应用高斯反向和声搜索的图像增强方法

摘要

本发明公开了一种应用高斯反向和声搜索的图像增强方法。本发明采用高斯反向和声搜索算法来优化非完全Beta函数的α和β参数，然后利用优化得到的非完全Beta函数对图像进行非线性变换以增强图像的质量。在高斯反向和声搜索中，将和声库的均值信息融合到高斯变异算子中，并以一定的概率执行反向学习操作加快算法的收敛速度，提高图像增强的效果。本发明能够在一定程度上加快图像增强的速度，提高图像增强的效果。

说明书

技术领域

本发明涉及图像增强领域，尤其是涉及一种应用高斯反向和声搜索的图像增强方法。

背景技术

由于光照或图像传感器硬件限制等因素，数字图像处理系统采集到的数字图像往往存在着对比度不够、曝光过度等问题，因此图像增强技术广泛应用在数字图像处理系统中。为了增强图像的质量，人们常常采用非完全Beta函数对图像进行非线性变换，但图像增强的目标函数往往具有不连续、不可导的特性，而传统优化算法难以有效地优化图像增强的目标函数。因此如何为非完全Beta函数选定合适的α和β参数一直是图像增强技术中的难题。为了确定非完全Beta函数的α和β参数，许多研究人员提出了基于演化算法的参数优化方法。演化算法是一种模拟自然现象的智能优化算法，它能够有效地优化图像增强目标函数。

鉴于演化算法的优点，许多学者提出了各种各样的改进演化算法来提升图像增强的效果，例如胡敬文等提出了一种基于稳态遗传算法和Retinex理论的彩色图像增强方法，该方法利用稳态遗传算法来优化图像增强的目标函数，实验结果表明所提出方法能够比传统方法获得更好的图像增强效果(胡敬文,聂承静,刘世明.基于稳态遗传算法和Retinex理论的彩色图像增强算法[J].内蒙古师范大学学报(自然科学汉文版),46(02):246-250,2017.)；雷选华等提出了一种使用混合智能优化算法的图像增强方法，该方法把细菌觅食算法与粒子群优化算法相融合来优化图像增强算子的参数，实验结果表明所提出的方法不仅能够在一定程度上提高图像的对比度，而且可以较好地增强图像的细节，并在一定程度上去除图像的噪声(雷选华,闫森,马治国,孔小健.一种使用混合智能优化算法的图像增强方法[J].光学与光电技术,2014,12(06):4-8)。

和声搜索算法是一种模拟音乐家创作过程的演化算法。自从和声搜索算法提出以来，许多研究人员将其应用到了流水车间调度、风力发电、机械故障诊断、图像加密、网络流量预测等工程领域，并且和声搜索在这些实际工程应用中取得了比较满意的结果。虽然和声搜索在众多的工程领域中取得了成功的应用，但传统和声搜索在增强一些复杂图像时往往存在着收敛速度慢，图像增强效果不佳的缺点。

发明内容

本发明的目的是提供一种应用高斯反向和声搜索的图像增强方法，它能够在一定程度上克服传统和声搜索在增强一些复杂图像时容易出现收敛速度慢，图像增强效果不佳的缺点，本发明能够在一定程度上加快图像增强的速度，提高图像增强的效果。

本发明的技术方案：一种应用高斯反向和声搜索的图像增强方法，包括以下步骤：

步骤1，输入一幅数字图像IMG；

步骤2，用户设置和声库的大小HMS，选取概率HMCR，扰动概率PAR，最大评价次数MAX_FEs；

步骤3，令优化参数个数D＝2，然后设置D个优化参数的下界Lx_j与上界Ux_j，其中维度下标j＝1,2；

步骤4，令当前演化代数t＝0，当前评价次数FEs＝0；

步骤5，随机产生初始和声库其中个体下标i＝1,2,...,HMS；并且为种群P_t中的第i个个体；个体存储了非完全Beta函数的α和β参数；

步骤6，计算和声库P_t中每个个体的适应值；

步骤7，令当前评价次数FEs＝FEs+HMS；

步骤8，保存和声库P_t中的最优个体Best^t；

步骤9，执行高斯反向操作产生一个新个体V^t，具体步骤如下：

步骤9.1，令计数器mj＝1；

步骤9.2，如果计数器mj小于或等于D，则转到步骤9.3，否则转到步骤10；

步骤9.3，按公式(1)计算和声库中第mj维的均值

步骤9.4，在[0,1]之间产生一个随机实数GR；

步骤9.5，如果GR小于HMCR，则转到步骤9.6，否则转到步骤9.18；

步骤9.6，在[1,HMS]之间随机产生两个不相等的正整数LR1和LR2；

步骤9.7，令

步骤9.8，在[0,1]之间随机产生一个实数PTR；

步骤9.9，如果PTR小于PAR，则转到步骤9.10，否则转到步骤9.22；

步骤9.10，在[0,1]之间随机产生一个实数TML；

步骤9.11，如果TML小于0.5，则转到步骤9.12，否则转到步骤9.14；

步骤9.12，按公式(2)计算高斯均值imu和高斯标准差isd：

步骤9.13，令其中NormRand表示高斯随机数产生函数，然后转到步骤9.22；

步骤9.14，按公式(3)计算和声库中第mj维的搜索下界与搜索上界

其中个体下标i＝1,2,...,HMS；min为取最小值函数；max为取最大值函数；

步骤9.15，令反向值其中rand为随机实数产生函数；

步骤9.16，令采样值并在[0,1]之间产生一个随机实数GW；

步骤9.17，令然后转到步骤9.22；

步骤9.18，在[1,HMS]之间随机产生一个正整数LR3；

步骤9.19，令随机值RV＝Lx_mj+rand(0,1)×(Ux_mj-Lx_mj)，其中rand为随机实数产生函数；

步骤9.20，令定向值

步骤9.21，令其中权值CW为[0,1]之间的随机实数；

步骤9.22，令计数器mj＝mj+1，转到步骤9.2；

步骤10，计算个体V^t的适应值；

步骤11，找出和声库P_t中的最差个体并将其记为BWorst^t；

步骤12，如果个体V^t优于BWorst^t，则利用个体V^t替换BWorst^t，否则保持BWorst^t不变；

步骤13，令当前评价次数FEs＝FEs+1；

步骤14，令当前演化代数t＝t+1；

步骤15，保存和声库P_t中的最优个体Best^t；

步骤16，重复步骤9至步骤15，直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t解码为非完全Beta函数的α和β参数，并利用以α和β为参数的非完全Beta函数对图像IMG进行非线性变换，即可得到增强的图像。

本发明采用高斯反向和声搜索算法来优化非完全Beta函数的α和β参数，然后利用优化得到的非完全Beta函数对图像进行非线性变换以增强图像的质量。在高斯反向和声搜索中，将和声库的均值信息融合到高斯变异算子中，并以一定的概率执行反向学习操作加快算法的收敛速度，提高图像增强的效果。本发明能够在一定程度上加快图像增强的速度，提高图像增强的效果。

附图说明

图1为实施例中待增强的图像。

图2为应用本发明增强后的图像。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

步骤1，输入一幅如图1所示的数字图像IMG；

步骤2，用户设置和声库的大小HMS＝20，选取概率HMCR＝0.95，扰动概率PAR＝0.6，最大评价次数MAX_FEs＝80；

步骤3，令优化参数个数D＝2，然后设置D个优化参数的下界Lx_j与上界Ux_j，其中维度下标j＝1,2；

步骤4，令当前演化代数t＝0，当前评价次数FEs＝0；

步骤5，随机产生初始和声库其中个体下标i＝1,2,...,HMS；并且为种群P_t中的第i个个体；个体存储了非完全Beta函数的α和β参数；

步骤6，计算和声库P_t中每个个体的适应值；

步骤7，令当前评价次数FEs＝FEs+HMS；

步骤8，保存和声库P_t中的最优个体Best^t；

步骤9，执行高斯反向操作产生一个新个体V^t，具体步骤如下：

步骤9.1，令计数器mj＝1；

步骤9.2，如果计数器mj小于或等于D，则转到步骤9.3，否则转到步骤10；

步骤9.3，按公式(1)计算和声库中第mj维的均值

步骤9.4，在[0,1]之间产生一个随机实数GR；

步骤9.5，如果GR小于HMCR，则转到步骤9.6，否则转到步骤9.18；

步骤9.6，在[1,HMS]之间随机产生两个不相等的正整数LR1和LR2；

步骤9.7，令

步骤9.8，在[0,1]之间随机产生一个实数PTR；

步骤9.9，如果PTR小于PAR，则转到步骤9.10，否则转到步骤9.22；

步骤9.10，在[0,1]之间随机产生一个实数TML；

步骤9.11，如果TML小于0.5，则转到步骤9.12，否则转到步骤9.14；

步骤9.12，按公式(2)计算高斯均值imu和高斯标准差isd：

步骤9.13，令其中NormRand表示高斯随机数产生函数，然后转到步骤9.22；

步骤9.14，按公式(3)计算和声库中第mj维的搜索下界与搜索上界

其中个体下标i＝1,2,...,HMS；min为取最小值函数；max为取最大值函数；

步骤9.15，令反向值其中rand为随机实数产生函数；

步骤9.16，令采样值并在[0,1]之间产生一个随机实数GW；

步骤9.17，令然后转到步骤9.22；

步骤9.18，在[1,HMS]之间随机产生一个正整数LR3；

步骤9.19，令随机值RV＝Lx_mj+rand(0,1)×(Ux_mj-Lx_mj)，其中rand为随机实数产生函数；

步骤9.20，令定向值

步骤9.21，令其中权值CW为[0,1]之间的随机实数；

步骤9.22，令计数器mj＝mj+1，转到步骤9.2；

步骤10，计算个体V^t的适应值；

步骤11，找出和声库P_t中的最差个体并将其记为BWorst^t；

步骤12，如果个体V^t优于BWorst^t，则利用个体V^t替换BWorst^t，否则保持BWorst^t不变；

步骤13，令当前评价次数FEs＝FEs+1；

步骤14，令当前演化代数t＝t+1；

步骤15，保存和声库P_t中的最优个体Best^t；

步骤16，重复步骤9至步骤15，直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t解码为非完全Beta函数的α和β参数，并利用以α和β为参数的非完全Beta函数对图像IMG进行非线性变换，即可得到如图2所示的增强图像。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。