粒子群优化算法的图像增强技术研究
摘 要生活中经常会碰到获得的图像的质量不高这类情况，需要对其进行图像增强使之更符合人类的视觉观赏。然而现今的算法自动化程度低，人工干预程度高，需要对每幅图像观察后使用不同的变换函数对其进行增强，大大降低了增强的效率。为此急需一种能够自适应图像增强的方法。粒子群算法(PSO)是一种以种群寻优为基础的启迪式搜寻方法，它的概念来自于对鸟类捕食的社会行为的研究，主要依赖于粒子群中信息是共有且互通的这一基本前提，具有全局优化、自适应和鲁棒性等优势，已被大量应用于函数优化问题、自动化控制、数字图像处理等方面。 本文旨在利用粒子群算法，结合不完全的β函数，采用一种基于粒子群算法的图像增强的方法，对输入的原始图像进行自适应的增强。粒子群算法可以自动把灰度变换的参数α和β进行迭代从而计算出最优值，以此获得最适应图像的变换曲线，使图像能够自适应增强。本文还提供了两种改进后的粒子群算法，能够很好地克服粒子群算法存在的早期收敛的问题。采用灰度变换的方法进行图像增强。结果表明，基于粒子群算法的图像增强不仅可以提高图像的对比度，还能减少人工干预的因素，增强自动化性能。
目录
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1 课题的研究背景和意义 1
1.2 图像增强的研究现状 1
1.3 粒子群算法的改进 2
1.4 本文的研究内容和章节安排 2
1.5 本章小结 3
第2章 基本粒子群算法 4
2.1 粒子群算法的定义 4
2.2 算法原理 5
2.3 粒子群算法主要流程 6
2.4 特点 7
2.5 带惯性权重的粒子群算法 8
2.6 本章小结 9
第3章 图像增强方法和图像的客观评价方法 10
3.1 图像增强概述 10
3.2 空域图像增强理论基础 10
3.3 非完全Beta函数 11
3.4 客观图像质量评价方法 11
3.4.1 均方误差法 11
3.4.2 信息熵法 12
3.4.3 平均梯度法 12
3.4.4 改进
*好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
的信息熵法 12
3.5 本章小结 13
第4章 基于粒子群算法的图像增强研究与实现 14
4.1 原理 14
4.2 评价函数 15
4.3 算法过程 15
4.4 仿真模拟 16
4.5 本章小结 19
第5章 改进粒子群算法的图像增强研究与实现 20
5.1改进量子粒子群算法QPSO 20
5.1.1 GPSO的原理 20
5.1.2 QPSO在图像增强中的应用 21
5.2 免疫粒子群算法 22
5.2.1 免疫粒子群算法的原理 22
5.2.2 免疫粒子群算法的图像增强 24
5.3模拟仿真 24
5.4本章小结 26
第6章 结论与展望 27
6.1 结论 27
6.2 展望 27
参考文献 29
致谢 32
附录 33
中英文献翻译 33
第1章 绪论
1.1 课题的研究背景和意义
粒子群算法[1] (Particle Swarm Optimization，简称为PSO)是肯尼迪和埃博哈特[2]提出的，源自于对鸟类捕食的群聚行为研究。PSO算法的原理就是根据种群里不同粒子的合作竞争以及信息同享来寻求最优解[3]。虽然PSO的发展历程很短，但是它正在不断地被改进和完善中，相信不久的将来就可以趋于完美。对粒子群算法进行分析和归纳，掌握其步骤和特点，使用相应的均方误差作为适应度函数[4]，使用MATLAB进行模拟仿真。算法中有几个关键的参数:加速因子和惯性权值[5]。这两个参数对算法的性能和效果有着重要的影响，研究人员将对此进行分析，为粒子群算法的改进和完善提供更多的帮助。
人类从外界获得的信息大约80%是通过图像获得的，在自然的形式下，图像是物质或能量的实际分布，我们称之为物理图像[6]，但物理图像不能直接用于计算机处理分析，所以必须先把物理图像转换成数字图像，而图像增强是数字图像处理分析中的重要组成部分，作为图像预处理操作，通过增强改善图像的质量，为后续进一步处理奠定基础。
1.2 图像增强的研究现状
图像的生成，图像的传输，图像的变换，这些过程中由于很多外界环境和自身的影响，得到的图像会与原来的图像间产生一些不同，这种不同我们称之为退化。因为图像的退化，使得我们不便从图像里得到需要的信息，给我们的研究和生活带来一定的困难。因此，这时候就需要对降质图进行增强处理。
数字图像处理[7]的发展历史并不算很长，但现在已经成为了人们生活生产方面不可或缺的一个环节，图像增强是数字图像处理的预处理操作。十九世纪八十年代，随着计算机技术的高速发展，数字图像处理迎来了自己发展的黄金时代。到目前为止，数字图像处理在图像通讯、地理信息系统、医疗设备、卫星照片和其他工业领域的应用越来越广泛。由于国内的科技水平与欧美等发达国家仍存在不小的差距，所以数字图像处理的应用还不是很普遍，人们主要从事于理论方面的研究，而把理论应用于实际生产仍远远不够。
图像增强就是通过调整，使得图像的对比度，轮廓等进行改善，从而可以使图像更符合我们的视觉感知，以便使图像可以进行下一步的处理。图像增强的方式，根据分类有三种：第一为空域法，第二为频域法，第三为模糊处理法[8]。在空间域中，对我们要增强的图像，进行灰度变换等操作，这种方法就叫做空域法。这种方法的应用范围过小，算法的普遍适应性差；而频域法是首先对图像进行变换，在频率域中对图像进行变换之后，通过反变换再次返回空间域之中，比如DCT变换[8]等。这类方法如果没有自动化运算的话，计算量过于庞大，且参数的选取人工干预的成分比较多。模糊处理是对图像进行模糊化映射后，得到一张基于特征平面的模糊图像数据，对这张图像数据变换后，将数据逆映射回原来的图像，从而使图像能够增强。虽然这种处理方式更贴合人类的视觉感知，可同样也要求人工的选取来选择函数参数。
近来也有不少学者把智能算法用于图像增强，常见的智能算法有遗传算法、神经网络[9]和模拟退火[9]等，本文用到的是粒子群算法。
1.3 粒子群算法的改进
粒子群算法存在着几个起着重要作用的参数:惯性权重[9]，加速因子[9],最大限制速度,而改进后的粒子群算法所选择的参数也不同。本文将对于粒子群算法及其改进形式的图像增强效果进行对比分析。
1.4 本文的研究内容和章节安排
本文基于粒子群算法、免疫粒子群算法[10]、量子粒子群算法[11]，采用非完全beta函数，利用不同的图像质量评价方法，设计不同的适应度函数来对图像进行自适应增强。
目录
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1 课题的研究背景和意义 1
1.2 图像增强的研究现状 1
1.3 粒子群算法的改进 2
1.4 本文的研究内容和章节安排 2
1.5 本章小结 3
第2章 基本粒子群算法 4
2.1 粒子群算法的定义 4
2.2 算法原理 5
2.3 粒子群算法主要流程 6
2.4 特点 7
2.5 带惯性权重的粒子群算法 8
2.6 本章小结 9
第3章 图像增强方法和图像的客观评价方法 10
3.1 图像增强概述 10
3.2 空域图像增强理论基础 10
3.3 非完全Beta函数 11
3.4 客观图像质量评价方法 11
3.4.1 均方误差法 11
3.4.2 信息熵法 12
3.4.3 平均梯度法 12
3.4.4 改进
*好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
的信息熵法 12
3.5 本章小结 13
第4章 基于粒子群算法的图像增强研究与实现 14
4.1 原理 14
4.2 评价函数 15
4.3 算法过程 15
4.4 仿真模拟 16
4.5 本章小结 19
第5章 改进粒子群算法的图像增强研究与实现 20
5.1改进量子粒子群算法QPSO 20
5.1.1 GPSO的原理 20
5.1.2 QPSO在图像增强中的应用 21
5.2 免疫粒子群算法 22
5.2.1 免疫粒子群算法的原理 22
5.2.2 免疫粒子群算法的图像增强 24
5.3模拟仿真 24
5.4本章小结 26
第6章 结论与展望 27
6.1 结论 27
6.2 展望 27
参考文献 29
致谢 32
附录 33
中英文献翻译 33
第1章 绪论
1.1 课题的研究背景和意义
粒子群算法[1] (Particle Swarm Optimization，简称为PSO)是肯尼迪和埃博哈特[2]提出的，源自于对鸟类捕食的群聚行为研究。PSO算法的原理就是根据种群里不同粒子的合作竞争以及信息同享来寻求最优解[3]。虽然PSO的发展历程很短，但是它正在不断地被改进和完善中，相信不久的将来就可以趋于完美。对粒子群算法进行分析和归纳，掌握其步骤和特点，使用相应的均方误差作为适应度函数[4]，使用MATLAB进行模拟仿真。算法中有几个关键的参数:加速因子和惯性权值[5]。这两个参数对算法的性能和效果有着重要的影响，研究人员将对此进行分析，为粒子群算法的改进和完善提供更多的帮助。
人类从外界获得的信息大约80%是通过图像获得的，在自然的形式下，图像是物质或能量的实际分布，我们称之为物理图像[6]，但物理图像不能直接用于计算机处理分析，所以必须先把物理图像转换成数字图像，而图像增强是数字图像处理分析中的重要组成部分，作为图像预处理操作，通过增强改善图像的质量，为后续进一步处理奠定基础。
1.2 图像增强的研究现状
图像的生成，图像的传输，图像的变换，这些过程中由于很多外界环境和自身的影响，得到的图像会与原来的图像间产生一些不同，这种不同我们称之为退化。因为图像的退化，使得我们不便从图像里得到需要的信息，给我们的研究和生活带来一定的困难。因此，这时候就需要对降质图进行增强处理。
数字图像处理[7]的发展历史并不算很长，但现在已经成为了人们生活生产方面不可或缺的一个环节，图像增强是数字图像处理的预处理操作。十九世纪八十年代，随着计算机技术的高速发展，数字图像处理迎来了自己发展的黄金时代。到目前为止，数字图像处理在图像通讯、地理信息系统、医疗设备、卫星照片和其他工业领域的应用越来越广泛。由于国内的科技水平与欧美等发达国家仍存在不小的差距，所以数字图像处理的应用还不是很普遍，人们主要从事于理论方面的研究，而把理论应用于实际生产仍远远不够。
图像增强就是通过调整，使得图像的对比度，轮廓等进行改善，从而可以使图像更符合我们的视觉感知，以便使图像可以进行下一步的处理。图像增强的方式，根据分类有三种：第一为空域法，第二为频域法，第三为模糊处理法[8]。在空间域中，对我们要增强的图像，进行灰度变换等操作，这种方法就叫做空域法。这种方法的应用范围过小，算法的普遍适应性差；而频域法是首先对图像进行变换，在频率域中对图像进行变换之后，通过反变换再次返回空间域之中，比如DCT变换[8]等。这类方法如果没有自动化运算的话，计算量过于庞大，且参数的选取人工干预的成分比较多。模糊处理是对图像进行模糊化映射后，得到一张基于特征平面的模糊图像数据，对这张图像数据变换后，将数据逆映射回原来的图像，从而使图像能够增强。虽然这种处理方式更贴合人类的视觉感知，可同样也要求人工的选取来选择函数参数。
近来也有不少学者把智能算法用于图像增强，常见的智能算法有遗传算法、神经网络[9]和模拟退火[9]等，本文用到的是粒子群算法。
1.3 粒子群算法的改进
粒子群算法存在着几个起着重要作用的参数:惯性权重[9]，加速因子[9],最大限制速度,而改进后的粒子群算法所选择的参数也不同。本文将对于粒子群算法及其改进形式的图像增强效果进行对比分析。
1.4 本文的研究内容和章节安排
本文基于粒子群算法、免疫粒子群算法[10]、量子粒子群算法[11]，采用非完全beta函数，利用不同的图像质量评价方法，设计不同的适应度函数来对图像进行自适应增强。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wlw/644.html
