(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210277440.6 (22)申请日 2022.03.16 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 马刚　张大任　苗泽锴　周伟　 王桥　常晓林　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 张辰 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/00(2006.01) G06V 10/762(2022.01) (54)发明名称 基于自适应粒子群算法的灰度图像增强方 法及设备 (57)摘要 本发明提供了一种基于自适应粒子群算法 的灰度图像增强方法及设备， 包括： S1： 定义图像 转换函数， 输入的灰度图像将通过图像转换函数 进行增强； S2： 通过自适应粒子群算法确定图像 转换函数中的参数数值， 在保障图像信息量的情 况下获得更清晰的图像轮廓； S3： 根据自适应粒 子群算法确定的参数数值， 通过图像转换函数输 出增强后的灰度图像。 本发明通过在构建图像转 换函数时考虑图像的局部信息， 改进了传统图像 增强中仅考虑图像全局 信息的不足， 在不损失图 像信息量的情况下强化图像轮廓， 实现了对求解 空间全局搜索与局部挖掘的自适应平衡， 不仅规 避了人力调整参数的盲目性， 还能够保证算法处 于稳定的搜索状态， 且求 解效率更高。 权利要求书4页 说明书15页 附图2页 CN 114972060 A 2022.08.30 CN 114972060 A 1.一种基于自适应粒子群算法的灰度图像增强方法， 其特征在于， 包括： S1： 定义图像 转换函数， 输入的灰度图像将通过图像转换函数进 行增强； S2： 通过自适应粒子群算法确定 图像转换函数中的参数数值， 在保障图像信息量的情况下获得更清晰的图像轮廓； S 3： 根据 自适应粒子群算法确定的参数 数值， 通过图像转换函数输出增强后的灰度图像。 2.根据权利要求1所述的基于自适应粒子群算法的灰度图像增强方法， 其特征在于， 所 述步骤S1中， 图像转换函数包含像素全局平均值、 像素局部平均值、 像素局部标准差和四个 可调整参数， 计算式为： 其中， a、 b、 c和k是四个可调整参数， 根据自适应粒子群算法确定数值； G是像素全局平 均值； m(i,j)和σ(i,j)分别是输入的灰度图像第(i,j)位置的像素点在n ×n范围内的灰度 值平均值和灰度值标准差， n为大于1且小于20的整数； f(i,j)是输入的灰度图像在(i,j)位 置的像素点的灰度值； g(i,j)是输入的灰度图像在(i,j)位置的像素点经过图像增强后的 灰度值,M ×N为图像的长宽尺 寸； f(x,y)为输入的灰度图像在n ×n范围内(x,y)位置的像素 点的灰度值。 3.根据权利要求2所述的基于自适应粒子群算法的灰度图像增强方法， 其特征在于， 所 述步骤S2中， 自适应粒子群算法包括： S2.1： 参数初始化， 包括目标函数、 求解维度、 粒子数目N、 迭代上限T、 子群数量上限Z、 子群粒子数量下限nmin、 结构更新间隔tupdate、 搜索范围[Xmin,Xmax]、 速度范围[Vmin,Vmax]、 惯 性权重变化范围[ωl,ωu]、 第一加速因子变化范围[c1l,c1u]、 第二加速因子变化范围[c2l, c2u]、 第三加速因子变化范围[c3l,c3u]； 其中， 目标函数用于度量图像增强的程度， 其值越大代表图像增强的效果越好； 求解维 度即待确 定的参数个数， 该方法中需求解a、 b、 c和k， 维度固定为四； 粒子数 目N代表潜在解 的数量， 一个粒子在求解空间中的位置 即4个参数的具体大小， 因此一个粒子代表一个潜在 解， 求解空间由4个参数的取值上、 下限组成； 迭代上限T是设置的算法终止条件； 子群数量 上限Z是后续K‑Means聚类算法对 粒子分组时最大的分组数量， 分组完成后的每组粒子称为 子群； 子群粒子数量下限nmin是确保每个子群内均包含不少于nmin个粒子； 结构更新间隔 tupdate的含义是每经过tupdate个迭代步便触发一次K ‑Means聚类算法； 搜索范围即4个参数的 取值上、 下限； 速度范围用于限制粒子每次迭代的位置变化幅度； 惯性权重ω、 第一加速因权　利　要　求　书 1/4 页 2 CN 114972060 A 2子c1、 第二加速因子c2和第三加速因子c3是自适应粒子群算法中速度迭代公 式的四个参数， 在设置的变化范围内自适应调整大小； S2.2： 通过K ‑Means聚类算法将粒子群划分为多个子群， 重复100次获得足够的分组结 果并计算卡林斯基 ‑哈拉巴斯指数， 选择卡林斯基 ‑哈拉巴斯指数最大值对应的子群数目 Zset并通过K‑Means聚类算法完成此次划分， 该次划分过程中聚类中心的数量固定为Zset； K‑Means聚类算法： 在空间中随机位置生成Z个聚类中心， 根据粒子与每个聚类中心的 距离对粒子分组， 当存在组内粒子少于nmin时， 聚类中心的数量逐次减小1并对所有粒子重 新分组， 直至所有子群的粒子数量满足要求， 划分完成后计算新的聚类中心位置； 当新、 旧 聚类中心的位置发生变化则再次划分粒子， 直至新、 旧聚类中心的位置重合， K ‑Means聚类 算法结束并获得聚类结果； 卡林斯基 ‑哈拉巴斯指数计算式： 式中， Zend为K‑Means聚类算法完成后的聚类中心数量， nz为第z个子群的粒子数， sz为第 z个子群的中心位置， s为求解空间的中心位置,score为卡林斯基 ‑哈拉巴斯指数， xi为每个 粒子的位置； S2.3： 将粒子在求解空间中的初始位置代入目标函数获得粒子的适应度值， 记录每个 粒子的位置和 适应度值并正式进入迭代循环， 在迭代循环中， 更新每个粒子速度迭代公式 中的参数(ω,c1,c2,c3)， 更新粒子的速度、 位置和适应度值， 更新粒子速度迭代公式中使用 的个体极值pi、 子群极值pz和全局极值pg， 更新完成后视为一个迭代步结束， 迭代次数每达 到一次结构更新间隔tupdate便进行一次S2.2操作， 当迭代次数达 到迭代上限T时， 算法停止 。 4.根据权利要求3所述的基于自适应粒子群算法的灰度图像增强方法， 其特征在于， 在 自适应粒子群算法停止后， 取出适应度值最大 的粒子， 该粒子在求解空间中的位置即为自 适应粒子群算法确定的4个参数值， 将4个参数代入图像转换函数 得到增强的灰度图像。 5.根据权利要求4所述的基于自适应粒子群算法的灰度图像增强方法， 其特征在于， 所 述步骤S2.1中的目标函数包 含熵值、 边 缘强度和边 缘像素点数三项图像特 征， 计算式为： 式中， F(Ie)为目标函数； log为对数函数； Ie是通过图像转换函数获得的增强图像； Is是 Ie通过索贝尔算法获得的边缘图像； Nedg(Is)是边缘图像的非零像素值的像素点数； Ngray (Is)是边缘图像的像素值之和， 代 表边缘强度； 熵值E(Ie)的计算式为: 其中， hi是增强图像Ie中灰度值 i出现的频率；权　利　要　求　书 2/4 页 3 CN 114972060 A 3