当前位置:文档之家› 基于粒子群算法的图像增强(ppt)

基于粒子群算法的图像增强(ppt)


pso在国内外的研究状况及发展
趋势
近年来PSO算法得到很 大发展,并在多个领域 得到应用
如信号处理、生物信息 学、电力系统优化、神 经网络训练、数字电路 优化、函数优化、交通 事故探测、参数辨识等
pso在国内外的研究状况及发展
趋势
1. 如何利用生物技术研究计 算问题是人工智能研究的重 要方向之一。随着复杂适应 系统(Comp lexAdap tive System, CAS)理论于1994年 正式提出,基于该理论的群智 能算法也随之飞速发展.CAS 中的成员称为主体,主体有适 应性,它能够与环境及其它主 体进行交流,并且在交流的过 程中“学习”或“积累经验” 改变自身结构和行为 。
PSO研究的主要方向和热点
(4) PSO的扩展应用 目前PSO 的多数研究是针对
直角坐标系统描述的系统、 离散系统和单一优化系统,而 实际系统中,很多系统是非直 角坐标系统描述的系统、离 散系统、组合优化的系统,目 前在这些系统中应用PSO算法 可供参考的研究还较少,广泛 地开拓PSO在这些领域的应用 不仅具有实际意义,同时对深 化研究PSO也非常有意义。
图像增强算法
微光图像实时对比度增强处 理
对比度低是微光图像主要特 征之一,对比度扩展是微光 图像增强处理的重要技术手 段。
在分析不同照度下微光图像直方 图分布的基础上,建立专门的灰 度变换函数,并完成硬件电路的 设计与调试,实现微光图像的实 时处理。
该方法可直接应用于微光电视系 统,能够显著地提高微光图像质 量。
实验结果表明,该算法可以 有效提高雾天降质图像的对 比度,视觉效果改善明显。
图像增强算法
多尺度Retinex灰度图像增强 算法
An Enhancing Algorithm of the Grey Image Based on MultiScale Retinex
为提高图像识别在分类时的 质量,必须在图像的预处理 阶段对噪声进行滤除,对图 像中的目标对象加以增强。 从研究图像增强的空域法入 手,利用多尺度Retinex灰度 图像增强算法完成图像的增 强。
图像增强
图1 原始图像
图2 增强后的图像
图3原始的灰度直方图
图4增强后后的灰度直方图
图像增强算法
用matlab实现图像对比度增强 图像增强按所用方法可分成
算法
频率域法和空间域法。
图像对比度增强---增强图象 中的有用信息,它可以是一 个失真的过程,其目的是要 增强视觉效果。将原来不清 晰的图像变得清晰或强调某 些感兴趣的特征,抑制不感 兴趣的特征,使之改善图像 质量、丰富信息量,加强图 像判读和识别效果的图像处 理方法。
前者把图像看成一种二维信 号,对其进行基于二维傅里 叶变换的信号增强。采用低 通滤波(即只让低频信号通 过)法,可去掉图中的噪声; 采用高通滤波法,则可增强 边缘等高频信号,使模糊的 图片变得清晰。具有代表性 的空间域算法有局部求平均 值法和中值滤波(取局部邻 域中的中间像素值)法等,
它们可用于去除或减弱噪声。
图像增强算法
基于小波变换的低对比度图 像增强
(1)针对传统算法存在噪声 过增强的问题,提出了基于 小波分析的图像增强算法。 在小波变换多尺度分析的基 础上,算法对图像多尺度分 解得到的小波系数进行缩减 去噪,然后在不同尺度上对 各分解系数进行不同程度的 增强;
(2)对同一尺度的系数进行 非线性处理以增加对比度;
PSO 研究展望
因此PSO研究的主要方向和热 点可以归纳如下:
(1)算法基理的数学基础研究 (2) 将各种先进理论引入到
PSO。各种先进理论的引入, 可以研究性能良好的新型粒 子群拓扑结构。
(3) 与其它智能优化算法的 融合。
(4) PSO的扩展应用。
PSO 研究展望
(1)PSO在实际应用中被证 明是有效的,但目前还没有给 出收敛性、收敛速度估计等 方面的数学证明,已有的工作 还远远不够。
针对低对比度偏暗并带有噪 声的图像,结合人眼的视觉 感知特性,提出了一种图像 增强的新方法。
首先在空域进行中值滤波去 噪处理,然后对图像进行分 块,对背景的亮度进行粗略 估计.并用插值算法平滑数 据.最后校正图像的不均匀 性并将像素值调整到整个灰 度级实现图像的增强。
实验结果表明.该方法在去 除噪声同时并使图像的整体 对比度得到明显的改善,又 能突出图像中目标的细节部 分信息.有效增强了图像的 视觉效果。
做到改善图像颜色恒常性, 压缩图像动态范围,提高对 比度,有效显示淹没在阴影、 光照等区域中的细节。在仿 真实验中,对图像进行高斯 滤波,确定了高斯滤波系数。
仿真结果证明该方法可行, 在完成图像增强的同时的红外图像复合增强 算法
A New Combined Algorithm for Infrared Image Enhancement
(3)增强低频子带图像的对 比度以保证整体的增强效果, 实验表明,该算法能有效地 增强低对比度图像,减小了 噪声的增强幅度,使结果图 像具有很好的视觉效果。
图像增强算法
空域中基于低对比度图像增 强方法Enhancement of low contrast image in spatial domain
基于粒子群算法的图像增强
图像增强 粒子群算法
粒子群研究的内容 粒子群的算法思想 粒子群算法的改进研究 粒子群研究展望
图像增强的原理 图像增强的方法 图像增强的应用
图像增强算法
图像增强
图像增强,即有目的地强调图像的整体或局 部特性,将原来不清晰的图像变得清晰或强 调某些感兴趣的特征,扩大图像中不同物体 特征之间的差别,抑制不感兴趣的特征,使 之改善图像质量、丰富信息量,加强图像判 读和识别效果,满足某些特殊分析的需要。 因此图像增强的研究具有重要的理论价值和 现实意义。
通过对现有图像增强算法的 分析,提出了一种新的红外 图像复合增强算法。
该算法将同态增晰和直接对 比度增强算法结合,使得图 像中的局部信息与全局信息 在增强时都能被利用。
外场实验表明,处理后的图 像具有明显的局部对比度增 强效果,同时较好地保持了 图像的原始面貌。
图像增强算法
基于粒子群优化的图像自适 应增强方法
身部分在搜索中的作用。 如何选择、优化和调整参数,使得算法既能避免早熟又能比较快速地
收敛,对工程实践有着重要意义;
PSO研究的主要方向和热点
(3) 与其它智能优化算法的融合。 将PSO和其它优化算法进行融合,主要考虑如何将PSO的优点和其它
智能优化算法的优点相结合,取长补短,构造出有特色、有实用价 值的混合算法;
粒子群优化算法
粒子群优化算法(particle swarm optimization,PSO)是由Eberhart 博士和kennedy博士提出的一种新的 全局优化进化算法。源于对鸟群捕 食的行为研究。在PSO框架下,每个 优化问题的解都是搜索空间中的一 只鸟。我们称之为“粒子”。所有 的例子都有一个由被优化的函数决 定的适应值(fitness value),每个 粒子还有一个速度决定他们飞翔的 方向和距离。然后粒子们就追随当 前的最优粒子在解空间中搜索。
PSO研究展望
(2) 将各种先进理论引入到PSO。 首先可以研究性能良好的新型粒子群拓扑结构。 不同的粒子群邻居拓扑结构是对不同类型社会的模拟,研究不同拓扑
结构的适用范围,对算法推广和使用有重要意义; 其次可以优化PSO的参数及其选择。 参数的选择分别关系到粒子速度的3个部分:惯性部分、社会部分和自
种混合优化算法,或将PSO算
法引入到离散系统、组合优
化系统、非直角坐标描述系
统,扩展PSO的应用范围。
pso在国内外的研究状况及发展
趋势
4 . PSO算法的改进研究可 以归纳为两方面:
一方面的研究是将各种先进 理论引入到PSO算法,研究各 种改进和PSO算法;
另一方面是将PSO算法和其它 智能优化算法相结合,研究各 种混合优化算法,达到取长补 短、改善算法某方面性能的 效果。
Adaptive image enhancement based on particle swarm optimization
将免疫粒子群优化算法和非 完全Beta函数结合,提出了一 种自适应图像对比度增强方 法。
利用免疫粒子群优化算法自 动搜索最佳的灰度变换参数, 从而获得一条最佳的灰度变 换曲线,实现对图像进行全局 增强处理。实验结果表明,该 算法不仅能有效地提高图像 整体对比度和视觉效果,而且 适合图像的自动化处理。
pso在国内外的研究状况及发展
趋势

3. 参考国内关于PSO的文献 可知,有关PSO研究的内容可 以分为基础研究和应用研究 两大类。其中基础研究主要 包括PSO的本身机理和严格的 数学基础研究、PSO的收敛性、 鲁棒性的数学证明等;

应用研究不外乎发扬PSO的优 点、克服PSO的缺点或不足、 扩展PSO的应用范围三大类, 主要研究方法是将一些先进 技术引入到PSO中设计出一些 改进的PSO,或将PSO和其它智 能优化算法相结合设计出各
整个系统的演变或进化包括: 新层次的产生;分化和多样性 的出现;新的、更大的主体的 出现等。
CAS有4个基本特点:首先,主 体是主动的、活的实体;其次, 个体与环境及其它个体的相 互影响、相互作用,是系统演 变和进化的主要动力;再次, 将宏观和微观有机地联系起 来;最后,系统引入了随机因 素。
pso算法思想
粒子群优化算法是由一种新 的全局优化进化算法。该算 法源于对鸟类捕食行为的模 拟。
粒子群优化算法首先初始化 一群随机粒子,然后通过迭 代找到最优解。在每一次迭 代中,粒子通过跟踪两个 “极值”来更新自己。
一个是粒子本身所找到的最 优解,即个体极值。另一个 是整个种群目前找到的最优 解,称之为全局极值。
相关主题