基于粒子群算法的图像增强
- 格式：ppt
- 大小：2.26 MB
- 文档页数：43
下载文档原格式
合集下载
基于微粒群算法的彩色图像增强研究
摘 要 ： 增 强彩 色 图像 问题 中， 图像 增强看 作最 优 化 问题 ， 出 了一种 基于 微粒 群 算法 的 在 把 提 彩色 图像 自适 应增 强方法． 将在 Ｒ ＧＢ空 间表 示 的 降质 图像 转 换 到 与人 类视 觉 系统特 性 相适 应 的 ＨＩ Ｓ颜 色 空间进 行增 强 ， 出 了应用 于亮度 １ 量 的新 的 目标 函数． 用 此方法 可 以 自动地 找 出降 提 分 使
质 图像 归一化 的非完全 函数 的最优参 数值 ， 对原始 图像 降质类 型进 行 正确 的推 理． 真结果 表 明 仿 所 提 出的方法在 自动拟 合灰度 的广 义 变换上有很 好 的性能 ， 图像 增 强效果 显著．
关键词 ： 彩色 图像 增 强 ； 微粒群 优化 算法 ； 完全 口函数 ； 色 空间 非 颜 中 图分 类号 ： Ｐ ９ 文献标 志码 ： Ｔ ３１ Ａ 文章编 号 ：６ ４３ ８ （ ０ ９ ０ －０ ６０ １ ７ —５ Ｘ ２ ０ ） ３０ ３ —５
２０ ０ ９年 ９ 月
ＳＥＰ． ００ ２ ９
基 于微 粒 群算 法 的彩 色 图像 增 强研 究
孙 勇 强 秦 媛 媛 ，
（ ． 阴 师 范 学院 继 续 教 育 学 院 ， 苏 淮安 ２３ ０ ； １淮 江 ２０ １
２ 江 苏财 经 职 业技 术 学院 计 算 机技 术 与 艺术 设 计 系， 苏 淮 安 ２ ３ ０ ） ． 江 ２ ０ ３
（） ａ
（） ｂ
（） ｃ
（） ｄ
图 １ 灰 度 图像 增 强 中 四 种 非 线 性 转 换 类 型
收 稿 日期 ：０ ９０—０ ２０ —４１
作 者 简 介 ： 勇 强（ ９ ２） 男 ， 东滕 州人 ， 士 ， 要 从 事 人 工智 能 与 模 式识 别 、 孙 １ ８一 ， 山 硕 主 图形 图像 处 理等 研 究
基于增强的粒子滤波算法的医学图像动态轮廓跟踪新方法
&OO 引言
心脏 % 血管等器官的形变运动研究属于非刚性运 动估计与跟踪问题 $其主要特点在于不具有刚体运动 的规律性和可描述性 & 经典的统计模型 %参数模型等 方法对这一类问题的解决存在许多缺陷 & 解决运动状 态估计的方法一般依赖于目标的形状 % 灰度 % 梯度流 场 % 光流场 $以及各种局部的空间和时间约束 & 就参数 和几何方法而言 $ 它是利用动态轮廓线模型 % 样条模 型 % 网格模型 $ 在有限差分算法和有限元法的支持下 动态逼近目标所描述的一类方法 # 就统计方法而言 $
&.$2! )$ *" 的概率分布形式 (
如果选择分界点 为先验分布
曲线和似然分布曲线的交点 " 则令 !
&&"2! )$1. *1&&.$2"*""""""""""""""""""""""""""""""""""""""""&8* """""""" 其 中 <4=&! )$1. (" .$*>"><?’&! )$1. (" .$*" 由 此 可 以 解
!""KU!KI’DOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO 第一军医大学学报 !hO@<-7.OQ<?OQ/0O[6<_ "
粒子群优化算法及其应用
近几十年来面对信息时代海量数据的出现数据挖掘技术应运而生并得到迅猛发展其中关联规则挖掘作为数据挖掘的重要模式之一它所得到的知识能为支持决策提供依据有着极其重要的研究价值
华中科技大学 硕士学位论文 粒子群优化算法及其应用 姓名：王雁飞 申请学位级别：硕士 专业：软件工程 指导教师：陆永忠 20081024
1.2
1.2.1
课题研究现状
粒子群优化研究现状 粒子群优化算法是 1995 年由 Kennedy 和 Eberhart 源于对鸟群和鱼群捕食行为的
1
华 中 科 技 大 学 硕 士 学 位 论 文
简化社会模型的模拟而提出的一种基于群集智能的演化计算技术[1,2]。该算法具有并 行处理、鲁棒性好等特点，能以较大的概率找到问题的全局最优解，且计算效率比 传统随机方法高，其最大的优势在于实现容易、收敛速度快，而且有深刻的智能背 景，既适合科学研究，又适合工程应用。因此，PSO 一经提出立刻引起了演化计算 领域研究者的广泛关注，并在短短几年时间里涌现出大量的研究成果，在函数优化、 神经网络训练、模糊系统控制、分类、模式识别、信号处理、机器人技术等领域获 得了成功应用。 PSO 算法是基于群集智能理论的优化算法，通过群体中粒子间的合作与竞争产 生的群体智能指导优化搜索。与进化算法比较，粒子群优化算法不仅保留了基于种 群的全局搜索策略，而且又避免了复杂的遗传操作，它特有的记忆使其可以动态跟 踪当前的搜索情况调整其搜索策略。与进化算法比较，PSO 算法是一种更高效的并 行搜索算法，但其不足之处是在某些初始化条件下易陷入局部最优，且搜索精度比 遗传算法低[3]。 由于 PSO 算法概念简单，实现容易，短短几年时间，PSO 算法便获得了很大的 发展，但是，其数学基础不完善，实现技术不规范，在适应度函数选取、参数设置、 收敛理论等方面还存在许多需要深入研究的问题。文献[4-6]展开了一系列研究，取得 了一些建设性的成果，如关于算法收敛性的分析。围绕 PSO 的实现技术和数学理论 基础，以 Kennedy 和 Eberhart 为代表的许多专家学者一直在对 PSO 做深入的探索， 尤其在实现技术方面，提出了各种改进版本的 PSO。 对 PSO 参数的研究，研究最多的是关于惯性权重的取值问题。PSO 最初的算法 是没有惯性权重的， 自从 PSO 基本算法中对粒子的速度和位置更新引入惯性权重[7,8]， 包括 Eberhart、Shi 等在内的许多学者对其取值方法和取值范围作了大量的研究[9-11]。 目前大致可分为固定惯性权重取值法、线性自适应惯性权重取值法、非线性惯性权 重取值法[12-14]等。 PSO 是一种随机优化技术，其实现技术与遗传算法(GA)非常相似，受 GA 的启 发，人们提出多种改进的 PSO 算法，如带交叉算子的 PSO、带变异算子的 PSO、带 选择算子的 PSO 等等。 文献[15]在粒子群每次迭代后， 通过交叉来生成更优秀的粒子，
华中科技大学 硕士学位论文 粒子群优化算法及其应用 姓名：王雁飞 申请学位级别：硕士 专业：软件工程 指导教师：陆永忠 20081024
1.2
1.2.1
课题研究现状
粒子群优化研究现状 粒子群优化算法是 1995 年由 Kennedy 和 Eberhart 源于对鸟群和鱼群捕食行为的
1
华 中 科 技 大 学 硕 士 学 位 论 文
简化社会模型的模拟而提出的一种基于群集智能的演化计算技术[1,2]。该算法具有并 行处理、鲁棒性好等特点，能以较大的概率找到问题的全局最优解，且计算效率比 传统随机方法高，其最大的优势在于实现容易、收敛速度快，而且有深刻的智能背 景，既适合科学研究，又适合工程应用。因此，PSO 一经提出立刻引起了演化计算 领域研究者的广泛关注，并在短短几年时间里涌现出大量的研究成果，在函数优化、 神经网络训练、模糊系统控制、分类、模式识别、信号处理、机器人技术等领域获 得了成功应用。 PSO 算法是基于群集智能理论的优化算法，通过群体中粒子间的合作与竞争产 生的群体智能指导优化搜索。与进化算法比较，粒子群优化算法不仅保留了基于种 群的全局搜索策略，而且又避免了复杂的遗传操作，它特有的记忆使其可以动态跟 踪当前的搜索情况调整其搜索策略。与进化算法比较，PSO 算法是一种更高效的并 行搜索算法，但其不足之处是在某些初始化条件下易陷入局部最优，且搜索精度比 遗传算法低[3]。 由于 PSO 算法概念简单，实现容易，短短几年时间，PSO 算法便获得了很大的 发展，但是，其数学基础不完善，实现技术不规范，在适应度函数选取、参数设置、 收敛理论等方面还存在许多需要深入研究的问题。文献[4-6]展开了一系列研究，取得 了一些建设性的成果，如关于算法收敛性的分析。围绕 PSO 的实现技术和数学理论 基础，以 Kennedy 和 Eberhart 为代表的许多专家学者一直在对 PSO 做深入的探索， 尤其在实现技术方面，提出了各种改进版本的 PSO。 对 PSO 参数的研究，研究最多的是关于惯性权重的取值问题。PSO 最初的算法 是没有惯性权重的， 自从 PSO 基本算法中对粒子的速度和位置更新引入惯性权重[7,8]， 包括 Eberhart、Shi 等在内的许多学者对其取值方法和取值范围作了大量的研究[9-11]。 目前大致可分为固定惯性权重取值法、线性自适应惯性权重取值法、非线性惯性权 重取值法[12-14]等。 PSO 是一种随机优化技术，其实现技术与遗传算法(GA)非常相似，受 GA 的启 发，人们提出多种改进的 PSO 算法，如带交叉算子的 PSO、带变异算子的 PSO、带 选择算子的 PSO 等等。 文献[15]在粒子群每次迭代后， 通过交叉来生成更优秀的粒子，
基于粒子群算法的图像增强(ppt)
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
An Enhancing Algorithm of the Grey Image Based on MultiScale Retinex
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。
（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
空域中基于低对比度图像增 强方法Enhancement of low contrast image in spatial domain
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。
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；
基于粒子群算法的图像聚类研究与实现【开题报告】
毕业设计开题报告计算机科学与技术基于粒子群算法的图像聚类研究与实现一、选题的背景、意义图像聚类是数据挖掘中一项重要技术，图像聚类的好坏将直接影响后续图像处理与分析任务的质量。
图像聚类是指利用无监督的学习过程发现在图像中的隐藏的模式，它具有独立发现知识的能力。
粒子群算法属于进化算法的一种，它与遗传算法相似，也是从随机解出发，通过迭代寻找最优解，但它比遗传算法的规则更为简单，即没有交叉和变异操作，它通过追随当前搜索到的最优值来寻找全局最优。
粒子群算法由于实现容易、精度高、收敛快等优点在解决实际问题中具有优越性。
本课题主要研究的是基于粒子群算法的图像聚类方法，针对传统的基于K均值的图像聚类方法无法较好地对图像进行聚类，提出一种基于粒子群算法的图像聚类方法。
该方法通过从随机解出发，迭代寻找全局最优解。
提出的方法在图像数据集上进行仿真实验验证。
聚类是数据挖掘、模式识别等研究方向的重要研究内容之一，在识别数据的内在结构方面具有极其重要的作用。
随着计算机技术、网络技术和信息技术的迅速发展，一些规模巨大且结构复杂的数据在科学和工程应用领域不断出现。
如何处理这些数据并从中得到有益的信息，越来越引起人们的普遍关注。
大规模复杂数据集的出现对聚类分析技术提出了特殊的挑战，它要求聚类算法有可伸缩性、处理不同类型数据、发现任意形状的簇、处理高维数据的能力等，并要求聚类结果对用户来说应该是可判断的、能理解的和可用的。
面对这些问题与要求，传统的聚类分析方法已经显得无能为力。
为解决上述问题，研究者们开始尝试各种智能聚类方法。
群智能算法中的粒子群优化算法(PSO)逐渐引起人们的注意，并在聚类分析中取得了比传统方法更好的效果。
PSO算法主要是在群体的集群行为和自组织原则指导下的随机搜索和优化技术，它强调分布式、相对简单主体之间直接或间接的交互作用，具有很强的适应性和鲁棒性。
PSO算法潜在的并行性和分布式特点使其能够处理以数据库形式存在的大量数据；另一方面，聚类可以被看成一个复杂的全局优化问题，因此PSO算法可以用于聚类分析。
基于粒子群的改进模糊聚类图像分割算法_刘欢
割算法对聚类中心初值敏感的缺点， 大幅提高了图像分割算法的计算速度。改进的模糊聚类图像分割算法， 一方面考虑 到像素的空间位置信息和相互邻域之间像素有很大的相关性， 在目标函数中引入邻域惩罚函数； 另一方面提出聚类在二 维方向上进行更新的思想， 建立了包含邻域单元熵的新聚类目标函数。实验结果表明， 该方法可以使模糊聚类的速度得 到明显提高， 对初始聚类中心不敏感， 抗噪能力强， 是一种有效的模糊聚类图像分割方法。 关键词： 粒子群； 模糊 C 均值聚类； 图像分割； 邻域信息； 单元熵 文献标志码： A 中图分类号： TP391.41 doi： 10.3778/j.issn.1002-8331.1208-0074
J m (U V ) = å å ( μ i ( x k ))2 X k - M i +
i = 1k = 1 c n β å å ( μ i ( x k ))2 (d ij )2 i = 1k = 1
k
M i = [m i e m ]T 。
i
步骤 3 由式 （5） 更新隶属度矩阵。 步骤 4 由式 （6） 、 （7） 更新聚类中心。 步骤 5 计算更新前、 后聚类中心的改变量为 M new - M old ， 用下式计算：
（5）
（6）
em =
i
k=1
å ( μi ( x k ))2 × e x
k=1
n
k
å ( μi ( x k ))2
n
（7）
2.2
TDFCM 算法实现
算法实现的具体步骤为： 步骤 1 确定聚类的数目 c ， 设定聚类中心更新的终止
条件 ε = 0.001 。 步 骤 2 根 据 二 维 X k = [ x k e x ]T 统 计 初 始 化 聚 类 中 心
基于粒子群算法的整像素数字图像相关方法_杜亚志
杜亚志， 王学滨： 基于粒子群算法的整像素数字图像相关方法 区的相似程度。相关系数公式有很多种， 本文采用的相关系 数公式为
C=
[1]
2012， 48 （6）
201
（4） 在所有代数中， 求出最大相关系数 C max 所对应的目标 子区的中心点的坐标 g best 。 （5） 根据以下公式计算粒子的飞行速度 v 和新位置 x ：
化优势的思想。与传统的优化方法相比， PSO 算法属于自适
基金项目： 国家自然科学基金 （No.50974069） ； 辽宁省教育厅 2009 年度高等学校科研项目 （No.2009A322） 。 作者简介： 杜亚志 （1986—） ， 男， 硕士， 研究方向为数字图像相关方法； 王学滨 （1975—） ， 通讯作者， 男， 教授， 博导。E-mail： wxbbb@ 收稿日期： 2010-11-22； 修回日期： 2011-02-25； CNKI 出版： 2011-05-17； /kcms/detail/11.2127.TP.20110517.1642.029.html
[1-4]
应的群智能算法， 隐含并行计算思想， 原理简单， 且不易陷入 局部最优 [10-11]。 PSO 算法没有遗传算法和差分进化算法的交 叉和变异操作， 易于实现。 为了克服基于传统 DIC 方法的结果易于陷入局部最优等 缺点， 本文将 PSO 算法引入到 DIC 方法中。通过计算预先制 作的散斑图片平移后的位移， 验证了算法的正确性。为了检 验该算法能否跳出局部最优， 计算了两个 （一个是预制的散斑 图， 一个是通过 CCD 摄像头拍摄真实图片） 有多个极值的相关 系数分布的区域内的两个点的位移， 观察了粒子的轨迹。研 究了样本子区尺寸、 粒子数、 粒子飞行的最大速度和最大迭代 次数对计算时间的影响。
粒子群算法优化及其在图像检索中的应用研究
Abstract
Particle Swarm Optimization (PSO) is an evolutionary computation technology based on the swarm intelligence. Inspired by birds' regular cluster activities, PSO is a mathematical model which is established on the basis of the swarm intelligence. Taking the advantage of the information’ sharing among the individuals within the population, Particle Swarm Optimization makes the evolution process of the population transform from disorder to order in the solution space, and then gets the optimal solution. The advantage of the algorithm is simple and easy to implement without too many parameters which need to be adjusted. Therefore, PSO has been widely used in function optimization, combinatorial optimization, neural network training, fuzzy systems control and other fields. However, PSO is immature enough both in theory and in practice. There is premature convergence, low convergence accuracy, slow convergence speed and other issues in the use of PSO to solve practical problems, especially the complex optimization problems. For this reason, the effective improvement of PSO algorithm to make it better adapt to actual problem has become the focus of the experts’ study in relative field in recent years. According to the problems mentioned above, an adaptive PSO algorithm using chaos searching is proposed in this paper. The concept of uniform design is used to construct the initial population of the algorithm, which makes the distribution of the particles more evenly, so as to improve the diversity of the initial population and enhance the global search ability of the algorithm. An adaptive factor is introduced in the evolution process of the algorithm and improves the update strategy of the inertia weight combined with the characteristics of the concave function. Thereby, not only the improved update strategy is more in accordance with the characteristics of the evolution, but also improves the search efficiency. Taking the advantage of the unpredictability of chaos, a local search strategy based on chaotic disturbance is proposed, which makes it possible to avoid the algorithm's falling into a local optimal solution effectively, thereby enhancing the accuracy of the convergence. The experimental results show that not only can the proposed algorithm convergence more effectively and accurately, but also overcome the premature convergence phenomenon. With the continuous development of the computer and network technology, digital image and other multimedia technologies have been widely used in all aspects of our daily life. So how to effectively organize, manage and retrieve image is the problem to be solved. Image retrieval is put forward in such a background. In view of the
粒子群算法多维度应用实例
粒子群算法多维度应用实例全文共四篇示例，供读者参考第一篇示例：粒子群算法（Particle Swarm Optimization，PSO）是一种启发式优化算法，模拟了鸟群、鱼群等群体协作的行为，通过不断调整粒子的位置和速度来搜索最优解。
近年来，粒子群算法在多个领域中得到了广泛应用，特别是在多维度应用方面，展现出了强大的优化性能和较好的收敛速度。
本文将介绍粒子群算法在多维度应用中的实例，并探讨其优势和局限性。
一、多维度优化问题概述二、粒子群算法原理及优化过程粒子群算法是由Kennedy和Eberhart于1995年提出的，其基本思想是模拟鸟群或鱼群等群体在搜索空间中寻找目标的行为。
在粒子群算法中，每个粒子表示一个潜在的解，其位置和速度都会根据其个体最优解和全局最优解而不断更新。
粒子群算法的优化过程如下：（1）初始化粒子群：随机生成一定数量的粒子，并为每个粒子设定初始位置和速度。
（2）评估粒子适应度：计算每个粒子的适应度值，即目标函数的值。
（3）更新粒子速度和位置：根据粒子历史最优解和全局最优解来更新粒子的速度和位置。
（4）重复步骤（2）和（3）直到满足停止条件：当满足一定停止条件时，算法停止，并输出全局最优解。
三、粒子群算法在多维度应用中的实例1. 工程设计优化在工程设计中，往往需要优化多个设计参数以满足多个性能指标。
飞机机翼的设计中需要考虑多个参数，如翼展、翼型、翼厚等。
通过粒子群算法可以有效地搜索这些参数的最优组合，从而使飞机性能达到最佳。
2. 机器学习参数优化在机器学习中，通常需要调整多个超参数（如学习率、正则化系数等）以优化模型的性能。
粒子群算法可以应用于优化这些超参数，从而提高机器学习模型的泛化能力和准确度。
3. 经济模型参数拟合在经济模型中，经常需要通过拟合参数来分析经济现象和预测未来走势。
粒子群算法可以用来调整模型参数，从而使模型更好地拟合实际数据，提高预测准确度。
1. 全局搜索能力强：粒子群算法具有很强的全局搜索能力，能够在高维度空间中搜索到全局最优解。
一种新的粒子群优化的图像匹配算法
为一种群体智能算法，通过群体和个体之间的协作和信 息共享来实现复杂空间最优解的搜索，目前对 PSO 算法 的改进已成为研究的热点。吴润秀等人提出了一种具 有 高 斯 扰 动 的 局 部 引 导 粒 子 群 优 化 算 法 [4]，增 加 全 局 最 优 粒 子 控 制 的 高 斯 扰 动 项 ，提 高 了 算 法 的 全 局 搜 索 能 力。Lu 等人提出了通过引进收缩因子 k 对惯性权重进 行 调 整 的 异 步 改 进 的 粒 子 群 算 法 [5]，提 高 了 算 法 的 稳 定 性。文献[6]提出一种新的邻域拓扑结构，降低粒子之间 的 联 系 ，减 缓 粒 子 向 最 优 粒 子 聚 集 的 速 度 ，提 高 了 种 群 的多样性。文献[7]利用自组织层与时变加速系数对粒 子群进行优化，用于增强粒子的全局搜索能力。 Liu 等
中图分类号：TN911.73⁃34；TP391
文献标识码：A
文章编号：1004⁃373X（2018）10⁃0081⁃04
A new image matching algorithm based on particle swarm optimization
WANG Changqing1，ZHU Jinjin1，ZHANG Jiawei2
（1.河南师范大学 电子与电气工程学院，河南 新乡 453007；2.中国石油大学 石油工程学院，北京 100000）
摘 要：针对粒子群算法在图像匹配中易陷入局部最优、搜索速度慢以及匹配精度不高的问题，提出一种新的粒子群
优化的图像匹配算法。首先，以改进的非线性惯性权重对粒子群算法进行优化，以此来平衡粒子在全局和局部的搜索能力；
其次，提出添加动态扰动项对速度进行扰动，避免粒子在算法后期速度停滞为零而陷入局部最优。仿真结果表明，该算法提
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。
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;
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；
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。
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。
图像增强算法
基于粒子群优化的图像自适 应增强方法
基于粒子群算法的图像增强
图像增强 粒子群算法
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
图像增强的原理 图像增强的方法 图像增强的应用
图像增强算法
图像增强
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。
粒子群优化算法
粒子群优化算法(particle swarm optimization，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(fitness value)，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。
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。
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。
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。
图像增强算法
一种新的红外图像复合增强 算法
A New Combined Algorithm for Infrared Image Enhancement
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
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
An Enhancing Algorithm of the Grey Image Based on MultiScale Retinex
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。
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(particle swarm optimization，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。
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
Contrast enhancement algorithm for fogdegraded image based on fuzzy logic
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。
Adaptive image enhancement based on particle swarm optimization
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。
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
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(Comp lexAdap tive System, 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 。
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。
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。
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。
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。
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 图像增强按所用方法可分成
算法
频率域法和空间域法。
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。
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。
（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。