人工鱼群与粒子群混合图像自适应增强算法

人工鱼群与粒子群混合图像自适应增强算法

（）文章编号：１６７１４５９８２０１２１０２８０５０３ＴＰ３９１－－－　　　　　　　中图分类号：

文献标识码：Ａ

计算机测量与控制．２０１２．２０（１０）　

ＣｏｍｕｔｅｒＭｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌ　　　ｐ

·２８０　５·

人工鱼群与粒子群混合图像自适应增强算法

王　敏，黄　峰，叶　松，刘志华，马　宁

（）解放军理工大学气象学院，南京　２１１１０１

摘要：图像处理和分析的智能化和自动化一直是图像处理学科研究热点之一，也是一个亟待解决的关键问题；一般的智能优化算法由于算法较为单一，寻优效果不尽完善，会出现局部搜索不精确、易发生过早收敛等问题；考虑将人工鱼群与粒子群算法混合对图像非线性增强参数进行寻优能很好地避免此类缺陷；实验表明，该算法具有较高的自适应性，即避免了陷入局部极小，加快了收敛速度，且图像灰度覆盖范围广、增强质量评价明显提高。

关键词：图像增强；优化算法；人工鱼群算法；粒子群算法；适应度函数

ＩｍａｅＡｄａｔｉｖｅＥｎｈａｎｃｅｍｅｎｔｂａｓｅｄｏｎＡｒｔｉｆｉｃｉａｌＦｉｓｈ－Ｓｗａｒｍａｎｄ　　　　　　　ｇｐ

ＳｗａｒｍＯｔｉｍｉｚａｔｉｏｎＰａｒｔｉｃｌｅ　　ｐ

，，，ＭＷａｎＭｉｎ，ＨｕａｎＦｅｎＹｅＳｏｎＬｉｕＺｈｉｈｕａａＮｉｎ　　　ｇｇｇｇｇ　　

（，，Ｎ）ＩｎｓｔｉｔｕｔｅｏｆＭｅｔｅｏｒｏｌｏＰＬＡ　ＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏａｎｉｎ１１１０１，Ｃｈｉｎａ　　　　　　２ｇｙｙｇｙｊｇ　

：，ｒｏｃｅｓｓｉｎｒｏｃｅｓｓｉｎＡｂｓｔｒａｃｔＴｈｅｉｎｔｅｌｌｉｅｎｃｅａｎｄａｕｔｏｍａｔｉｏｎｏｆｉｍａｅａｎｄａｎａｌｓｉｓｈａｓｂｅｅｎｏｎｅｆｏｃｕｓｏｆｉｍａｅａｌｓｏａｋｅｉｓｓｕｅ　　　　　　　　　　　　　　　　ｐｇｐｇｇｇｙｇｙ　　

，ｎｅｅｄｔｏｂｅｓｏｌｖｅｄ．Ａｓｔｈｅｕｓｕａｌｉｎｔｅｌｌｉｅｎｔｏｔｉｍｉｚａｔｉｏｎａｌｏｒｉｔｈｍｉｓｒｅｌａｔｉｖｅｌｕｎｉｔａｒａｎｄｎｏｎ－ｐｅｒｆｅｃｔｅｆｆｅｃｔｓｏｔｈｅｌｏｃａｌｓｅａｒｃｈｉｓｉｍ－ｗｈｉｃｈ　　　　　　　　　　　　　　　　　　ｇｐｇｙｙ　　ｒｅｃｉｓｅａｒｔｉｃｌｅａｒａｍｅｔｅｒｓａｎｄｅａｒｌｔｏｃｏｎｖｅｒｅｎｃｅ．Ｃｏｎｓｉｄｅｒａｍｉｘｏｆａｒｔｉｆｉｃｉａｌｆｉｓｈ－ｓｗａｒｍａｎｄｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎｔｏｆｉｎｄｔｈｅｅｎｈａｎｃｅｍｅｎｔ　　　　　　　　　　　　　　　　　ｐｐｐｙｇｐ　

，ｔｈａｔｅｔｔｉｎｃａｎａｖｏｉｄａｂｏｖｅｄｅｆｅｃｔｓ．Ｔｈｅｅｘｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅａｌｏｒｉｔｈｍｈａｓａｈｉｈｅｒｓｅｌｆ－ａｄａｔｉｖｅｔｈａｔｉｓｔｏａｖｏｉｄｉｎｔｏｌｏｃａｌｍｉｎｉ　　　　　　　　　　　　　　　　　　　－ｇｇｐｇｇｐ　，ｍｕｍ，ｔｈｅｃｏｎｖｅｒｅｎｃｅｉｓｓｅｅｄｕａｎｄｅｎｈａｎｃｅｔｈｅｕａｌｉｔａｓｓｅｓｓｍｅｎｔｉｓｉｍｒｏｖｅｄｓｉｎｉｆｉｃａｎｔｌ．　　　　　　　　　　ｇｐｐｑｙｐｇｙ　

：；；；Ｋｅｗｏｒｄｓｉｍａｅｅｎｈａｎｃｅｍｅｎｔｏｔｉｍｉｚａｔｉｏｎａｌｏｒｉｔｈｍｓａｒｔｉｆｉｃｉａｌｆｉｓｈ－ｓｗａｒｍａｌｏｒｉｔｈｍ；ａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎ　　　　　　　ｇｐｇｇｐｐｙ　

０　引言

图像在成像过程中受到传感器性能下降、恶劣天气等因素的影响，导致目视效果较差，影响目视解译、目标提取等后续）就是为了改善图像的操作。图像增强（ＩｍａｅＥｎｈａｎｃｅｍｅｎｔ　ｇ

视觉效果，或者使图像让人或机器能更好地分析和理解，用图像中的一些特征和存在的问题采取强有力的方法加强图形部分

１］

。利用非完全Ｂ特征［ｅｔａ函数进行的非线性增强需要人为设

个体寻优进化的动力达到提高增强时效的同时提高增强效果。

１　图像非线性增强

图像像素灰度变换可用如下最基本的形式表达：

＊

（）Ｉｉ１ｘｘｙ＝ｆ（ｙ）

Ｉ为输出的增强图像像素点（ｘ，ｙ）的灰度值，ｆ　　其中，

是非线性变换。一般对不同质量的图像则采用不同的变换函

数，与此对应的变换函数大致有四类。

置参数，使得利用智能优化算法来自动设置最佳参数成为可能。

人工鱼群算法（ＡｒｔｉｆｉｃｉａｌＦｉｓｈ－Ｓｗａｒｍ　Ａｌｏｒｉｔｈｍ，ＡＦ　－ｇ

，ＳＡ）和粒子群算法（ｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎＰＳＯ）都是ａｒｔｉｃｌｅ　　ｐｐ

基于动物行为的群体智能优化算法，但ＡＦＳＡ后期收敛速度

［２］

较慢，只能找到满意的解的域，很难得到精确的最优解；ＰＳＯ算法后期，也会由于粒子的同一化，使得算法很难跳出局部最优，引起显著的早熟现象。

基于上述两种算法各自的缺陷，本文考虑将两种算法有机地结合起来应用到图像非线性增强过程：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，并利用新的适应度函数增进

；。收稿日期：２０１２０４１８２０１２０６１６－－　修回日期：－－

；基金项目：国家自然科学基金（解放军理工大学气象学４０９７６０６２）院基础理论研究基金项目；解放军理工大学预先研究基金项目。

，作者简介：王　敏（女，陕西咸阳人，硕士，讲师，主要从事图１９８３－）像处理、模式识别方向的研究。

人工鱼群与粒子群混合图像自适应增强算法



３］

。该归一化的非完全Ｂ这４类变换曲线［ｅｔａ函数Ｆ（ｕ）定义

为：

·２８０６·　　　计算机测量与控制　第２０卷

［］

发于１９９５年共同提出的６。基本原理是一个由ｍ个粒子组成

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



Ｍ－２

Ｎ

ｘ，ｙ

２

－ｉｘ２，＋ｙ）；

第１０期王　敏，等：人工鱼群与粒子群混合图像自适应增强算法·２８０７·　

Ｆｂｒ＝Ｉｎｃ＝Ｃ＝

ｉ∑∑（

ｘ＝１ｙ＝１

ｎ（ｈ）ｔ＞

∑１；

２，即周长的平方与面积的比。ＰＡ

Ａ

）每条人工鱼体通过觅食、聚群、追尾和随机行为更新ｃ自己的位置。

）鱼群终止条件。若达到预设进化代数，将最优值、最ｄ

），否则转ｂ）。优位置更新于公告板，转ｅ

）重新初始化所有微粒的位置和速度，或者将鱼群最大ｅ

进化代数时粒子的信息对应赋值给微粒群粒子信息。

）将公告板最优位置、最优值信息赋给ｐｂｅｓｔ和ｇｂｅｓｔ。ｆ

）评价每个微粒的适应度。ｇ

）对每个微粒，将其适应值与其经历过的最好位置ｐｂｅｓｔｈ

。作比较，如果较好，则将其作为当前的最好位置ｐｂｅｓｔ）对每个微粒，将其适应值与全局所经历的最好位置ｉ

。ｂｅｓｔ作比较，如果较好，则更新全局最好位置ｇｂｅｓｔｇ

）根据式（）、式（）更新微粒的速度和位置。１２ｊ）检查终止条件（通常为达到预设进化代数或足够好的ｋ

，如果满足终止条件，则输出最优解，算法终止；否适应值））。则转ｇ

（）图像增强：３

，上述得到的非线性变换函数设为Ｆ（ｕ）０≤ｕ≤１，则变

换后的图像为：

）′（ｘ，ｘ，ｇｙ）＝Ｆ（ｇ（ｙ）

０≤ｇ′（ｘ，　　其中，ｙ）≤１。

（）反归一化处理：４

得到的最终输出图像为：

（）９

参考文献：

［］朱凯军，周　焰，兰祖送．基于区域分割的雾天图像增强算法１

［］）：６Ｊ．计算机测量与控制，２００６，１４（５６１６６３．－

［］李晓磊，邵之江，钱积新．一种基于动物自治体的寻优模式：鱼群２

］）：３算法［Ｊ．系统工程理论与实践，２００２，２２（１１２３８．－［］ＴＵ］３ＢＢＳＪＤ．Ａｎｏｔｅｏｎｉｍａｅｅｎｈａｎｃｅｍｅｎｔ［Ｊ．Ｐａｔｔｅｒｎａｒａｍｅｔｒｉｃ　　　　　　　ｇｐ

，１）：６Ｒｅｃｏｎｉｔｉｏｎ９８７，２０（６１７６２１．－ｇ

［］：，４ＥｂｅｒｈａｒｔＲＣ，ＳｈｉＹ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎｄｅｖｅｌｏｍｅｎｔｓ　　　　　ｐｐ

，Ｋ：Ｐａｌｉｃａｔｉｏｎｓａｎｄｒｅｓｏｕｒｃｅｓ［Ａ］．ＳｅｏｕｌｏｒｅａｒｏｃＩＥＥＥＩｎｔ＇ｌ　　　　ｐｐ

ｏｎＥｖｏｌｕｔｉｏｎａｒＣｏｍｕｔａｔｉｏｎ［Ｃ］．２００１：８１８６．Ｃｏｎｆ　　－ｙｐ　［］高　尚，杨静宇．群智能算法及其应用［５Ｍ］．北京：中国水利水

电出版社，２００６．

［］Ｋ，６ＥＮＮＥＤＹＪＥＢＥＲＨＡＲＴＲ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎ［Ａ］．　　　　ｐ

ＰｒｏｃｅｅｄｉｎｓｏｆＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ　　　　　　　ｇ［，Ａ，Ｃ］．Ｐｅｒｔｈｕｓｔｒａｌｉａ１９９５：１９４２１９４８．－

［］孙勇强，秦媛媛．基于微粒群算法的彩色图像增强研究［］７Ｊ．徐州

，２）：３工程学院学报（自然科学版）００９，２４（３６４０．－

［］李丙春，耿国华．基于粒子群优化的图像自适应增强方法［］８Ｊ．

）：４计算机工程与设计，２００７，２８（２０９５９４９６１．－

［］姚祥光，周永权，李咏梅．人工鱼群与微粒群混合优化算法［］９Ｊ．

图２　实验原图像及其灰度直方图

）：２计算机应用研究，２０１０，２７（６０８４２０８６．－

［１０］ＧｏｎｚａｌｅｚＲａｆａｅｌＣ．ＤｉｉｔａｌＩｍａｅＰｒｏｃｅｓｓｉｎＵｓｉｎＭＡＴＬＡＢ　　　　ｇｇｇｇ　　

［：：Ｍ］．ＢｅｉｉｎＰｕｂＨｏｕｓｅｏｆＥｌｅｃｔｒｏｎｉｃｓＩｎｄｕｓｔｒＰｅａｒｓｏｎＥｄｕ　　　　　－ｊｇｙ）ｃａｔｉｏｎ（ＡｓｉａＣｏ．２００４．

图３　两种优化增强结果及其灰度直方图

５　结论

本文提出了将人工鱼群与微粒群混合进行图像增强的算法，先利用人工鱼群算法全局收敛性好的优点找到满意的全局收敛域，再利用粒子群算法收敛速度快的优点进而得到图像非线性增强Ｂｅｔａ函数的最优参数α，ａｔｌａｂ仿真实验表β。通过Ｍ

明，该算法较仅使用人工鱼群算法、粒子群算法的增强处理，在提高算法的搜索效率、收敛精度以及图像增强效果等方面有显著成效。

ｘ，Ｌｍａｘ，′（′（＋Ｌｍｘ－Ｌｍｉｎ）ｉｎｆｙ）＝（ｇｙ）（）１０

４　实验仿真

为验证本文算法的有效性，采用ＭＡＴＬＡＢ７．０对同一幅

１０］

）进行增强仿真实验［。分别采用一般的Ｐ较暗图像（图２ＳＯ优化与本文的ＡＦＡＳ＋ＰＳＯ结合的优化算法对图３进行非线性增强比较，效果评价以处理后图像的直方图为标准。其实验结果图如图４所示。

从图３可以看出，通过本文设计的基于ＡＦＡＳ＋ＰＳＯ优化算法进行图像非线性增强，较一般粒子群优化增强算法而言，灰度分布更加均匀，对比度明显，视觉效果更好

。

本文来源：https://www.bwwdw.com/article/dsdm.html