人工鱼群与粒子群混合图像自适应增强算法(2)

的群体在Ｄ维搜索空间以一定的速度飞行，每个粒子在搜索时，考虑到了自己搜索到的为最好点和群体内其他粒子的历史最好点，在此基础上进行位置的变化。和遗传算法相似，它也

ｕ

）ｄ，Ｆ（ｕ）＝Ｂ（１－ｔｔ×ｔ（α，β）

１－

１－α

１－β

０∫

０＜α，０β＜１

ｅｔａ函数，表示如下：Ｂ（　　其中，α，β）为Ｂ

１

１１－－αβ）Ｂ（１－ｔｄｔα，β）＝ｔ（

０

（）２

是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，没有遗传算法）以及变异（）操作，在大多数用的交叉（ｃｒｏｓｓｏｖｅｒｍｕｔａｔｉｏｎ

的情况下，所有的粒子可能更快地收敛于最优解。

粒子的进化方程为：

ｋ１ｋｋｋｋｋ＋

（）ｖｃ５＝ｖ＋ｃＤ－ｘｉＤ＋ｉＤ－ｘｉＤ）ｉＤ）ｉＤ１２ｐｐｇζ（η（

ｋ１ｋｋ１＋＋

（）ｘ６＝ｘｉＤｉＤｉＤ＋ｖ

０，１］区间内均匀分ｃｃ　　其中，１，２为学习因子；ζ，η为在［ｋ１ｋｋ１ｋ１＋＋＋

，布的伪随机数；ｘｘｋ个粒子的位置；ｖｖｉＤ，ｉＤ，ｉＤｉＤ为第ｋ＋１

为第ｋ＋１，ｋ个粒子的速度。

∫

（）３

　　通过调整α，β的值，就可以得到图１所示的各种类型的非

线性变换曲线。

据此，归一化的非完全Ｂｅｔａ函数进行灰度转换的表达式为：

）（（）ｔ４

０Ｂαβｘ，ｙ）的灰度值（ｉ０≤ｉ　　其中，ｘｘｙ原始图像像素（ｙ≤

，０＜Ｔ（１）ｇ）＜１。

Ｔ（ｉｉ＝ｆ（α，ｘｘｙ）ｙ，β）＝

∫

ｉｘｙ

１－α１－β

３　基于ＡＦＳＡ＋ＰＳＯ的图像增强７－８

［］

２　人工鱼群算法及微粒群算法

２．１　人工鱼群算法

人工鱼群算法是一种基于行为的人工智能思想，通过鱼在水里的行为方式模拟构建了一种鱼群模式，用来解决寻优问题，从而产生了一种新型的智能算法，即人工鱼群算法在水里主要有觅食、聚群和追尾三种行为：

（）觅食行为：鱼一般会呆在食物较多的地方。一般在水１

里游的鱼，当它发现食物时，会向其游去。

）聚群行为：鱼在水中大多是群聚在一起，这样是为了（２

能够更好地在水中生存，观察鱼群不难发现，鱼群中每条鱼之间都保持有一定的距离，而且它们会尽量保持方向一致，而外围的鱼也都是不断像中心的位置靠近。

（）追尾行为：在鱼群中，当一条鱼或者几条鱼发现食物３

时，其它的鱼也会尾随其快速地游到食物分布较多的地方。

人工鱼群算法就是针对鱼的这三种行为对每条人工鱼进行设计，根据鱼寻找食物的特点，在算法中也是通过寻找局部最优值来得出整体最优值，通过实验发现人工鱼群算法具有以下特点：

（）对函数的本身要求低，只需要对函数进行比对；１（）对初始值的要求不高，初始值可以随机产生也可以是２固定值；

（）能够很快地通过局部的最优值找出整体的最优值；３

）多条人工鱼可以同时寻找最优值，计算速度快；（４

）对参数的设定要求不高，适应力强。（５

５］

：假设在一个ｎ维的目标搜索空间其数学模型描述如下［

中，有Ｎ条人工鱼组成一个群体，每条人工鱼个体的状态可，其中ｘ表示为向量Ｘ＝（ｘｘｘｉ＝１，２，…，１，２，…，ｎ）ｉ（

ｎ）为欲寻优的变量；人工鱼当前所在位置的食物浓度表示为，其中Ｙ为目标函数；人工鱼个体之间的距离表示Ｙ＝ｆ（ｘ）

为ｄ，ｖｉｓｕａｌ表示人工鱼的感知范围；σｉｉ－Ｘｊ＝｜‖Ｘｊ‖｜；表示拥挤度因子；ｓｔｅｔｒｎｕｍｂｅｒ表ｐ表示人工鱼移动的步长；ｙ示人工鱼每次觅食最大的试探次数。

２．２　粒子群算法

粒子群算法是Ｋｅｎｎｅｄｂｅｒｈａｒｔ受鸟群觅食行为的启ｙ和Ｅ

［４］

３．１　人工鱼群及粒子群算法各自的缺陷

人工鱼群算法对初值、参数选择不敏感，具有良好的克服局部极值、取得全局极值的能力，但后期收敛速度较慢，只能找到满意的解的域，很难得到精确的最优解。微粒群优化算法中的各个微粒根据自身所经历的最好位置ｐｂｅｓｔ和群体所经历）、式（）动态地调整当前速度的最好位置ｇｂｅｓｔ，利用式（１２

和当前位置，具有较快的收敛速度。然而在算法后期，由于粒子的同一化，使得算法很难跳出局部最优，引起显著的早熟现

９］

。象［

。鱼

３．２　人工鱼群与微粒群混合增强算法

若将两种算法有机地结合起来，根据算法结合中“取长补短”的思想，保留两种算法的优点：先利用人工鱼群的全局收敛性快速寻找到满意的解域，再利用粒子群算法进行快速的局部搜索，使得混合后的算法不仅具有快速的局部搜索速度，而且保证具有全局收敛性能。

该混合算法应用于图像非线性增强的具体流程如下：（）图像归一化处理：设ｆ（１ｘ，ｘ，ｙ）表示坐标为（ｙ）的原始图像灰度值，′（ｘ，ｆｙ）为其处理后的灰度值，／［ｘ，ｘ，Ｌｍａ－Ｌｍｉｎ］ｘ－Ｌｍｉｎ］ｇ（ｙ）＝［ｆ（ｙ）其中ＬｍａＬｍｘ，ｉｎ为该图像灰度的最大和最小值。

（）Ａ２ＦＡＳ＋ＰＳＯ优化最佳非线性变换参数：

（）７

）在可行域内随机初始化人工鱼群规模Ｎ、每条人工鱼ａ

、移动步长ｓ的初始位置、视野ｖｉｓｕａｌｔｅｐ、拥挤度因子δ、最、粒子群的加速系数ｃ大重复尝试次数ｔｒｎｕｍｂｅｒｙ１和ｃ２、鱼群迭代次数、微粒群迭代次数等。

）计算每条人工鱼的适应度，并与公告板的状态比较，ｂ

若较好，则将其赋给公告板。

，其值越大，图像这里使用新设计的适应度函数Ｆｉｔｎｅｓｓ增强后的效果越好。考虑的因素除了最突出的图像的方差Ｆａｃ之外，还有信息熵Ｅ、像素差别Ｆｂｒ、信噪改变量Ｉｎｃ以及紧致度Ｃ等性能参数。表达式为：

Ｆｉｔｎｅｓｓ＝Ｅ·Ｉｎｃ［Ｆ．５Ｃ］＋Ｆａｃ＋２ｂｒ

２２

Ｆｉｉ　　其中，ａｃ＝ｘｘｙ－ｙ）；∑∑∑∑ｎｘ＝１ｙ＝１ｎｘ＝１ｙ＝１

Ｌ１－

Ｍ

Ｎ

Ｍ

Ｎ

（）８

Ｅ＝－∑ｐｌｏｇｉ２ｉ；ｐ

ｉ＝０

人工鱼群与粒子群混合图像自适应增强算法

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说公务员考试人工鱼群与粒子群混合图像自适应增强算法(2)在线全文阅读。