基于粒子群算法的图像增强ppt课件.ppt

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Enhancement of low contrast image in spatial domain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Contrast enhancement algorithm for fog-degraded 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。,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。,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A New Combined Algorithm for Infrared Image Enhancement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。,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。,so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。,so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,so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(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 。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。,so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(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。,so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。,so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。,so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。,so算法思想以及实现过程,在式(1) 中，等式右边共有3 项：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；是粒子自身行为差异比较；是粒子群体行为差异比较。,so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。,so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，进一步确保了抗体(粒子)的多样性，能避免早熟现象。,so算法思想以及实现过程,so算法思想以及实现过程,其算法流程如下：(1)确定参数值：学习因子c1和c2，粒子(抗体)群体个数N。(2)初始化：随机产生N个粒子(抗体)Xi 及其“飞行”速度Vi，i= 1,2,.,N ，形成初始粒子(抗体)群体P0。(3)生成免疫记忆粒子(抗体)：当前粒子群Pi中粒子的适应值及其历史最好适应Pbest，i= 1,2,.,N,计算计算全局最优解，并把作为免疫记忆粒子存入记忆库中。判断是否满足结束条件，若满足结束条件，则停止运行并输出结果否则，继续。(4)由式(1)、(2)更新当前群体中的个粒子。,so算法思想以及实现过程,(5)随机产生M个新粒子，加入到当前粒子群中，构成由N+M个粒子构成的待选粒子群。(6)基于浓度的粒子选择：用式(4)计算步骤(5)生成的N+M个待选粒子的选择概率，依概率大小选择N个粒子，从而形成粒子群Ak。(7)粒子群更新：将记忆库中的免疫记忆粒子替换粒子群Ak中适应度较差的若干粒子，形成新一代粒子群体p(k+1)，然后转步骤(3)。,基于粒子群算法的图像增强,传统的图像增强技术主要分为三大类：空域法，频域法和模糊处理方法。空域法主要是对图像中的各个像素点进行操作，包括直方图均衡化，边缘提取等。但这类方法的普适性较差。频域法是图像的某个变换域内对图像进行操作，修改变换后的系数，例如傅立叶变换，DCT变换等的系数,然后再进行反变换得到处理后的图像。这类方法的计算量较大，并且变换的参数选取需要较多的人工干预。,模糊处理方法的过程是，先对图像进行模糊化映射，得到特征平面上的模糊图像数据，然后对该图像数据进行相应处理，最后进行逆映射，达到特征增强的效果。这种方法比较符合人的视觉习惯，但需要人工干预来确定参数。可见，传统的图像增强方法，多数方法的智能性和自适应性较差，需要较多的人工介入，大大限制了其应用范围,基于粒子群算法的图像增强,因此,本次毕业设计基于对非完全Beta函数的研究，得到了能根据图像本身的特性,自动调节灰度变换的图像自适应增强算法.,(1)归一化的灰度变换函数-非完全Beta函数 对比度增强是图像增强的一种有效方法。为了增强图像，传统的方法是采取相应的变换函数进行灰度变换。例如，对较亮或较暗的图像，可以对中间区域进行拉伸而对两端进行压缩，设计相应变换函数即可，常用的变换函数有4类，如图1所示,图1中，横坐标为原图像的灰度纵坐标为处理后的灰度a类变换对较暗区域进行拉伸b类变换对较亮区域进行拉伸c类变换对中间区域进行拉伸而对两端进行压缩,d类变换对两端区域进行拉伸而对中间进行压缩。Tubbs针对灰度图像的空域增强算法,提出了一种能完全覆盖图像增强典型变换函数的,基于粒子群算法的图像增强,图1 几种典型的灰度变换函数,基于粒子群算法的图像增强,非完全Beta函数 该函数由两个参数 唯一确定，利用某种寻优算法自动确定a和b的值，就可以实现图像的自适应增强，归一化非完全Beta函数F(u)的定义为右所示：,基于粒子群算法的图像增强,上式中Lmax和Lmin分别为原图像灰度值的最大值和最小值,基于粒子群算法的图像增强,其中M,N 分别为图像的宽和高,i表示某个体。Fitness(i)的值越大,则图像灰度分布越均匀,图像对比度越高,图像质量越好.,基于粒子群算法的图像增强,(4)将增强后的图像反归一化处理,就得到输出图像f(x,y)也就是：f(x,y)=(Lmax-Lmin)g(x,y)+Lmin -(6)可见,各种自适应算法的区别就在于如何确定a和b 的值。,基于粒子群算法的图像增强,实验结果和结论-利用提出的非完全Beta函数进行仿真实验图1给出了待处理的图像及其直方图,灰度级为256级(明显看出,图1所示灰度主要分布在中间区域(因此,变换参数.a,b的值可以选择相等,也就是对中间区域进行拉伸,在此a,b均设为5,相应的非完全Beta函数灰度变换曲线如图3所示:,基于粒子群算法的图像增强,左图为参数后的非完全Beta变换曲线按照此曲线的映射关系处理整副图像，再进行反归一化处理，最终结果就得到了增强后的整副图像。,基于粒子群算法的图像增强,图1集装箱检测的实验图像及其直方图图3处理后的实验图像及其直方图,基于粒子群算法的图像增强,经上述变换曲线处理之后的图像及其直方图如图3所示可见,处理后图像的灰度分布更加均匀,范围更宽了,整体对比度良好,细节信息被很好地保留,不失为良好的图像对比度增强方法.,基于粒子群算法的图像增强,小结1，本此毕业设计熟练掌握了基于MATLAB的粒子群优化算法工具箱，以及将其应用到典型的函数优化问题中，取得了较好效果。2，只要给出新的适应度函数，未知参数集以及参数维度，就可以直接利用该工具箱求解，因此具有很强的通用性。,4，并介绍了几种自适应图像对比度增强算法,即自适应遗传算法,自适应免疫算法和模拟退火算法(其基本步骤都是先将输入图像进行归一化处理,然后利用寻优算法求解最佳变换参数,和利用所求得的a,b值构造灰度变换曲线。对输入图像进行增强，最后对增强后的图像进行反归一化，得到最终的增强后的图像。,基于粒子群算法的图像增强,3，在图像增强技术中，灰度变换是一种很有效的方法，但人工干预的因素较多。智能化程度低，所以基于Tubbs提出的非完全Beta函数,实现了基于该函数的灰度变换,得到较好的处理效果.,