【图像增强】量子遗传算法优化beta自适应图像增强【含Matlab源码 2259期】

Matlab武动乾坤

于 2024-01-15 14:56:56 发布

阅读量1.1k

点赞数 25

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135601615

版权

Matlab图像处理（进阶版）专栏收录该内容

877 篇文章 19 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、量子遗传算法自适应增强图像

1 图像增强概述
图像增强就是将原来不清楚的图像变得清晰或把我们感兴趣的某些特征强调出来，以改善图像的视觉效果或便于对图像进行其他处理。图像增强技术大致可分为频域法、空域法和模糊处理三大类。其中，频域法是把原图像进行某种变换(如傅立叶变换)，在变换域中进行处理以达到增强的目的；空域法则是直接对原始图像进行处理，主要算法包括直方图均衡、直方图变换、边缘提取、平滑滤波、局部灰度和增益控制等；而模糊增强方法是将空域中的原始图像数据通过模糊化映像，然后利用特征平面中的各种性质对图像信息进行处理，最后将处理后的信息数据逆映像到空间域中去，从而获得增强后的图像。
这些传统的图像增强方法都存在诸如普适性较差、计算量较大、人工干预变换参数的选取等不足之处。因此，建立一种能根据图像灰度性质自动调节的图像自适应增强算法是非常有意义的。Tubbs提出归一化的非完全Beta函数B(a， β) ，不同的a、β值分别对应于不同类型的图像非线性变换曲线，对各种灰度特征的图像进行调整。本文下面介绍了利用量子遗传算法进行非线性变换的参数α、β的自适应选择，最终实现灰度图像的自适应增强的方法。

2 灰度图像的自适应增强
2.1典型图像增强变换函数
从视觉效果来看，一般的图像有偏暗、偏亮、或灰度集中在某一区域三种情况，与此相对应的变换函数有四类，如图12所示。
在这里插入图片描述
图12中，横坐标为原图像的灰度，纵坐标为处理后的灰度。(a)类变换对较暗区域进行拉伸，(b)类变换对较亮区域进行拉伸，©类变换对中间区域进行拉伸而对两端压缩，(d)类变换则对两端进行拉伸而对中间区域压缩，©类和(d)类变换可用于处理灰度集中于某一区域的图像。
文献[24介绍了用归一化的非完全Beta函数来实现图12所示的四类变换曲线的自动拟合。归一化的非完全Beta函数F(u) 定义为：
在这里插入图片描述
2.2利用量子遗传算法自适应选择非线性变换函数的参数
通常αx，β的值的确定采用类似穷举法或人工干预的方法，这种方法耗时且无智能性。本文利用量子遗传算法针对每幅图像自动地找出非线性变换函数最优的α，β值。具体处理步骤如下：
第一步设f(x，y)表示坐标为(x，y)的原始图像灰度值，f"(x，y)为其处理后的灰度值。在处理前先进行归一化处理：
在这里插入图片描述

第三步根据g’(x，y)的值可得到输出图像f’(x，y)。
f'(x， y) =(Lmm-Lmn) g'(x， y) +Lan(12)
第四步利用文献24]介绍的图像质量评价函数作为量子遗传算法的适应度函数，
如式(11)：

其中M， N分别为图像的宽和高， n=M×N， i表示某染色体。Fitness(i) 的值越大，则图像灰度分布越均匀，图像对比度越高，图像质量越好。
第五步选择适应值最大的个体作为当前代的最优个体，利用量子旋转门对其他个体进行更新，得到新的群体，重复上述步骤直到最终得到较优的非线性变换函数参数α和β。

⛄二、部分源代码

% 利用量子遗传算法进行图像增强
clc,clear all;close all;
%% read picture
img=imread(‘cameraman.tif’);
% img=imresize(img,0.7);
figure(1);
imhist(img); % 原始图像直方图
img=double(img);
[row,colume]=size(img); % 图像大小
num_pixel=row*colume; % 像素个数
%% 利用QGA求最优的alpha, beta
MAX_Geneic=100; % 遗传代数
sizePopu=30; % 初始种群数目
tic;
best=QGA_Sharpen(img,MAX_Geneic,sizePopu);
disp(['The total time is ’ num2str(toc) ‘s’]);
fprintf(‘The final alpha is %f\n’,best.B(1));
fprintf(‘The final beta is %f\n’,best.B(2));
fprintf(‘The best fitness value is %f\n’,best.fitnessVal);
%% 画出非线性函数（Beta函数）图像
x=0:0.01:1;
y=pdf(‘beta’,x,best.B(1),best.B(2));
figure(4);
plot(x,y);
%% 处理之后的图像灰度值
img_sharp=best.sharpImg;
figure(5);
imhist(uint8(img_sharp)); % 锐化后图像直方图
figure;
subplot(121)
imshow(img,[]); %
title(‘原始图像’)
subplot(122)
imshow(uint8(img_sharp));
title(‘增强图像’)% 可视化处理后图像
%imwrite(uint8(cameraman),‘test2_opt.jpg’);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]黄蓓.量子遗传算法及其在图像自适应增强中的应用研究[D].江南大学

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合