基于微粒群算法的图像自适应增强算法的研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (2): 50-53.

基于微粒群算法的图像自适应增强算法的研究

孙勇强,须文波,孙俊

江南大学信息工程学院，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-11 发布日期:2008-01-11
通讯作者: 孙勇强

Research on image enhancement based on particle swarm optimization

SUN Yong-qiang,XU Wen-bo,SUN Jun

School of Information Technology，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-11 Published:2008-01-11
Contact: SUN Yong-qiang

摘要/Abstract

摘要： 提出了一种基于微粒群算法（PSO）的图像增强方法，把图像增强看作最优化问题。使用此方法可以自动地找出降质图像归一化的非完全β函数的最优参数值，对原始图像降质类型进行正确的推理。不论原始图像是哪种降质类型，使用提出的算法都能得到较好的增强。并且在评价算法的性能时，使用了一种新的目标函数。实例仿真证实了PSO在图像增强上的有效性和优越性。

关键词: 图像增强, 微粒群优化算法, 非完全β函数, 目标函数

Abstract: In this study，a Particle Swarm Optimization（PSO） approach to image enhancement is proposed，in which image enhancement is formulated as an optimization problem.Using the approach，the optimization parameters in the normalized incomplete Beta function of degraded images can be automatically found out.Then accurate illation of the type of original degraded images can be got.In spite of which type of the original images，better result of enhanced image can be obtained.And a new objective function is used during evaluating the performance of algorithms.The efficiency and superiority of PSO algorithms to image enhancement can be showed by the simulation results.

Key words: image enhancement, PSO, incomplete Beta function, objective function

孙勇强,须文波,孙俊. 基于微粒群算法的图像自适应增强算法的研究[J]. 计算机工程与应用, 2008, 44(2): 50-53.

SUN Yong-qiang,XU Wen-bo,SUN Jun. Research on image enhancement based on particle swarm optimization[J]. Computer Engineering and Applications, 2008, 44(2): 50-53.

[1]	汤子麟，刘翔，张星. 光照不均匀图像的自适应增强算法[J]. 计算机工程与应用, 2021, 57(21): 216-223.
[2]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[3]	杜豫怡，王鹏章，多化琼，董霙达. 频域内分位数的蒙古族家具纹样增强算法[J]. 计算机工程与应用, 2021, 57(12): 207-210.
[4]	陈迎春. 基于色调映射的快速低照度图像增强[J]. 计算机工程与应用, 2020, 56(9): 234-239.
[5]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[6]	罗灿，李学华. 抗多遮挡物干扰的光场深度信息估计算法[J]. 计算机工程与应用, 2020, 56(12): 193-200.
[7]	朱德利，杨德刚，万辉，杨雨浓. 用于低照度图像增强的自适应颜色保持算法[J]. 计算机工程与应用, 2019, 55(24): 190-195.
[8]	罗雄，钱谦，伏云发. 遗传算法解柔性作业车间调度问题应用综述[J]. 计算机工程与应用, 2019, 55(23): 15-21.
[9]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[10]	王英博1，刘健2. 幂律变换和IGLC算法的显著性目标检测方法[J]. 计算机工程与应用, 2019, 55(14): 168-176.
[11]	王忠民1，2，段娜1，范琳1. 融合YOLO检测与均值漂移的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(10): 186-192.
[12]	张桂梅1，刘峰瑞1，刘建新2. 图像增强中分数阶阶次自适应模型的构造[J]. 计算机工程与应用, 2018, 54(3): 184-191.
[13]	田敏，张印辉，何自芬，王森. 基于联合模型匹配的齿轮视觉检测方法[J]. 计算机工程与应用, 2018, 54(23): 170-175.
[14]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.
[15]	范晓鹏1，2，3，4，朱枫1，3，4. 人眼灰度感知建模及其在图像增强中的应用[J]. 计算机工程与应用, 2018, 54(13): 209-215.