基于自适应粒子群算法的灰度图像增强方法及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972060A(43)申请公布日2022.08.30(21)申请号202210277440.6(22)申请日2022.03.16(71)申请人武汉大学地址430072湖北省武汉市武昌区珞珈山武汉大学(72)发明人马刚张大任苗泽锴周伟王桥常晓林(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222专利代理师张辰(51)Int.Cl.G06T5/00(2006.01)G06N3/00(2006.01)G06V10/762(2022.01)权利要求书4页说明书15页附图2页(54)发明名称基于自适应粒子群算法的灰度图像增强方法及设备(57)摘要本发明提供了一种基于自适应粒子群算法的灰度图像增强方法及设备，包括：S1：定义图像转换函数，输入的灰度图像将通过图像转换函数进行增强；S2：通过自适应粒子群算法确定图像转换函数中的参数数值，在保障图像信息量的情况下获得更清晰的图像轮廓；S3：根据自适应粒子群算法确定的参数数值，通过图像转换函数输出增强后的灰度图像。本发明通过在构建图像转换函数时考虑图像的局部信息，改进了传统图像增强中仅考虑图像全局信息的不足，在不损失图像信息量的情况下强化图像轮廓，实现了对求解空间全局搜索与局部挖掘的自适应平衡，不仅规避了人力调整参数的盲目性，还能够保证算法处于稳定的搜索状态，且求解效率更高。CN114972060ACN114972060A权利要求书1/4页1.一种基于自适应粒子群算法的灰度图像增强方法，其特征在于，包括：S1：定义图像转换函数，输入的灰度图像将通过图像转换函数进行增强；S2：通过自适应粒子群算法确定图像转换函数中的参数数值，在保障图像信息量的情况下获得更清晰的图像轮廓；S3：根据自适应粒子群算法确定的参数数值，通过图像转换函数输出增强后的灰度图像。2.根据权利要求1所述的基于自适应粒子群算法的灰度图像增强方法，其特征在于，所述步骤S1中，图像转换函数包含像素全局平均值、像素局部平均值、像素局部标准差和四个可调整参数，计算式为：其中，a、b、c和k是四个可调整参数，根据自适应粒子群算法确定数值；G是像素全局平均值；m(i,j)和σ(i,j)分别是输入的灰度图像第(i,j)位置的像素点在n×n范围内的灰度值平均值和灰度值标准差，n为大于1且小于20的整数；f(i,j)是输入的灰度图像在(i,j)位置的像素点的灰度值；g(i,j)是输入的灰度图像在(i,j)位置的像素点经过图像增强后的灰度值,M×N为图像的长宽尺寸；f(x,y)为输入的灰度图像在n×n范围内(x,y)位置的像素点的灰度值。3.根据权利要求2所述的基于自适应粒子群算法的灰度图像增强方法，其特征在于，所述步骤S2中，自适应粒子群算法包括：S2.1：参数初始化，包括目标函数、求解维度、粒子数目N、迭代上限T、子群数量上限Z、子群粒子数量下限nmin、结构更新间隔tupdate、搜索范围[Xmin,Xmax]、速度范围[Vmin,Vmax]、惯性权重变化范围[ωl,ωu]、第一加速因子变化范围[c1l,c1u]、第二加速因子变化范围[c2l,c2u]、第三加速因子变化范围[c3l,c3u]；其中，目标函数用于度量图像增强的程度，其值越大代表图像增强的效果越好；求解维度即待确定的参数个数，该方法中需求解a、b、c和k，维度固定为四；粒子数目N代表潜在解的数量，一个粒子在求解空间中的位置即4个参数的具体大小，因此一个粒子代表一个潜在解，求解空间由4个参数的取值上、下限组成；迭代上限T是设置的算法终止条件；子群数量上限Z是后续K‑Means聚类算法对粒子分组时最大的分组数量，分组完成后的每组粒子称为子群；子群粒子数量下限nmin是确保每个子群内均包含不少于nmin个粒子；结构更新间隔tupdate的含义是每经过tupdate个迭代步便触发一次K‑Means聚类算法；搜索范围即4个参数的取值上、下限；速度范围用于限制粒子每次迭代的位置变化幅度；惯性权重ω、第一加速因2CN114972060A权利要求书2/4页子c1、第二加速因子c2和第三加速因子c3是自适应粒子群算法中速度迭代公式的四个参数，在设置的变化范围内自适应调整大小；S2.2：通过K‑Means聚类算法将粒子群划分为多个子群，重复100次获得足够的分组结果并计算卡林斯基‑哈拉巴斯指数，选择卡林斯基‑哈拉巴斯指数最大值对应的子群数目Zset并通过K‑Means聚类算法完成此次划分，该次划分过程中聚类中心的数量固定为Zset；K‑Means聚类算法：在空间中随机位置生成Z个聚类中心，根据粒子与每个聚类中心的距离对粒子分组，当存在组内粒子少于nmin时，聚类中心的数量逐次减小1并对所有粒子重新分组，直至所有子