人工鱼群与粒子群混合图像自适应增强算法

合集下载

人工智能系统中的群体智能算法优化

人工智能系统中的群体智能算法优化群体智能算法（Collective Intelligence Algorithms）是一种基于群体行为和智能协作的人工智能算法，通过模拟自然界中的群体行为和社会行为，实现了人工智能系统中的优化问题。

群体智能算法在解决复杂问题、优化搜索和决策等方面展现出了巨大的潜力。

本文将对人工智能系统中的群体智能算法进行深入研究，探讨其优化方法、应用领域以及未来发展方向。

一、群体智能算法概述在自然界中，很多生物都通过集体行为来解决复杂问题。

例如，蚂蚁通过信息素沟通来找到最短路径；鸟群通过集体协作来捕食；蜜蜂通过集中决策来选择巢穴等。

这些生物集合起来形成了一个具有自组织、自适应和鲁棒性特征的群体系统。

基于这些生物现象，研究者们提出了一系列模拟生物行为的算法，并将其应用到人工智能领域。

1.1 蚁群优化算法蚁群优化（Ant Colony Optimization, ACO）算法是一种模拟蚂蚁寻找食物路径的算法。

蚂蚁在寻找食物的过程中，会释放一种称为信息素的化学物质，其他蚂蚁会根据信息素浓度选择路径。

通过模拟这一过程，ACO算法能够在解决优化问题中找到最优解。

ACO算法已经在旅行商问题、图着色问题等领域取得了显著的成果。

1.2 粒子群优化算法粒子群优化（Particle Swarm Optimization, PSO）算法是一种模拟鸟群觅食行为的算法。

PSO算法通过模拟鸟群中个体之间的信息交流和协作来寻找最优解。

每个个体根据自身经验和邻居经验来更新自己的位置和速度，从而逐步靠近最优解。

PSO算法已被广泛应用于函数优化、神经网络训练等领域。

1.3 其他群体智能算法除了ACO和PSO之外，还有许多其他类型的群体智能算法被提出和应用于人工智能领域。

例如，鱼群搜索（Fish Swarm Optimization, FSO）模拟能够在多个目标优化问题中找到最优解；蜜蜂算法（Artificial Bee Colony, ABC）模拟了蜜蜂寻找花朵的行为，用于解决连续优化问题；人工鱼群算法（Artificial Fish Swarm Algorithm, AFSA）模拟了鱼群觅食行为，用于解决连续优化问题等等。

粒子群算法中自适应粒子变异

粒子群算法中自适应粒子变异
自适应变异的粒子群优化算法是一种改进的粒子群算法。

它在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率，从而增强了粒子群算法跳出局部最优解的能力。

在普通粒子群算法中，每个粒子都按照速度和位置更新规则进行移动，直到达到一定的迭代次数或符合终止条件为止。

而自适应粒子群算法则在此基础上引入了变异操作。

变异操作是指在每次迭代时，对于全局最优解或者局部最优解，以一定的概率进行一定范围内的随机变化，以期望跳出当前的局部最优解。

而自适应变异是指根据当前的最优解和群体适应度方差等因素来自适应调整变异概率和变异幅度。

例如，在中所提到的自适应变异的粒子群优化算法（AMPSO）中，变异概率与群体适应度方差相关，当方差越大时，变异概率也越大。

而变异幅度则与当前最优解的大小相关，当当前最优解越小时，变异幅度也越小。

这样可以兼顾全局和局部搜索的效率，从而更好地优化目标函数。

综上所述，自适应粒子变异是粒子群算法的一种改进方式，通过自适应调整变异概率和变异幅度来增强算法的全局和局部搜索能力。

群智能优化算法及其应用

群智能优化算法及其应用引言：随着科技的不断发展，对于复杂问题的求解需求也日益增加。

而传统的优化算法可能在解决这些复杂问题时面临困境，因此，群智能优化算法应运而生。

群智能优化算法又被称为Swarm Intelligence (SI) 算法，它是一种模仿生物群体行为的优化算法，能够通过群体协作完成复杂任务的求解。

一、群智能优化算法的基本原理群智能优化算法的基本原理源于生物群体的行为模式，例如鸟群、蚂蚁、鱼群等。

这些生物群体在多年的进化中发展出了一些复杂的协作行为，而群智能优化算法正是借鉴了这些行为模式。

群智能优化算法通过定义每个个体的行为规则，并通过个体之间的信息交流和调整来实现任务的优化。

群智能优化算法的核心是个体之间的信息交流和共享，这种交流和共享可以通过多种方式实现，例如直接交流、间接交流、光信息等。

在个体之间交流和共享信息的过程中，通过不断修正个体的行为规则和策略来提高整个群体的性能和适应性。

二、常见的群智能优化算法1. 蚁群算法（Ant Colony Optimization, ACO）蚁群算法是一种基于蚂蚁采食行为的群智能优化算法。

在蚁群算法中，蚂蚁会留下一种信息素来标记它们走过的路径，而其他蚂蚁会根据这些信息素的浓度选择路径。

通过不断的迭代和信息素更新，蚂蚁群体将逐渐找到一条最优路径。

2. 粒子群优化算法（Particle Swarm Optimization, PSO）粒子群优化算法是一种模拟鸟群觅食行为的群智能优化算法。

在PSO中，将待优化问题映射为一个个体在解空间中的搜索问题，每个个体被称为粒子。

粒子通过学习自己和群体最优解的方式，不断调整自己的位置和速度，以达到求解最优解的目标。

3. 人工鱼群算法（Artificial Fish Swarm Algorithm, AFSA）人工鱼群算法是一种模拟鱼群觅食和追逐行为的群智能优化算法。

在AFSA中，每个人工鱼个体都有自身的属性和行为规则，它们通过交互和个体行为的调整来寻找最佳解。

人工鱼群算法(AFSA)及其简单应用举例

+ 2.2 AFSA基本概念 + 假设在一个n维的目标搜索空间中，有N条组成一 + 个群体的人工鱼，每个人工鱼个体的状态可表示为 + 向量X=（x1,x2,……xn）,其中xi（i=1,……n）为欲寻 + 优的变量：人工鱼当前所在位置的食物浓度表示为 + Y=f(X),其中Y为目标函数；人工鱼个体间距离表示 + 为 d=||Xi-Xj ||; visual表示人工鱼的感知范围，step + 为人工鱼移动步长，δ为拥挤度因子；trynumber + 表示人工鱼每次觅食最大试探次数。
6
8 10
x1
AFSA 迭代 20次 8
+ 1.2 人工生命
+ 具有某些生命基本特征的人工系统。包括两方面的内容：
+ 1、研究如何利用计算技术研究生物现象；
+ 2、研究如何利用生物技术研究计算问题。
+
+ 我们关注的是第二点。
+
如何利用生物技术研究计算问题是人工生命
研究的重要方向，现已有了很多源于生物现象的计
算技巧，例如人工神经网络是简化的大脑模型，遗
+ 2.4 具体算法步骤 + 鉴于以上描述的人工鱼群行为，每条人工鱼探索 + 它当前所处的环境状况和伙伴的状况，从而选择一 + 种行为来实际执行，最终人工鱼集结在几个局部极 + 值周围。一般情况下，在讨论求极大问题时，拥有 + 较大的适应值的人工鱼一般处于值较大的极值域周 + 围，这有助于获取全局极值域，而值较大的极值区 + 域周围一般能集结较多的人工鱼，这有助于判断并 + 获取全局极值。具体的人工鱼群算法步骤如下：

群体智能算法在图像分割中的应用

群体智能算法在图像分割中的应用第一章、前言随着计算机技术的飞速发展，图像处理技术也不断地进步和完善。

其中图像分割技术是图像处理技术中的一个重要分支，被广泛地应用于许多领域，例如医学图像分析、工业缺陷检测、自动驾驶、虚拟现实等。

然而，传统的图像分割算法往往需要大量的人力和物力投入，且在一些特定的场景下具有局限性。

针对这些挑战，群体智能算法应运而生。

本文将围绕群体智能算法在图像分割中的应用进行详细的介绍和探讨。

第二章、群体智能算法概述群体智能算法，即Swarm Intelligence，是一类基于集体行为的算法。

它的灵感来源于动物社会的群体行为，例如鸟群、蚂蚁、鱼群等生物的智慧。

群体智能算法的核心思想就是引入大量个体的竞争、合作和信息共享，从而实现全局最优解的搜索和求解。

常见的群体智能算法包括粒子群优化算法、人工蜂群算法、人工鱼群算法、蚁群算法等。

第三章、图像分割技术概述图像分割，是指将一幅图像分成若干个具有特定意义的区域的过程。

目前，常见的分割方法包括基于阈值、基于边缘、基于区域、基于能量等。

其中，基于能量的分割方法是一类比较先进的分割技术。

它的主要思想是通过定义一个与分割结果相关的能量函数，将分割问题转化为求解全局最小化能量函数的问题，从而获得更加准确和鲁棒的分割结果。

第四章、群体智能算法在图像分割中的应用群体智能算法在图像分割中的应用可以大致分为两类，一类是基于传统的图像分割算法和群体智能算法的结合，另一类是基于能量模型的图像分割算法与群体智能算法的结合。

4.1、基于传统分割算法和群体智能算法的结合近年来，许多学者将传统图像分割算法与群体智能算法相结合，提出了许多基于这种思想的新型算法。

例如，将K-Means算法和蚁群算法相结合，提出了“ACO-KM算法”，可以有效地应用于图像分割的矢量量化问题。

此外，还有许多学者将模糊C均值算法与粒子群优化算法相结合，提出了“Fuzzy C-Means-PSO算法”，该算法在图像分割的准确度和收敛速度方面都表现出较大的优势。

改进人工鱼群算法及其收敛性分析

王培崇
1， 2
雷凤君
1
钱
旭
1
（中国矿业大学（北京）机电与信息工程学院1 ，北京 100083 ；石家庄经济学院信息工程学院2 ，石家庄 050031 ）
摘
要
为了克服人工鱼群算法容易收敛于局部最优和解精度不高的缺点，提出了一种新的小生境人工鱼群算法（ NAFS ）。
在算法后期根据鱼群聚集程度引入小生境排挤机制，维持种群的多样性。为了说明该算法的有效性，利用压缩映射定理从理论上证明了该算法的全局收敛性。最后，通过在四个典型 Benchmark 函数上的实验，并与差异演化算法、粒子群算法、鱼群算法对比，证明该算法的解精度比原始人工鱼群算法有较大的提高。关键词人工鱼群算法 TP301. 6 ；聚集程度小生境机制 A
［1 —8 ］
压缩映射定理
全局收敛
中图法分类号
文献标志码
作为一种新颖的群体智能算法，人工鱼群
并用于实现对连续空间变量的分类规则提取算法，问题
［4 ］
AFS（ Artificial Fish Swarm ）算法由文献［ 1］于 2002 年首次提出，很快便受到国内外学者的重视，并针对该算法展开了相关的研究。相关研究表明，该算法具有较快的收敛速度，以及不需要相关的先验知识，对参数初始值不敏感等特点
1
1. 1
小生境人工鱼群算法
小生境算法源于生物学中的小生境
［6 ］
指的是具有同类特
3期
王培崇，等：改进人工鱼群算法及其收敛性分析
617
征的生物聚集在一起，形成一个相似的生活环境。该技术应用于计算科学中，可以将具有相同特征的不同特征的数据分离开，避免大量数据划归一类、数据在局部最优点附近聚集。在小生境技术中有三种种群选择策略。分别是基于预选择机制、基于排挤机制、基于共享机制。这里主要应用基于排挤机制选择策略。基于排挤机制的选择策略如下：（ 1 ）设置排挤因子 CF （ 2 or 3 ）；（ 2 ）在群体中随机选择 1 / CF 个群体参与排挤运算；（ 3 ）产生新个体成员，计算新个体与排挤成员之间的海明距离；（ 4 ）利用新产生的个体排挤掉一些与排挤成员相类似的个体。 1. 2 原始 AFS 算法人工鱼群算法通过模拟鱼群的觅食、聚群、追尾等行为，利用鱼群间的相互协作来达到求取问题最优解。算法分为三个步骤：觅食行为、聚群行为、追尾行为。算法的主要参数如下： visual— 鱼的视野范围； λ — 拥挤因子（ 0 ＜ λ ＜ 1 ）； step— 移动步长； try_number— 尝试次数。将鱼所处位置的食物浓度设为 f（ X ），即待求解目标函数，当前鱼个体的状态表示为 X = （ X1 ， X2 ， …， Xn ）。以求解 minf（ X ）为例，鱼群算法的流程描述如下。 1. 2. 1 自由游动设鱼的当前状态为 X i ，在没有执行其它任何行为的时候，鱼个体在自己视野范围 visual 内随机游动。 1. 2. 2 觅食行为设鱼的当前状态为 X i ，在其视野范围 visual 之内随机选择一新状态 X j ，如果 f（ X j ）＜ f（ X i ），则鱼向该状态移动一步；否则，重新选择一个新的 X j ，进行尝试。如果尝试 try_number 次后仍然不能移动，则将鱼随机移动一步。 1. 2. 3 聚群行为

pso优化算法原理

pso优化算法原理PSO优化算法原理PSO（Particle Swarm Optimization）优化算法是一种模拟鸟群或鱼群等群体行为的智能优化算法。

该算法通过模拟粒子的行为来搜索最优解，广泛应用于函数优化、机器学习、图像处理等领域。

PSO算法的核心思想是通过模拟粒子的群体行为来搜索最优解。

在算法开始时，随机生成一群粒子，每个粒子代表问题的一个解。

每个粒子都有自身的位置和速度，通过更新速度和位置来搜索最优解。

在PSO算法中，每个粒子都有一个适应度函数，用来评估该粒子的解的质量。

适应度函数根据问题的具体要求而定，可以是目标函数的值、误差的大小等。

粒子通过不断更新自身的速度和位置来搜索适应度函数值最小的解。

粒子的速度更新是通过两个方向的变化来实现的，分别是个体最优和群体最优。

个体最优是指粒子自身历史上最好的位置，群体最优是指整个粒子群体历史上最好的位置。

粒子根据个体最优和群体最优的信息来调整自身的速度和位置，以期望找到更好的解。

具体来说，粒子的速度更新公式如下：V(t+1) = w * V(t) + c1 * r1 * (Pbest - X(t)) + c2 * r2 * (Gbest - X(t))其中，V(t+1)表示粒子在下一次迭代中的速度，w为惯性因子，用来平衡上一次速度和本次速度的重要性；c1和c2为加速系数，分别表示个体和群体对速度变化的影响力；r1和r2为随机数；Pbest 表示粒子自身历史上最好的位置；Gbest表示整个粒子群体历史上最好的位置；X(t)为粒子在当前位置的坐标。

粒子的位置更新公式如下：X(t+1) = X(t) + V(t+1)其中，X(t+1)表示粒子在下一次迭代中的位置，X(t)为粒子在当前位置的坐标，V(t+1)为粒子在下一次迭代中的速度。

通过不断迭代更新粒子的速度和位置，直到满足停止条件为止。

停止条件可以是达到一定的迭代次数，或者粒子的适应度函数值达到一定的阈值。

水利工程水资源调度的智能优化算法

水利工程水资源调度的智能优化算法水资源是人类生存和发展的重要基础，尤其在水资源稀缺的情况下，水利工程水资源调度变得尤为重要。

为了实现对水资源的合理利用和优化调度，智能优化算法被广泛应用于水利工程中。

本文将介绍几种常用的智能优化算法，并探讨其在水利工程水资源调度中的应用。

一、遗传算法遗传算法是模拟生物进化过程的一种优化算法，通过模拟“适者生存，不适者淘汰”的过程，逐步寻找到问题的最优解。

在水利工程水资源调度中，遗传算法可以通过调整灌溉和供水的方案，实现对水资源的最优利用。

例如，可以通过调整灌溉时间和灌溉量，使得作物的灌溉需求得到满足的同时，节约水资源的使用。

二、粒子群算法粒子群算法模仿鸟群觅食的过程，通过模拟个体之间的信息传递和学习，最终找到最优解。

在水利工程水资源调度中，粒子群算法可以用于调度水库的蓄水和放水策略，以实现对水资源的合理调度。

例如，可以通过调整水库的蓄水线和出水线，控制水库的蓄水和放水速度，以适应不同季节的用水需求。

三、人工鱼群算法人工鱼群算法模拟鱼群觅食的行为，通过个体之间的信息传递和聚群，搜索到最优的解决方案。

在水利工程水资源调度中，人工鱼群算法可以用于调度灌溉系统中的喷灌器和滴灌器，以实现对灌溉水源的最优分配。

例如，可以通过调整喷灌器和滴灌器的布局和工作时间，使得灌溉水源能够覆盖作物的生长需求，减少水资源的浪费。

四、模拟退火算法模拟退火算法模拟金属退火过程，在局部搜索和全局搜索之间不断进行权衡，最终找到最优解。

在水利工程水资源调度中，模拟退火算法可以用于调度流域内不同河道的水量分配，以实现对水资源的优化利用。

例如，可以通过调整河道之间的水流量分配，满足不同地区的用水需求，避免水资源的过度集中或浪费。

综上所述，智能优化算法在水利工程水资源调度中具有重要意义。

遗传算法、粒子群算法、人工鱼群算法和模拟退火算法都可以应用于水资源调度中，通过优化水资源的利用，实现对水利工程的有效管理。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

０引言
图像在成像过程中受到传感器性能下降、恶劣天气等因素的影响，导致目视效果较差，影响目视解译、目标提取等后续）就是为了改善图像的操作。图像增强（ＩｍａｅＥｎｈａｎｃｅｍｅｎｔｇ视觉效果，或者使图像让人或机器能更好地分析和理解，用图像中的一些特征和存在的问题采取强有力的方法加强图形部分
１］。利用非完全Ｂ特征［ｅｔａ函数进行的非线性增强需要人为设
个体寻优进化的动力达到提高增强时效的同时提高增强效果。
１图像非线性增强
图像像素灰度变换可用如下最基本的形式表达：
＊（）Ｉｉ１ｘｘｙ＝ｆ（ｙ），（，），其中为输出的增强图像像素点的灰度值Ｉｘｙｆ是非线性变换。一般对不同质量的图像则采用不同的变换函
；。收稿日期：２０１２０４１８２０１２０６１６－－修回日期：－－；基金项目：国家自然科学基金（解放军理工大学气象学４０９７６０６２）院基础理论研究基金项目；解放军理工大学预先研究基金项目。，作者简介：王敏（女，陕西咸阳人，硕士，讲师，主要从事图１９８３－）像处理、模式识别方向的研究。
１１１－－ α β ）Ｂ（１－ｔｄｔ α， β）＝ｔ（
（）２
∫
０
（）３
通过调整α， β 的值，就可以得到图１所示的各种类型的非线性变换曲线。据此，归一化的非完全Ｂｅｔａ函数进行灰度转换的表达式为：
１１－－ α β （）ｔ１－ｔ（）ｄｔ４）Ｂ（ α， β ｘ，ｙ）的灰度值（ｉ０ ≤ｉ其中，ｘｘｙ原始图像像素（ｙ ≤ ，０＜Ｔ（１）ｇ）＜１。
ＩｍａｅＡｄａｔｉｖｅＥｎｈａｎｃｅｍｅｎｔｂａｓｅｄｏｎＡｒｔｉｆｉｃｉａｌＦｉｓｈ－ＳｗａｒｍａｎｄｇｐＳｗａｒｍＯｔｉｍｉｚａｔｉｏｎＰａｒｔｉｃｌｅｐ
：，ｒｏｃｅｓｓｉｎｒｏｃｅｓｓｉｎＡｂｓｔｒａｃｔＴｈｅｉｎｔｅｌｌｉｅｎｃｅａｎｄａｕｔｏｍａｔｉｏｎｏｆｉｍａｅａｎｄａｎａｌｓｉｓｈａｓｂｅｅｎｏｎｅｆｏｃｕｓｏｆｉｍａｅａｌｓｏａｋｅｉｓｓｕｅｐｇｐｇｇｇｙｇｙ，ｎｅｅｄｔｏｂｅｓｏｌｖｅｄ．Ａｓｔｈｅｕｓｕａｌｉｎｔｅｌｌｉｅｎｔｏｔｉｍｉｚａｔｉｏｎａｌｏｒｉｔｈｍｉｓｒｅｌａｔｉｖｅｌｕｎｉｔａｒａｎｄｎｏｎ－ｐｅｒｆｅｃｔｅｆｆｅｃｔｓｏｔｈｅｌｏｃａｌｓｅａｒｃｈｉｓｉｍ－ｗｈｉｃｈｇｐｇｙｙｒｅｃｉｓｅａｒｔｉｃｌｅａｒａｍｅｔｅｒｓａｎｄｅａｒｌｔｏｃｏｎｖｅｒｅｎｃｅ．Ｃｏｎｓｉｄｅｒａｍｉｘｏｆａｒｔｉｆｉｃｉａｌｆｉｓｈ－ｓｗａｒｍａｎｄｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎｔｏｆｉｎｄｔｈｅｅｎｈａｎｃｅｍｅｎｔｐｐｐｙｇｐ，ｔｈａｔｅｔｔｉｎｃａｎａｖｏｉｄａｂｏｖｅｄｅｆｅｃｔｓ．Ｔｈｅｅｘｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅａｌｏｒｉｔｈｍｈａｓａｈｉｈｅｒｓｅｌｆ－ａｄａｔｉｖｅｔｈａｔｉｓｔｏａｖｏｉｄｉｎｔｏｌｏｃａｌｍｉｎｉ－ｇｇｐｇｇｐ，ｍｕｍ，ｔｈｅｃｏｎｖｅｒｅｎｃｅｉｓｓｅｅｄｕａｎｄｅｎｈａｎｃｅｔｈｅｕａｌｉｔａｓｓｅｓｓｍｅｎｔｉｓｉｍｒｏｖｅｄｓｉｎｉｆｉｃａｎｔｌ．ｇｐｐｑｙｐｇｙ：；；；Ｋｅｗｏｒｄｓｉｍａｅｅｎｈａｎｃｅｍｅｎｔｏｔｉｍｉｚａｔｉｏｎａｌｏｒｉｔｈｍｓａｒｔｉｆｉｃｉａｌｆｉｓｈ－ｓｗａｒｍａｌｏｒｉｔｈｍ；ａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎｇｐｇｇｐｐｙ
摘要：图像处理和分析的智能化和自动化一直是图像处理学科研究热点之一，也是一个亟待解决的关键问题；一般的智能优化算法由于算法较为单一，寻优效果不尽完善，会出现局部搜索不精确、易发生过早收敛等问题；考虑将人工鱼群与粒子群算法混合对图像非线性增强参数进行寻优能很好地避免此类缺陷；实验表明，该算法具有较高的自适应性，即避免了陷入局部极小，加快了收敛速度，且图像灰度覆盖范围广、增强质量评价明显提高。关键词：图像增强；优化算法；人工鱼群算法；粒子群算法；适应度函数
的群体在Ｄ维搜索空间以一定的速度飞行，每个粒子在搜索时，考虑到了自己搜索到的为最好点和群体内其他粒子的历史最好点，在此基础上进行位置的变化。和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，没有遗传算法）以及变异（）操作，在大多数用的交叉（ｃｒｏｓｓｏｖｅｒｍｕｔａｔｉｏｎ的情况下，所有的粒子可能更快地收敛于最优解。粒子的进化方程为：
ｋ１ｋｋｋｋｋ＋ｖｃ＝ｖ＋ｃＤ－ｘｉＤ＋ｉＤ－ｘｉＤ）ｉＤ）ｉＤ１２ｐｐｇ ζ（ η（ｋ１＋ｉＤｋｉＤｋ１＋ｉＤ
ｕ
１１－－ α β （），Ｆ（ｕ）＝Ｂ－１（１－ｔｄｔ ×ｔ α， β）
∫
０
０＜α，０ β＜１，：，）为函数表示如下ＢｅｔａＢ（其中， αβ
· ２８０６·
计算机测量与控制
第２０卷

３］。该归一化的非完全Ｂ这４类变换曲线［ｅｔａ函数Ｆ（ｕ）定义为：［］发于１９９５年共同提出的６。基本原理是一个由ｍ个粒子组成
算法、设计与应用
计算机测量与控制．２０１２．２０（１０）ＣｏｍｕｔｅｒＭｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌｐ
文献标识码：Ａ
· ２８０５·

图１四种典型的灰度变换函数ห้องสมุดไป่ตู้
横坐标为原图像的灰度值，纵坐标为变换后图像的灰度。（）变换表示对较暗区域进行扩展；（）变换表示对较亮区域ａｂ）进行扩展；（变换表示对中间区域进行拉伸而对两端区域压ｃ）变换表示对两端区域进行拉伸而对中间区域压缩。其缩；（ｄ）和（）两种变换函数可用于处理灰度集中于某一区域中（ｃｄ的图像。每一种变换曲线都可以被一组参数所描述。Ｔｕｂｂｓ提出了（）一种归一化的非完全Ｂ函数来自动拟合图像增强的ｅｔａＦｕ
，，，ＭＷａｎＭｉｎ，ＨｕａｎＦｅｎＹｅＳｏｎＬｉｕＺｈｉｈｕａａＮｉｎｇｇｇｇｇ
（，，Ｎ）ＩｎｓｔｉｔｕｔｅｏｆＭｅｔｅｏｒｏｌｏＰＬＡＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏａｎｉｎ１１１０１，Ｃｈｉｎａ２ｇｙｙｇｙｊｇ
数，与此对应的变换函数大致有四类。
置参数，使得利用智能优化算法来自动设置最佳参数成为可能。人工鱼群算法（ＡｒｔｉｆｉｃｉａｌＦｉｓｈ－ＳｗａｒｍＡｌｏｒｉｔｈｍ，ＡＦ－ｇ［２］，和粒子群算法（ＳＡ）ａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎＰＳＯ）都是ｐｐ基于动物行为的群体智能优化算法，但ＡＦＳＡ后期收敛速度较慢，只能找到满意的解的域，很难得到精确的最优解；ＰＳＯ算法后期，也会由于粒子的同一化，使得算法很难跳出局部最优，引起显著的早熟现象。基于上述两种算法各自的缺陷，本文考虑将两种算法有机地结合起来应用到图像非线性增强过程：先利用人工鱼群的全局收敛性快速寻找到满意的解域，再利用粒子群算法进行快速的局部搜索，使得混合后的算法不仅具有快速的局部搜索速度，而且保证具有全局收敛性能，并利用新的适应度函数增进