一种微分进化算法图像增强方法.docVIP

一种微分进化算法的图像增强方法 　　摘要：将微分进化算法应用到图像的增强处理中，利用微分进化算法的快速搜索能力，对给定的测试图像自适应地变异、交叉、搜索，直至最终确定Beta函数的最佳参数α,β值，从而实现图像的自适应增强。最终通过软件仿真实验验证了上述方法的有效性。 　　关键词：图象增强；微分进化算法；变异；交叉；自适应增强 　　中图分类号：TP312文献标识码：A文章编号：1672-7800（2011）01-0085-03 　　 　　 　　作者简介：朱作付（1968-），男， 江苏徐州人，硕士，徐州工业职业技术学院副教授，研究方向为软件工程、图像处理；龙浩（1984-），男，江苏徐州人，徐州工业职业技术学院硕士研究生，研究方向为机器视觉，图像识别。1图像增强技术 　　 图像增强是指对图像的某些特征，如轮廓、对比度、边缘等进行强调或突显，以便于检测或进一步地分析与处理。增强将不增加图像数据中的相关信息，但将所选择特征的动态范围进行适当的扩充，从而使这些特征检测或识别更加容易，为后续分析检测与处理打下良好的基础。 　　1.1图像增强的常用方法 　　图像增强方法主要分为点运算、空域滤波、频域滤波3类。点运算包括对比度展 　　宽、直方图模型化、噪声限幅及图像差影技术。空域滤波包括低通滤波、中值滤波、高通滤波(图像锐化)。频域滤波包括同态滤波、多尺度多分辨率应用于图像增强。 　　1.2微分进化算法 　　1.2.1算法介绍 　　 微分进化(Differential Evolution，DE)最早是由Price和Storn提出的，与其它的进化算法进行比较，DE算法具有很强的空间搜索能力、且易于实现、容易理解。DE算法是一种新颖的搜索算法，它首先随机的在搜索空间内产生初始群体，然后计算任意两个成员间的差向量，并将该差向量添加到第3个成员上，通过这种方法来形成新的个体。如果发现新个体的适应度值比原来成员的更优，那么就用生成个体代替原个体。 　　 DE算法有3个主要操作：变异（Mutation）、交叉（Crossover）和选择（Selection），但是这些进化操作的实现和遗传算法（GA）等其它进化算法是完全不同的。设群体规模为NP，向量的维度为D，那么群体中的目标向量可以用xi=[xi1，xi2，…，xiD]（i=1，…，NP）表示。对于任意一个目标向量xi而言，按公式（1）生成变异向量vi：vi=xr1+F×(xr2-xr3)，i=1，…，NP（1） 其中xr1，xr2，xr3是群体中随机选择的3个个体，并且r1≠r2≠r3≠i。F是一个介于[0, 2]间的实型常量因子，用于控制差向量（xr1-xr2）的影响，一般称为放缩因子。显然xr1和xr2之间的差向量越小，扰动也就越小，这意味着如果群体靠近优化值，扰动会自动减小。向量vi的生成如图1所示。 　　图1向量vi的生成 　　 DE算法的交叉操作的目的是通过变异向量vi和目标向量xi的结合以提高变异向量的多样性。算法通过下面公式生成新的向量ui=[ui1,ui2,…,uiD]： ui=vij if randb ≤CR or j=randr 　　i=1，…，NP ,j=1，…，D 　　 xij if randb CR or j≠randr（2） 这里，randb是[0，l]间的随机数；CR是范围在[0，1]间的常数，称为交叉常量，CR的值越大，发生交叉的可能就越大，CR=0表示没有交叉；randr是在[1, D]随机选择的整数，它保证ui至少要从vi中获得一个元素，否则就不会有新的向量生成，群体也就不会发生变化，如图2所示： 　　图2DE的交叉过程示意图 　　 DE算法中的选择操作是一种“贪婪”选择模式，当且仅当新的向量个体ui的适应度值比目标向量个体xi的更好时，ui才会被保留到下一代群体中。否则，目标向量个体xi仍然保留在原群体中，再一次作为下一代的父向量。 　　1.2.2参数设置 　　 DE算法中主要的控制参数是NP（群体规模），F（放缩因子）和CR（交叉常数）。实验表明DE算法的收敛速度和优化能力与这些参数的选择紧密相关。 　　 （1）群体规模:一般来说，群体规模越大，算法搜索能力就越强，但大的群体规模也需要大量的运算，因此NP大小推荐选取由问题空间决定的维度D的3到10倍。 　　 （2）放缩因子：放缩因了F的选择应该不小于某一特定值，这样才能够有效的避免算法过早收敛。较大的F增加了从局部最优逃脱的可能性，然而，若F1，算法的收敛速度会明显降低。对一个群体来说，当扰动大于两个成员间的距离时，收敛会更困难。经验表明，F最好在0.4和1.0之间选取，一个比较好的初始值是F = 0.6。 　　 （3）交叉常量：交叉常量CR的值较大常常