果蠅算法與改進蟻群算法優(yōu)化模糊集的自適應(yīng)圖像增強

王琦,徐克儉

果蠅算法與改進蟻群算法優(yōu)化模糊集的自適應(yīng)圖像增強

王琦1,徐克儉2

1. 北京聯(lián)合大學師范學院, 北京 100011 2. 北京海關(guān), 北京 100022

計算機視覺圖像在采集和傳輸過程中，容易受到噪聲的干擾而變得模糊不清，傳統(tǒng)的模糊集圖像增強算法具有計算量大、參數(shù)手動設(shè)置和適應(yīng)性差的缺點，使得圖像處理效率低下和增強質(zhì)量較差，無法滿足現(xiàn)實需求。本文將改進的蟻群算法引入計算機視覺圖像模糊增強，以模糊熵為圖像增強效果的評價指標，并對模糊圖像增加參數(shù)進行自適應(yīng)選擇。結(jié)果表明，本算法可以提高圖像的模糊熵、改善圖像視覺效果和清晰度，同時可以較好地突出某些特征。

果蠅優(yōu)化算法; 蟻群算法; 模糊熵; 圖像增強

計算機視覺圖像在采集和傳輸過程中，容易受到噪聲的干擾而變得模糊不清，因此，增強處理噪聲圖像可以提高圖像質(zhì)量，突出某些特征，使得圖像變得清晰，改善視覺效果。圖像增強的方法主要包括頻域法、空域法和模糊集增強等三大類方法[1-3]。由于這些傳統(tǒng)方法存在計算量大和效率低下等缺點，限制了這些方法的應(yīng)用和推廣。針對傳統(tǒng)的模糊集增強算法存在計算量大、參數(shù)手動設(shè)置參數(shù)效率低和適應(yīng)性差的缺點，運用果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm，F(xiàn)OA）對蟻群算法（Ant Colony Optimization，ACO）的啟發(fā)因子、期望因子、信息素揮發(fā)度三個參數(shù)進行優(yōu)化，提出一種FOAACO優(yōu)化模糊集的自適應(yīng)圖像增強算法。通過運用改進的蟻群算法自適應(yīng)尋優(yōu)選擇圖像模糊增強的參數(shù)，實現(xiàn)圖像的模糊集自適應(yīng)增強。

1 圖像模糊集增強

模糊集增強算法是一種圖像對比圖增強算法，其最初是由Pal SK等人[4-6]提出，其算法步驟如下：

Step 1：針對不同圖像以及不同增強目的，根據(jù)公式（2）計算隸屬度函數(shù)值，F、F和g分別為指數(shù)型模糊因子、倒數(shù)型模糊因子和最大像素值，所有隸屬度函數(shù)值的集合稱為模糊特征平面，圖像模糊集的模糊性大小由F、F和g三個參數(shù)決定。

當=(g)=0.5時，此點稱為渡越點。渡越點g與模糊參數(shù)的數(shù)學關(guān)系如公式（1）所示[7]：

Step 2：圖像通過變換由空間域轉(zhuǎn)換到模糊域。

模糊增強算子通過公式(3)的變換的回歸調(diào)用修正隸屬度(?￠)[8]：

Step 3：新灰度級￠通過-1反變換實現(xiàn)圖像由模糊域到空間域的轉(zhuǎn)換[9,10]：

2 FOA優(yōu)化蟻群算法

2.1 果蠅優(yōu)化算法

FOA算法流程如下：

Step 1：FOA算法初始化：種群規(guī)模和最大迭代次數(shù)，果蠅群體位置初始化為_、_；

Step 2：參考公式（1）和公式（2），計算果蠅個體的尋優(yōu)方向和搜索距離；

其中，表示果蠅的搜索距離；x、y為果蠅個體的下一時刻的位置。

Step 3：根據(jù)公式（7）以及公式（8），計算果蠅個體距離參考原點的距離d，對距離d求倒數(shù)，獲得每個果蠅個體的味道濃度S；

Step 4：參考公式（9）計算出果蠅個體當前位置的適應(yīng)度值；

Step 5：找到果蠅群體中最佳適應(yīng)度值及其對應(yīng)的最佳位置，最佳適應(yīng)度表示為Smell，最佳位置表示為（x,y）；

Step 6：記錄并保留果蠅最佳位置和最佳適應(yīng)度，最佳適應(yīng)度=Smell，果蠅初始位置_=x，_=y，同時果蠅群體向果蠅最佳位置的方向搜索尋優(yōu)；

Step 7：循環(huán)重復Step 2~Step 5，判斷當前適應(yīng)度是否優(yōu)于歷史最優(yōu)適應(yīng)度；若滿足條件，則執(zhí)行Step 6。

2.2 FOAACO算法流程

果蠅算法優(yōu)化蟻群算法思想實質(zhì)：首先，運用果蠅算法的快速尋優(yōu)能力，生成初始信息素分布，參數(shù)分別為啟發(fā)因子、期望因子、信息素揮發(fā)度；在最優(yōu)參數(shù)啟發(fā)因子、期望因子、信息素揮發(fā)度的情況下，再運用蟻群算法。果蠅算法優(yōu)化蟻群算法的算法流程如下：

算法初始階段，隨機生成FOA種群，計算每個種群所對應(yīng)的適應(yīng)度，通過比較，找到種群中最小適應(yīng)度min，然后更新果蠅群體的速度和位置。當算法達到最大迭代次數(shù)時，將最小適應(yīng)度值min所對應(yīng)的啟發(fā)因子、期望因子、信息素揮發(fā)度用于蟻群算法的參數(shù)尋優(yōu)。

Step 1：初始化果蠅群體位置為_、_，種群規(guī)模和最大迭代次數(shù)；

Step 2：計算每個果蠅個體的適應(yīng)度，比較當前適應(yīng)度和歷史最優(yōu)適應(yīng)度；若當前適應(yīng)度優(yōu)于歷史最優(yōu)適應(yīng)度，則保留當前適應(yīng)度的位置；反之，則保留歷史最優(yōu)適應(yīng)度的位置。

Step 3：更新果蠅群體的位置和速度；

Step 4：算法停止條件判定，若<，則算法終止；反之，返回Step 2；

Step 5：將最小適應(yīng)度min對應(yīng)的啟發(fā)因子、期望因子、信息素揮發(fā)度用于蟻群算法的參數(shù)尋優(yōu)。

3 FOAACO模糊集增強

3.1 模糊熵

模糊集圖像增強的效果由信息熵的大小決定，因此通過比較圖像增強前后的信息熵大小來評價圖像增強的效果[12]。

其中，p表示歸一化后的直方圖。

其中，、S分別表示圖像的尺寸大小和函數(shù)，其中

3.2 目標函數(shù)

為提高模糊熵的敏感性，本文根據(jù)公式（13）改進模糊熵，改進之后的目標函數(shù)為：

4 實驗分析

4.1 直觀視覺分析

為了驗證本文算法的增強效果，選擇人物圖像、景物圖像為研究對象，將FOAACO、FOA和ACO進行對比，結(jié)果分別如圖1和圖2所示。

圖1 人物圖像增強結(jié)果

圖2 景物圖像增強結(jié)果

4.2 模糊熵分析

由表1可知，相對于其他圖像增強算法，F(xiàn)OAACO算法由于它的快速收斂特性和良好的全局搜索能力，在規(guī)定的時間條件下，可以獲得最大模糊熵和最小的標準方差，因此FOAACO增強算法在時間和精度上實現(xiàn)了完美結(jié)合，同其他圖像增強算法相比較，具有更高的效率和質(zhì)量。

表1 不同算法增強結(jié)果的模糊熵

5 結(jié)論

針對傳統(tǒng)的模糊集圖像增強算法具有計算量大、參數(shù)手動設(shè)置和適應(yīng)性差的缺點，運用果蠅優(yōu)化算法對蟻群算法的啟發(fā)因子、期望因子信息素揮發(fā)度三個參數(shù)進行優(yōu)化，提出一種FOAACO優(yōu)化模糊集的自適應(yīng)圖像增強算法。通過直觀視覺分析、模糊熵值分析結(jié)果可知，改進的蟻群算法優(yōu)化模糊集增強可以有效地改善計算機視覺圖像的視覺效果，同時突出某些特征。

[1] 曹風云,趙凱,王筱薇倩,等.自適應(yīng)水下彩色圖像增強算法[J].電子測量與儀器學報,2016,30(5):772-778

[2] 張雪峰,趙莉.基于改進Retinex的圖像增強算法[J].南京理工大學學報:自然科學版,2016,40(1):24-28

[3] 李毅,張云峰,年輪,等.尺度變化的Retinex紅外圖像增強[J].液晶與顯示,2016,31(1):104-111

[4] 蘇娟,李冰,王延釗.結(jié)合PCNN分割和模糊集理論的紅外圖像增強[J].光學學報,2016(9):82-90

[5] 全永奇,李太君,鄧家先,等.模糊集與非線性增益相結(jié)合的自適應(yīng)圖像增強算法[J].計算機應(yīng)用研究,2016(1):311-315

[6] 楊衛(wèi)中,徐銀麗,喬曦,等.基于對比度受限直方圖均衡化的水下海參圖像增強方法[J].農(nóng)業(yè)工程學報,2016,32(6):197-203

[7] 王小元,張紅英,吳亞東,等.基于視覺感知的低照度圖像增強算法[J].計算機工程,2016,42(8):249-254

[8] 段群,吳粉俠,李紅.雙通道分塊同態(tài)濾波彩色圖像增強算法[J].計算機技術(shù)與發(fā)展,2016(1):82-85

[9] 錢鈞,李良福,周鋒飛,等.基于結(jié)構(gòu)特征引導濾波的深度圖像增強算法研究[J].應(yīng)用光學,2016,37(2):203-208

[10] 牛為華,孟建良,崔克彬,等.利用Grümwald-Letnikov分數(shù)階方向?qū)?shù)的圖像增強方法[J].計算機輔助設(shè)計與圖形學 學報,2016,28(1):129-137

[11] 李紀成,謝凱,阮寧君,等.基于曲波變換的醫(yī)學圖像增強算法[J].計算機工程與設(shè)計,2017,38(1):187-191

[12] 陳昌龍,孫克輝.基于圖像特征分塊的分數(shù)階微分圖像增強算法[J].計算機工程與應(yīng)用,2016,52(14):186-191

Self-adaption Image Enhancement Algorithm of Fruit Fly Optimization Algorithm and Improved Ant Colony Optimization

WANG Qi1, XU Ke-jian2

1.100011,2.100022,

In the course of collecting and transmitting computer visual images, they are easy to become blurred by noise. The traditional fuzzy set image enhancement algorithm has the disadvantages of large computation, manual setting parameters and poor adaptability, which makes the image processing efficiency and the image quality poor so as to not meet the needs of reality. The improved ant colony algorithm was introduced into computer vision image fuzzy enhancement whose effect was evaluated by the fuzzy entropy and add parameter into fuzzy images to self-adaptive selection. The results showed that the algorithm could improve the fuzzy entropy, the visual effect and sharpness and highlight some features on image.

Fruit Fly Optimization Algorithm; Ant Colony Optimization; fuzzy entropy; image enhancement

TP391.1

A

1000-2324(2018)05-0832-04

10.3969/j.issn.1000-2324.2018.05.022

2017-09-02

2017-11-12

王琦(1972-),女,碩士,副教授,主要研究方向為計算機圖形圖像處理、多媒體技術(shù)應(yīng)用、數(shù)據(jù)庫應(yīng)用. E-mail:sftwangqi@buu.edu.cn