最大,数字大小体现出来FAG -N -beta 增强的图片明暗对比最大,区域变化较大,增强效果更好;信息熵的对比中同样也是FAG -N -beta 策略增强效果更好㊂在交叉熵中FAG -N -beta 与直方图数据近似但是都要优于FA -N -beta 的增强效果;扭曲程度的对比直方图的失真程度较大,FA -N -beta 增强效果虽然较FAG -N -beta 更好,这是我们需要继续改进的地方但是结合前几项对比,综合考量还是FAG -N -beta 的整体图片增强效果更优㊂4㊀结㊀论从图1的对照实验可以发现在四个基准函数下改进FAG 收敛速度与趋势明显较传统FA 加快,且传统FA 算法在迭代50次附近,以及到100次附近跳出局部最优的效果并不好,而改进FAG 在100次不到的迭代的次数内已经彻底超过FA㊂通过观察改进算法FAG 与原FA 算法的寻优迭代实验结果,可以得出FAG 算法在收敛速度以及精度上都有很好的提升,算法跳出局部最优的能力和鲁棒性相较于原有FA 算法效果更好㊂从表2的对比原始图像的数据上看,FAG -N -B 与FA -N -B 对比MSE 以及信息熵均是改进算法FAG 结合非完全beta 取得更好的效果,图片的信息表现得更充分㊂所以从两方面的数据显示,以及最后图片呈现的效果来说改进FAG 算法比原FA 算法表现更好,FAG -N -B 算法在增强图片的性能方面较原始的算法来说有不小的提升㊂FA 作为一种新型群智能算法,相比粒子群和蚁群等具有良好的全局收敛性能和稳定性,但仍然存在一系列问题㊂利用萤火虫算法的快速搜索的特性,应用在图像处理领域,针对其发现率低㊁求解精度不高㊁求解速度慢等因素改进原算法,为了提高算法的性能,引入了随机因素来产生扰动破坏局部最优解,以及加入了疑似陷入最优解后的自检步骤,另外补充了改进版本的递减步长,在4种不同类型的基准函数上也取得了不错的结果,稳定收敛㊂非完全Beta 拟合灰度图像变换函数后,FAG 算法寻优动态α,β利用最佳的灰度曲线增强图像㊂多种改进机制的融合,算法的初期全局的探测的水平得以提升,并且在后期的局部搜索的能力也并没有降低,达到了两者很好地结合,体现了新策略的有效性㊂参考文献 References1 ㊀古良玲 王玉菡.基于模拟退火遗传算法的图像增强 J .激光杂志 2015 36 2 19 22.GU Liang-ling WANG Yu-han.Image enhancement based onsimulated annealing genetic algorithm J .Laser Magazine2015 36 2 19 22.2 ㊀王小芳 邹倩颖 彭林子 等.融合模糊聚类的蚁群图像增强算法 J .数据采集与处理 2020 35 3 506 515.WANG Xiao-fang ZOU Qian-ying PENG Lin-zi et al .Ant colony imageenhancementalgorithmbasedonfuzzyclustering J .Journal of Data Acquisition &Processing2020 35 3 506 515.3 ㊀FATEEN S E K BONILLA-PETRICIOLET A.Intelligent fireflyalgorithm for global optimization M .Cuckoo Search and FireflyAlgorithm.Springer vol 516 2014 .4 ㊀张慧宁 郭红山.基于改进萤火虫算法的模糊农业遥感图26第2期沈汝涵,等:基于改进FA算法与不完全Beta函数的图像增强技术像增强效应J .江苏农业科学2017 45 1 205 208. ZHANG Hui-ning GUO Hong-shan.Enhancement effect of fuzzy agricultural remote sensing image based on improved firefly algorithm J .Jiangsu Agricultural Sciences 2017 451 205 208.5 ㊀俞文静刘航李梓瑞等.基于改进萤火虫优化算法的视频监控图像增强J .计算机技术与发展2020 304 195 199.YU Wen-jing LIU Hang LI Zi-rui et al.Video surveillance image enhancement based on improved firefly optimization algorithm J .Computer Technology and Development 2020 30 4 195 199.6 ㊀郭红山张慧宁.基于萤火虫算法的农业遥感图像增强研究J .浙江农业学报2016 28 6 1076 1081. GUO Hong-shan ZHANG Hui-ning.Research on agricultural remote sensing image enhancement based on firefly algorithm J .Acta Agriculturae Zhejiangensis 2016 28 6 1076 1081.7 ㊀王沈娟高晓智.萤火虫算法研究综述J .微型机与应用2015 34 8 8 11.WANG shen-juan GAO Xiao-zhi.A survey of firefly algorithms J .Microcomputer&Its Applications 2015 348 8 11.8 ㊀ZHOU L DING L MA M et al.An accurate partially attracted firefly algorithm J .CrossRef 2018 1015 477 493.9 ㊀丁生荣马苗郭敏.人工鱼群算法在自适应图像增强中的应用J .计算机工程与应用2012 48 2 185 187. DING Sheng-rong MA Miao GUO Min.Application of artificial fish swarm algorithm in adaptive image enhancement J .Computer Engineering and Applications 2012 482 185 187.10 FARAHANI S M ABSHOURI A A NASIRI B et al.An improved firefly algorithm with directed movement C // Proceedings of20114th IEEE International Conference on Computer Science and Information Technology ICCSIT2011 VOL04.Institute of Electrical and Electronics Engineers 2011 4.11 符强童楠赵一鸣.一种基于多种群学习机制的萤火虫优化算法J .计算机应用研究2013 30123600-3602 3617.FU Qiang TONG Nan ZHAO Yi-ming.A firefly optimization algorithm based on multi population learning mechanism J .Computer Application Research 2013 30123600-3602 3617.12 李肇基程科王万耀等.一种改进的进化模型和混沌优化的萤火虫算法J .计算机与数字工程2019 4771605 1612.LI Zhao-ji CHENG Ke WANG Wan-yao et al.An improved evolutionary model and chaotic optimized firefly algorithm J .Computer and Digital Engineering 2019 4771605 1612.13 左仲亮郭星李炜.一种改进的萤火虫算法J .微电子学与计算机2018 35 2 61 66.ZUO Zhong-liang GUO Xing LI Wei.An improved firefly algorithm J Microelectronics and Computer 2018 35261 66.14 王航星潘巍.基于自适应吸引半径的萤火虫算法的粒子滤波J .计算机应用研究2019 36 12 3632 3636.WANG Hang-xing PAN Wei.Particle filter of firefly algorithm based on adaptive attraction radius J .Computer Application Research 2019 3612 3632 3636.15 王奎黄福珍.基于光照补偿的HSV空间多尺度Retinex图像增强J .激光与光电子学进展1 20.WANG Kui HUANG Fu-zhen.HSV spatial multi-scale Retinex image enhancement based on illumination compensation J .Laser&Optoelectronics Progress 1 20.16 PENG Qiong.A self-adaptive step glowworm swarm optimizationapproach J .International Journal of Computational Intelligence and Applications 2019 18 1 2022 59 10 102 113.17 宋娟全惠云.图像增强技术中的智能算法J .华东师范大学学报自然科学版2007 3 93 99.SONG Juan QUAN Hui-yun.Intelligent algorithm in image enhancement technology J .Journal of East China Normal University Natural Science 2007 3 93 99.18 刘畅刘利强张丽娜等.改进萤火虫算法及其在全局优化问题中的应用J .哈尔滨工程大学学报2017 38 4569 577.LIU Chang LIU Li-qiang ZHANG Li-na et al.Improved firefly algorithm and its application in global optimization problems J .Journal of Harbin Engineering University 2017 38 4 569 577.责任编辑:陈㊀芳36。
基于深度学习技术的图像增强算法研究随着数字摄影技术的发展，人们拍摄出的照片越来越多，但是很多人会发现，照片的质量并不能够满足想要印出来做成相册或是安放在家中展示的需求。
这时候图像增强算法就能够发挥作用了，通过计算机技术对照片进行处理，使得画面更加鲜明、清晰。
而近年来，深度学习技术的出现，为图像处理领域带来了更加强大的工具，各种基于深度学习的图像增强算法应运而生。
那么，何为图像增强？简单来说，图像增强就是对图片进行质量提升的过程。
常见的图像增强方法有灰度变换、直方图均衡化、空间域滤波等。
这些方法通过改变像素的灰度值或是结构，以达到改善图像品质的目的。
但使用这些方法也存在一些问题，例如可能出现过度增强、失真等情况。
相比之下，基于深度学习的图像增强算法在一定程度上可以缓解这些问题，其背后的原理是通过大量数据训练神经网络来优化图像增强处理。
在基于深度学习的图像增强算法中，常用的神经网络有CNN、GAN等。
CNN 是卷积神经网络的缩写，主要针对数据类型为图像的情况。
它通过学习图片上的特征后，能够用于图像分类、目标检测、特征提取等应用。
而GAN是生成式对抗网络的缩写，它由生成器与判别器两个部分组成，经过多次迭代后，能够生成最佳的结果。
在图像增强方面，GAN能够模拟出更多的数据，使得处理后的图片更加自然。
近年来，基于深度学习的图像增强算法在各个领域中得到了广泛的应用。
例如在医学影像处理中，基于深度学习的算法能够帮助医生更好地诊断病情；在自动驾驶中，通过算法对图像进行处理，车辆能够更好地感知路况；在安防领域中，图像增强算法能够帮助人们更好地辨认画面中的人脸等。
这些应用的背后都离不开深度学习技术的支持。
总之，基于深度学习的图像增强算法是近年来发展起来的一种新技术，在各行各业中都有广泛的应用。
它通过神经网络的学习，能够对图像进行更加准确、自然的处理，使得人们能够看到更好的画面效果。
当然，也有需要改进的方面，例如对于大规模数据的处理速度等问题，需要我们继续努力去完善。
图像处理中的图像增强算法评估与改进图像增强是数字图像处理中的重要内容之一，其目的是改善或增强图像的视觉效果，提高图像的质量和可读性。
图像增强算法根据不同的应用领域和需求，有多种不同的方法和技术。
本文将针对图像增强算法进行评估与改进。
一、图像增强算法评估图像增强算法的评估是为了确定算法的性能和效果，对比不同算法的优劣，并为改进算法提供指导。
图像增强算法的评估可从以下几个方面进行：1. 主观评价：主观评价是通过人眼观察和判断来评估图像增强效果的好坏。
人眼判断的主观性较强，需要评价者具备一定的专业知识和经验。
主观评价通常通过主观评分法、可接受性评估和实验用户调查等方法进行。
2.客观评价：客观评价是通过一些定量的指标或算法对图像增强算法进行评估。
常用的客观评价指标包括图像对比度、图像亮度、锐度等。
另外，也可以使用峰值信噪比（PSNR）、结构相似性指数（SSIM）等公认的客观评价指标来评估图像增强算法的性能。
3.算法速度：算法速度是评估图像增强算法的另一个重要因素。
在实际应用中，图像增强算法需要在较短的时间内完成，因此快速的算法更受欢迎。
算法速度的评估可通过计算算法的执行时间来获得。
综合以上评价指标，可以比较不同图像增强算法的优劣，为改进算法提供依据。
二、图像增强算法的改进1. 基于传统图像增强算法的改进：传统的图像增强算法包括直方图均衡化、灰度拉伸、滤波器等。
对于这些传统算法，可以通过调整参数和改进算法步骤来提升算法的性能。
例如，可以根据图像的特点，改进直方图均衡化算法，使其适用于不同的图像类型。
另外，可以采用基于机器学习的方法来自动调整算法参数，提高算法的鲁棒性和适应性。
2. 基于深度学习的图像增强算法改进：深度学习在图像处理领域取得了巨大的成就。
通过利用神经网络的强大表达能力，可以实现对图像的高级特征学习和表示。
可以利用深度学习模型，对图像增强进行端到端的学习和优化，提高图像增强效果。
例如，可以使用卷积神经网络（CNN）对图像进行超分辨率重建，增强图像的细节和清晰度。
基于灰度变换的图像增强方法研究
摘要:鉴于灰度变换在图像处理过程中的广泛应用,本文主要从灰度级校正、灰度线性变换、灰度均衡化三个方面探讨一下图像增强的方法。
并借助matlab7.0作为实验平台,通过实验结果直观展示灰度变换在图像增强中的强大功能。
关键词:灰度变换图像增强
在获得信息的各种渠道中,图像信息无疑是最直观的。
然而,光照度不均匀会造成图像灰度过于集中;由摄像头获得的图像经过A/D转换、线路传送都会产生噪声污染,种种因素影响图像的的清晰程度,降低了图像质量。
因此,在对图像进行分析处理之前,有必要对图像质量进行改善。
2 实验结果
2.1 灰度线性变换的实现
本次实验以matlab7.0为实验平台,利用其自带函数imhist、
imadjust和imshow对灰度线性变换进行了演示,其程序运行结果如下(图形从左至右依次为原图、原图直方图、线性输出图、线性输出图的直方图)（如图1、2、3、4）。
2.2 灰度直方图变换的实现
本次实验以matlab7.0为实验平台,利用其自带函数histeq、subplot、imlist和imshow对灰度直方图变换进行了演示,其程序运行结果如下图形从左至右依次为原图、原图直方图、均衡结果图、均衡结果图的直方图)（如图5、6、7、8）。
3 结语
由以上实验可以看出,图像经过变换后,像素的动态范围增加,图像对比度扩展,使用图像变得清晰、细腻,容易识别,提高了图像的相对质量,便于图像信息的提取。
图像处理中的图像增强方法对比与分析导语：在图像处理领域中，图像增强是一个重要的技术，用于改善图像的质量和清晰度。
随着计算机视觉和机器学习的发展，各种图像增强方法被提出和应用于不同领域，如医学影像、卫星图像等。
本文将对几种常见的图像增强方法进行对比与分析，包括直方图均衡化、灰度拉伸、滤波和深度学习。
一、直方图均衡化直方图均衡化是一种通过调整图像的像素灰度分布来增强图像对比度和亮度的方法。
该方法基于直方图的统计特性，可以将原始图像的像素值重新映射到更广泛的范围内，以获得更丰富的灰度级。
直方图均衡化对均匀分布和低对比度的图像效果较好，但对于具有极大动态范围和特定区域灰度差异的图像效果可能不理想。
并且，它也容易产生过度增强的效果，导致图像细节丢失。
二、灰度拉伸灰度拉伸是一种通过重新分配图像的像素灰度级以增加图像对比度的方法。
它基于简单的线性变换，将图像的最低灰度级映射到最小灰度值，将最高灰度级映射到最大灰度值，而中间的灰度级按比例进行映射。
灰度拉伸适用于具有低对比度的图像，可以有效增强图像的细节和边缘。
然而，灰度拉伸方法需要手动选择合适的灰度级范围，并且无法处理非线性关系和部分区域的对比度差异。
三、滤波滤波是一种基于图像频谱的增强方法，通过去除图像中的噪声和模糊以提高图像质量。
滤波方法包括低通滤波和高通滤波。
低通滤波可以平滑图像并去除高频噪声，常用的滤波器包括均值滤波和高斯滤波。
高通滤波可以增强图像的边缘和细节，常用的滤波器包括拉普拉斯滤波和Sobel滤波器。
滤波方法可以较好地增强图像的细节和对比度，但也可能导致图像的细节损失和边缘模糊。
四、深度学习深度学习是一种基于人工神经网络的图像增强方法，它通过训练模型学习图像的特征和映射关系，以生成更高质量的图像。
深度学习方法可以根据不同任务和需求进行适应性调整和优化，具有较强的非线性建模和适应能力。
随着深度学习算法的不断发展和硬件计算能力的提升，该方法在图像增强方面取得了许多重要的突破。
图像变换实验报告心得引言图像变换是计算机视觉领域的重要研究方向之一，它通过对图像的像素进行一系列的操作，实现对原始图像的改变和增强。
图像变换可以被广泛应用于图像处理、计算机图形学、机器学习等领域中。
为了进一步探索图像变换的应用和效果，我们进行了一系列的图像变换实验，并记录了实验过程和结果。
本篇报告旨在总结实验心得和体会，提出对图像变换实验的改进建议。
实验目的本次实验的目的是通过实现和比较不同的图像变换算法，探索图像变换对图像质量和可视化效果的影响。
具体目标如下：1. 实现常见的图像变换算法，包括平移、旋转、缩放和灰度变换等；2. 分析不同图像变换算法的优缺点，并比较其效果；3. 讨论图像变换对图像质量的影响，并给出评价标准；4. 提出改进图像变换算法的建议。
实验方法实验中，我们使用了Python编程语言，并借助开源的图像处理库OpenCV进行图像变换的实现。
针对不同的图像变换操作，我们选择了不同的算法和参数设置，以保证实验的全面性和可比性。
具体方法如下：1. 平移变换：我们使用OpenCV提供的`warpAffine`函数实现了平移变换，并通过调整平移向量的参数实现了不同程度的平移效果；2. 旋转变换：我们使用OpenCV提供的`getRotationMatrix2D`和`warpAffine`函数实现了旋转变换，并调整参数实现了不同角度和方向的旋转效果；3. 缩放变换：我们使用OpenCV提供的`resize`函数和不同的插值方法（如最近邻插值、双线性插值）实现了缩放变换，并对比了不同插值方法的效果；4. 灰度变换：我们实现了简单的灰度变换算法，包括将彩色图像转换为灰度图像，以及调整灰度图像的亮度和对比度。
实验结果通过对实验图像的处理和结果分析，我们得出了以下结论：1. 平移变换可以实现图像的横向和纵向移动，但当平移距离较大时，可能导致图像丢失部分内容；2. 旋转变换可以实现图像的旋转和翻转，但当旋转角度过大时，可能会导致图像失真和像素重叠；3. 缩放变换可以实现图像的放大和缩小，但不同的插值方法会影响图像的细节和平滑度；4. 灰度变换可以实现彩色图像到灰度图像的转换，并调整亮度和对比度，但需要注意亮度调整的边界问题。
图像处理中的图像增强算法综述与比较概述：图像增强是数字图像处理领域的一个重要研究方向，目的是通过改善图像的视觉效果或提取出对应的有效信息。
在现实应用中，图像增强算法被广泛应用于医学图像处理、安防监控、遥感图像分析、电视视频处理等多个领域。
本文将综述与比较目前常用的图像增强算法，包括直方图均衡化、滤波器、Retinex 与算法、小波变换以及深度学习方法。
直方图均衡化：直方图均衡化是一种基本且被广泛使用的图像增强方法。
它通过对图像像素的灰度值分布进行调整，使得图像的像素灰度值能够均匀分布在整个灰度级范围内，从而改善图像的对比度和亮度。
传统的直方图均衡化算法可以有效地增强图像的整体对比度，但往往过度增强细节，导致图像出现失真。
滤波器：滤波器分为线性滤波器和非线性滤波器两种类型。
线性滤波器通常通过卷积运算来修改图像的空间频率特征，常用的线性滤波器包括均值滤波器、高斯滤波器和中值滤波器等。
非线性滤波器如边缘增强滤波器可以通过检测图像的边缘信息来增强图像的细节。
滤波器方法简单直观，但在处理图像噪声、复杂纹理、低对比度等问题时，效果有一定限制。
Retinex 算法：Retinex 算法是一种模拟人眼感知机制的图像增强方法，它主要专注于提高图像的亮度、对比度和颜色鲜艳度。
该算法基于假设，认为图像的亮度和颜色信息可以被分离开来，并通过增强亮度的同时保持颜色信息的稳定性。
Retinex 算法具有较好的图像局部细节增强效果，但对于整体对比度改善不够显著，且在对比度较低的图像上效果不佳。
小波变换：小波变换是一种基于时间-频率分析的图像增强方法，它将图像分解为多个不同频率的子带图像，然后对每个子带图像进行增强处理，并通过逆变换得到最终增强后的图像。
小波变换方法可以有效地增强图像的对比度和细节，能够提取出不同尺度的细节信息，并具有很好的图像重构能力。
但小波变换方法需要选择合适的小波基和阈值参数，且对图像处理时间较长。
深度学习方法：深度学习方法在图像增强领域取得了显著的成果。
