基于改进微粒群算法的图像复原方法研究

【摘要】： 图像在生成、存储和传输的过程中,经常由于硬件设备、天气状况、光线强弱、噪声干扰等一系列的因素导致图像质量下降。为了复原这些退化图像,迄今已有一些成熟的图像复原的方法,包括逆滤波图像复原方法、维纳滤波图像复原、从噪声中复原、几何失真校正等方法。逆滤波比较简单,但处理噪声的效果不尽如人意。维纳滤波综合了退化函数和噪声统计特性两个方面,但是维纳滤波需要知道未退化图像和噪声的功率谱,这两个参数较难获得。从噪声中复原和几何失真校正只能用于被噪声污染的图像或几何失真严重的图像。以上算法都有一定的局限性。 智能算法能够在诸多应用领域高效率地求解寻优问题,如遗传算法是一种进化智能演化算法,它通过对初始解的不断进化逐步接近最优解,它包括选择、交叉、变异等遗传操作,其进化的过程是用上代变异出下代,以适应度函数的值是否达到门限值为标志进行寻优。而微粒群算法是一种群体智能算法,它也具备一定的全局寻优功能,通过群体之间的信息交换进行寻优求解。可是群体智能算法在子代迭代过程中没有明显的选择机制,虽然在迭代速度上比进化智能算法要快,但其收敛性能不如进化智能算法,容易陷入局部最优。 本文在采用群智能算法复原图像的过程中,将遗传算法中迭代过程中的选择机制引入到微粒群算法,提出了一种基于改进微粒群算法IPSO (Improve Particle Swarm Optimization)的图像复原技术,旨在增强群智能算法的全局搜索能力。本文采用了传统的遗传算法、标准微粒群算法和改进IPSO算法分别对退化图像进行复原实验,实验数据表明标准遗传算法在图像复原效果上比较理想,但是运算开销大。标准微粒群算法的参数较少,运算效率高,但是复原效果不如遗传算法。而改进的微粒群算法IPSO综合了遗传算法和微粒群算法的优势,能够以较高的运算效率取得较好的图像复原效果。 本文的创新点在于将遗传算法中的选择过程引入到标准微粒群算法PSO,并将改进算法IPSO应用于图像复原。实验结果表明,IPSO算法对于图像复原体现出更好的综合性能,具有良好的运算效率和复原效果,在图像处理方面具有一定的实用价值。