果蝇算法与改进蚁群算法优化模糊集的自适应图像增强

王琦,徐克俭

果蝇算法与改进蚁群算法优化模糊集的自适应图像增强

王琦1,徐克俭2

1. 北京联合大学师范学院, 北京 100011 2. 北京海关, 北京 100022

计算机视觉图像在采集和传输过程中，容易受到噪声的干扰而变得模糊不清，传统的模糊集图像增强算法具有计算量大、参数手动设置和适应性差的缺点，使得图像处理效率低下和增强质量较差，无法满足现实需求。本文将改进的蚁群算法引入计算机视觉图像模糊增强，以模糊熵为图像增强效果的评价指标，并对模糊图像增加参数进行自适应选择。结果表明，本算法可以提高图像的模糊熵、改善图像视觉效果和清晰度，同时可以较好地突出某些特征。

果蝇优化算法; 蚁群算法; 模糊熵; 图像增强

计算机视觉图像在采集和传输过程中，容易受到噪声的干扰而变得模糊不清，因此，增强处理噪声图像可以提高图像质量，突出某些特征，使得图像变得清晰，改善视觉效果。图像增强的方法主要包括频域法、空域法和模糊集增强等三大类方法[1-3]。由于这些传统方法存在计算量大和效率低下等缺点，限制了这些方法的应用和推广。针对传统的模糊集增强算法存在计算量大、参数手动设置参数效率低和适应性差的缺点，运用果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）对蚁群算法（Ant Colony Optimization，ACO）的启发因子、期望因子、信息素挥发度三个参数进行优化，提出一种FOAACO优化模糊集的自适应图像增强算法。通过运用改进的蚁群算法自适应寻优选择图像模糊增强的参数，实现图像的模糊集自适应增强。

1 图像模糊集增强

模糊集增强算法是一种图像对比图增强算法，其最初是由Pal SK等人[4-6]提出，其算法步骤如下：

Step 1：针对不同图像以及不同增强目的，根据公式（2）计算隶属度函数值，F、F和g分别为指数型模糊因子、倒数型模糊因子和最大像素值，所有隶属度函数值的集合称为模糊特征平面，图像模糊集的模糊性大小由F、F和g三个参数决定。

当=(g)=0.5时，此点称为渡越点。渡越点g与模糊参数的数学关系如公式（1）所示[7]：

Step 2：图像通过变换由空间域转换到模糊域。

模糊增强算子通过公式(3)的变换的回归调用修正隶属度(®¢)[8]：

Step 3：新灰度级¢通过-1反变换实现图像由模糊域到空间域的转换[9,10]：

2 FOA优化蚁群算法

2.1 果蝇优化算法

FOA算法流程如下：

Step 1：FOA算法初始化：种群规模和最大迭代次数，果蝇群体位置初始化为_、_；

Step 2：参考公式（1）和公式（2），计算果蝇个体的寻优方向和搜索距离；

其中，表示果蝇的搜索距离；x、y为果蝇个体的下一时刻的位置。

Step 3：根据公式（7）以及公式（8），计算果蝇个体距离参考原点的距离d，对距离d求倒数，获得每个果蝇个体的味道浓度S；

Step 4：参考公式（9）计算出果蝇个体当前位置的适应度值；

Step 5：找到果蝇群体中最佳适应度值及其对应的最佳位置，最佳适应度表示为Smell，最佳位置表示为（x,y）；

Step 6：记录并保留果蝇最佳位置和最佳适应度，最佳适应度=Smell，果蝇初始位置_=x，_=y，同时果蝇群体向果蝇最佳位置的方向搜索寻优；

Step 7：循环重复Step 2~Step 5，判断当前适应度是否优于历史最优适应度；若满足条件，则执行Step 6。

2.2 FOAACO算法流程

果蝇算法优化蚁群算法思想实质：首先，运用果蝇算法的快速寻优能力，生成初始信息素分布，参数分别为启发因子、期望因子、信息素挥发度；在最优参数启发因子、期望因子、信息素挥发度的情况下，再运用蚁群算法。果蝇算法优化蚁群算法的算法流程如下：

算法初始阶段，随机生成FOA种群，计算每个种群所对应的适应度，通过比较，找到种群中最小适应度min，然后更新果蝇群体的速度和位置。当算法达到最大迭代次数时，将最小适应度值min所对应的启发因子、期望因子、信息素挥发度用于蚁群算法的参数寻优。

Step 1：初始化果蝇群体位置为_、_，种群规模和最大迭代次数；

Step 2：计算每个果蝇个体的适应度，比较当前适应度和历史最优适应度；若当前适应度优于历史最优适应度，则保留当前适应度的位置；反之，则保留历史最优适应度的位置。

Step 3：更新果蝇群体的位置和速度；

Step 4：算法停止条件判定，若<，则算法终止；反之，返回Step 2；

Step 5：将最小适应度min对应的启发因子、期望因子、信息素挥发度用于蚁群算法的参数寻优。

3 FOAACO模糊集增强

3.1 模糊熵

模糊集图像增强的效果由信息熵的大小决定，因此通过比较图像增强前后的信息熵大小来评价图像增强的效果[12]。

其中，p表示归一化后的直方图。

其中，、S分别表示图像的尺寸大小和函数，其中

3.2 目标函数

为提高模糊熵的敏感性，本文根据公式（13）改进模糊熵，改进之后的目标函数为：

4 实验分析

4.1 直观视觉分析

为了验证本文算法的增强效果，选择人物图像、景物图像为研究对象，将FOAACO、FOA和ACO进行对比，结果分别如图1和图2所示。

图1 人物图像增强结果

图2 景物图像增强结果

4.2 模糊熵分析

由表1可知，相对于其他图像增强算法，FOAACO算法由于它的快速收敛特性和良好的全局搜索能力，在规定的时间条件下，可以获得最大模糊熵和最小的标准方差，因此FOAACO增强算法在时间和精度上实现了完美结合，同其他图像增强算法相比较，具有更高的效率和质量。

表1 不同算法增强结果的模糊熵

5 结论

针对传统的模糊集图像增强算法具有计算量大、参数手动设置和适应性差的缺点，运用果蝇优化算法对蚁群算法的启发因子、期望因子信息素挥发度三个参数进行优化，提出一种FOAACO优化模糊集的自适应图像增强算法。通过直观视觉分析、模糊熵值分析结果可知，改进的蚁群算法优化模糊集增强可以有效地改善计算机视觉图像的视觉效果，同时突出某些特征。

[1] 曹风云,赵凯,王筱薇倩,等.自适应水下彩色图像增强算法[J].电子测量与仪器学报,2016,30(5):772-778

[2] 张雪峰,赵莉.基于改进Retinex的图像增强算法[J].南京理工大学学报:自然科学版,2016,40(1):24-28

[3] 李毅,张云峰,年轮,等.尺度变化的Retinex红外图像增强[J].液晶与显示,2016,31(1):104-111

[4] 苏娟,李冰,王延钊.结合PCNN分割和模糊集理论的红外图像增强[J].光学学报,2016(9):82-90

[5] 全永奇,李太君,邓家先,等.模糊集与非线性增益相结合的自适应图像增强算法[J].计算机应用研究,2016(1):311-315

[6] 杨卫中,徐银丽,乔曦,等.基于对比度受限直方图均衡化的水下海参图像增强方法[J].农业工程学报,2016,32(6):197-203

[7] 王小元,张红英,吴亚东,等.基于视觉感知的低照度图像增强算法[J].计算机工程,2016,42(8):249-254

[8] 段群,吴粉侠,李红.双通道分块同态滤波彩色图像增强算法[J].计算机技术与发展,2016(1):82-85

[9] 钱钧,李良福,周锋飞,等.基于结构特征引导滤波的深度图像增强算法研究[J].应用光学,2016,37(2):203-208

[10] 牛为华,孟建良,崔克彬,等.利用Grümwald-Letnikov分数阶方向导数的图像增强方法[J].计算机辅助设计与图形学 学报,2016,28(1):129-137

[11] 李纪成,谢凯,阮宁君,等.基于曲波变换的医学图像增强算法[J].计算机工程与设计,2017,38(1):187-191

[12] 陈昌龙,孙克辉.基于图像特征分块的分数阶微分图像增强算法[J].计算机工程与应用,2016,52(14):186-191

Self-adaption Image Enhancement Algorithm of Fruit Fly Optimization Algorithm and Improved Ant Colony Optimization

WANG Qi1, XU Ke-jian2

1.100011,2.100022,

In the course of collecting and transmitting computer visual images, they are easy to become blurred by noise. The traditional fuzzy set image enhancement algorithm has the disadvantages of large computation, manual setting parameters and poor adaptability, which makes the image processing efficiency and the image quality poor so as to not meet the needs of reality. The improved ant colony algorithm was introduced into computer vision image fuzzy enhancement whose effect was evaluated by the fuzzy entropy and add parameter into fuzzy images to self-adaptive selection. The results showed that the algorithm could improve the fuzzy entropy, the visual effect and sharpness and highlight some features on image.

Fruit Fly Optimization Algorithm; Ant Colony Optimization; fuzzy entropy; image enhancement

TP391.1

A

1000-2324(2018)05-0832-04

10.3969/j.issn.1000-2324.2018.05.022

2017-09-02

2017-11-12

王琦(1972-),女,硕士,副教授,主要研究方向为计算机图形图像处理、多媒体技术应用、数据库应用. E-mail:sftwangqi@buu.edu.cn