基于改进MCLPSO算法及非完全Beta函数的图像增强技术

针对已有智能算法在增强图像领域的效果并不理想等问题,改进一种新型竞争粒子群算法并提出利用此算法,结合非完全Beta函数上动态寻优调整灰度曲线的光电图像增强新策略。新策略主要从算法角度出发改进传统PSO算法,针对原有权重统一粒子分工相同的原始算法不能很好地实现自适应搜索,以及算法前期早熟、后期收敛缓慢等问题借鉴改进竞争学习策略,改进完成的新算法结合非完全Beta函数动态寻找最优值内的图像灰度曲线。将改进的MCLPSO算法与ASAPSO等六种算法,在常见基准函数上进行性能对比,结果显示改良后的MCLPSO算法在性能上更优;在实验中加入CLPSO结合非完全Beta增强图像以及线性直方图增强图像作为对照组,结果显示改进后的新策略更胜一筹。综合结果显示,改进竞争粒子群算法在结合图像处理手段来增强低亮度图片,在多场景下有效并且能达到很好的效果。

基于黏菌优化极限学习机的煤矸石多光谱识别

煤和矸石的精准辨识是煤矸分选和煤炭清洁高效利用的重要前提,针对传统方法存在效率低、需加装辐射隔离以及受环境干扰等诸多不足,提出了基于多光谱图像特性和光谱特性来识别煤和矸石,构建黏菌优化极限学习机(Slime Mold Algorithm Extreme Learning Machine,SMA-ELM)的分类模型。搭建多光谱数据采集系统完成煤与矸石的光谱图像采集,通过LBP对光谱图像进行特征提取并使用PCA主成分分析对提取后的特征向量降维,输入SMA-ELM分类模型、蚁狮优化极限学习机(Antlion Algorithm Optimized Extreme Learning Machine,ALO-ELM)分类模型、鲸鱼优化极限学习机(Whale Algorithm Optimized Extreme Learning Machine,WOA-ELM)分类模型进行对比,重点研究不同波长响应下煤和矸石的辨识精度来筛选最佳波长,通过多评价指标对优化后的最优波段进行比较。实验结果表明,SMA-ELM分类效果最佳,第6波段为最优波段,SMA-ELM在该波段的平均识别准确率为95.08%,煤和矸石的识别F1-Score分别为96.47%和92.68%,用时10.6 s。所提出的方法可以实现煤和矸石的精准识别,这对煤和矸石的智能分选具有重要的研究意义。

基于改进FA算法与不完全Beta函数的图像增强技术

针对传统计算机在复杂图像信息分析以及后期处理不达预期的问题,提出了利用改进原始的萤火虫算法(FA)在不完全Beta函数上动态寻优调整灰度曲线的光电图像增强新策略。新策略主要从算法角度出发改进传统FA算法,针对原有的吸引度容易造成局部最优等问题引入新吸引度公式、针对算法陷入局部震荡添加自扰动和克服陷入局部最优的迭代检测环节,改进完成的新算法(Firefly Algorithm Growth,FAG)结合非完全Beta函数动态寻找最优值下的图像灰度曲线。将改进的FAG与FA新老算法在四种常见基准函数上进行对比实验测试他们的性能,结果显示改良FAG算法在性能上更优;在改良FAG结合非完全Beta与FA结合非完全Beta增强同一图像的实验中加入直方图算法增强图像作为对照组,综合结果显示改进后的新策略更胜一筹。综合结果显示群智能算法在结合图像处理手段来达到图像增强的目的上具有很好的应用价值,新策略在低对比度条件下的光电图像实现了有效的增强。

基于图像处理的石油管道故障检测

石油管道的内壁检测维护是管道长期使用的重要保障,直接影响运输安全以及经济效益。在管道的实际使用过程中,异常磨损是其影响日常使用安全的主要原因。针对现有的机器视觉检测系统的效果和准确性低、人工检测劳动强度高和错检漏检率高等问题,提出一种基于改进粒子群优化(Particle Swarm Optimization,PSO)Otsu的图像分割技术。最后进行多阈值对比试验,实验结果表明经过粒子群优化Otsu分割后的图像增强了原图像的边缘部分,并保留了图像中较为平坦的部分,更能突显出管道的缺陷特点。