彩色图像量化算法基于自适应差分进化

文摘

微分进化算法(DE)是一种新颖的随机优化方法。它有一个更好的性能在彩色图像量化的问题,但是很难德为用户的设置参数。提出了一种基于自适应彩色图像量化算法。德。在该算法中,自适应机械用于自动调节的参数德在进化,和德和混合机械——加强局部搜索应用。数值实验结果,在一组常用的测试图像,表明,该算法是一种可行的量化方法,比竞争更加激烈则和粒子群算法(PSO)的彩色图像量化。

1。介绍

彩色图像量化,常用的图像处理技术之一,是一个过程,减少颜色的数量在一个彩色图像失真较少[1]。颜色量化的主要目的是减少使用存储介质和加速图像发送时间2]。彩色图像量化包含两个重要阶段。第一个是设计一个colormap小数量的颜色(通常是8 - 256的颜色3])的彩色图像。第二个是彩色图像中的每个像素映射到一种颜色在colormap。大部分的颜色量化方法专注于创造一个最佳colormap。是一个np难问题,是不可行的,找到最优colormap没有禁止性的时间(4]。为了解决这个问题,研究人员应用几种随机优化方法,如遗传算法和算法。特别是,文献[5- - - - - -8)比较了彩色图像量化使用PSO算法(PSO-CIQ)和其他几个著名的彩色图像量化方法。实验结果表明,PSO-CIQ有更高的性能。

差分进化算法(DE) [9- - - - - -11)是一种基于启发式搜索的方法。德已经应用于分类灰色图像(12- - - - - -14]。在文献[12- - - - - -14),德和PSO显示类似的性能。然而,由于操作简单、垃圾参数和快速收敛,德比PSO(更好的选择使用12]。然而,很少有研究了使用DE解决彩色图像量化。本文应用解决彩色图像量化。然而,德的性能取决于两个重要参数,比例因子和交叉CR率。在实践中,很难设置两个参数。对于这个困难,本文提出一种基于自适应彩色图像量化算法(SaDE-CIQ)。在SaDE-CIQ,自适应力学在文献[15,16DE)是用于自动调整参数在进化,和则是混合到德小概率加强局部搜索。SaDE-CIQ始于一个初始化种群,每个代表一个候选人colormap。少量的候选人colormaps调整则。然后调整候选人colormaps,其余的由德一再更新操作,参数的自动调整。最佳的解决方案是最优colormap,量化的图像生成。一些常用的彩色图像,SaDE-CIQ在彩色图像量化的性能比则和算法。

本文组织如下。部分2简要介绍了经典的德。节3的自适应机械参数和混合机械DE——介绍了。节4,提出了SaDE-CIQ。节5,数值实验比较SaDE-CIQ的彩色图像量化的品质,则和算法。部分6本文总结道。

2。经典微分进化

德是一个简单而强大的随机全局优化算法,和几个DE变体或策略。在本文中,我们专注于经典的德,这适用于简单的算术运算:变异、交叉,选择进化。引入经典的德之前,本文定义中使用以下符号:(我) :目标函数和适应度函数,(2) :优化问题的维数,(3) :人口规模,(iv) :人口,(v) :个人在人群中,,(vi) :比例因子,(七) :交叉率。

考虑如下的优化问题: 在哪里和是下界和上界的变量和是这个问题的可行域。

一个初始种群包括个体是随机生成的,其中每个个体,。

执行下面的变异操作来生成一个向量为每个单独的捐赠者: 在哪里是捐赠者向量,,,三个统一不同的整数吗,比例因子是一个参数。

然后,执行下面的交叉操作获得试验向量为每个单独的: 在哪里是试验向量,交叉率是一个参数,是一个均匀随机值,是一个均匀随机整数吗对于每个不同的确保至少有一个组成部分取自捐献者向量。

最后,根据适应度函数的适应度值,更新人口由以下选择操作: 在哪里更新的个人为下一代人口。

如前所述,获得适应度函数的最佳解决方案,始于一个随机生成的初始种群和不断更新的人口突变,交叉和选择操作,直到满足停止条件。

3所示。德的自适应机械和机械混合

比例因子和交叉率CR可以影响DE的收敛性和稳定性。在实践中,它更难以设置正确和CR用户。解决这一难题的有效方法之一是自适应控制中的参数在进化过程中。在下面的SaDE-CIQ,和CR自动更新为每个单独的在每一代的自适应力学文献[15,16]:

一般来说,自适应调整参数可能对德的性能有负面影响。为提高自适应的颜色量化质量,混合机械中使用以下SaDE-CIQ。则是一个快速集群算法有更好的局部搜索能力。在混合机械,少量的个人从人口是由小概率。被德更新之前,选择个人调整——快。混合操作可以简化DE的搜索空间,提高其收敛速度。

4所示。基于自适应彩色图像量化算法DE

在RGB颜色空间中,每个像素的颜色图像结合了红、绿、蓝(RGB)。对于彩色图像,数据空间。对于一个给定的彩色图像图像的颜色数将,属于所有的颜色将,称为colormap,是与一个子集颜色,在那里。设计一个colormap彩色图像量化并创建一个映射,每一个像素的颜色取而代之的是一个颜色吗。因此,一种新的彩色图像叫的量子化的形象,颜色构造。目的量化彩色图像是减少彩色图像之间的颜色错误及其量化图像。

彩色图像量化包含两个主要阶段:(我)设计一个更好的colormap减少数量的颜色(通常是8 - 256);(2)创建彩色图像之间的映射关系和的colormap量化图像。

在彩色图像量化的过程中,最重要的是设计一个最佳colormap。为了解决这个问题,研究人员对彩色图像量化应用一些启发式技术。这些技术主要可以分为preclustering方法和postclustering方法。虽然耗时,postclustering方法优于preclustering方法量化质量。Postclustering方法执行聚类的彩色空间17]。postclustering算法具有初始colormap结束颜色。每种颜色像素的图像映射到颜色的colormap最小距离颜色像素。因此,所有的颜色在图像像素聚集成集群中心是分开的colormap颜色。然后colormap和集群提高最优迭代修改。

本节描述一个新的postclustering使用自适应彩色图像量化方法,称为基于自适应彩色图像量化算法(SaDE-CIQ)。衡量给出量化的质量结果量化的图像,然后SaDE-CIQ介绍。

4.1。测量的质量

均方误差(MSE)是最通用的量化的图像质量(4]。它代表了图像之间的颜色误差及其量化图像。在下面的SaDE-CIQ, MSE将适应度函数,定义如下: 中使用的符号(7),它将用于本文的剩余部分,解释如下:(我) :图像像素的数量,(2) colormap:颜色号码,(3) :彩色图像的像素,,(iv) :th colormap颜色三,。

4.2。SaDE-CIQ的描述

SaDE-CIQ,经典的德与前面提到的自适应机械混合机械用于彩色图像量化。一个人口表示一组候选colormaps。每个代表一个候选人colormap颜色RGB颜色空间中的三元组。的个人用 在哪里,。因此,每个个体的维度可行域。每个单独的质量测量的MSE (7): 算法的停止条件是达到指定的最大迭代次数。

在第一阶段SaDE-CIQ,最优colormap设计。一组候选人colormaps初始化。每个colormap包括随机选择颜色在颜色空间三元组。——应用于调整少量colormaps随机选择从所有候选人colormaps小概率。然后调整colormaps,其余的由变异和交叉操作,不断更新和CR与初始值和由公式(更新5)和(6)。的则和DE操作执行,直到满足停止条件。最后一个最优解是最佳colormap。SaDE-CIQ在第二阶段,创建了映射关系根据最小颜色距离原则。通过替换彩色图像中的每个像素最优colormap对应的颜色,要重建获得量化的图像吗。

看到伪代码1SaDE-CIQ。

5。数值实验

在本节中,一组测试SaDE-CIQ四个常用的测试图像量化文学。此外,SaDE-CIQ的性能比则和彩色图像量化算法使用PSO (PSO-CIQ)在文献[5]。

5.1。图片和参数设置

测试图像的设置包括莉娜、辣椒、狒狒、飞机,有相同的大小像素。他们在图所示1。

SaDE-CIQ中的参数设置为人口规模最大迭代次数和混合概率。

比SaDE-CIQ PSO-CIQ有更多参数。他们是设置为群的大小,惯性权重,加速常数,最大速度和最大迭代次数。这些参数除了最后一个相同的文献[5]。

5.2。实验结果

对于每个算法,测试图像量化到16个颜色。最小的颜色量化图像为了超过模拟图所示2。最小的家中小企业和最大的家中小企业超过模拟表中列出1,SaDE-CIQ和PSO-CIQ MSE的迭代次数的变化表现出图3。

5.3。实验结果分析

如图2,SaDE-CIQ优于则和PSO-CIQ量化图像的视觉质量的所有测试图像。量化图像a - 1, b - 1、颈- 1和d 1比其他量化有更丰富的层次和更多的细节图片。

如表中所示1家中小企业,SaDE-CIQ生成一个小于和PSO-CIQ则为每个测试图像。

如图3,SaDE-CIQ具有较小的平均均方误差比PSO-CIQ在每个相同数量的迭代。此外,产生的平均MSE SaDE-CIQ比这更快地减少造成的PSO-CIQ越来越多的迭代。

上述实验结果可以概括如下:(我)SaDE-CIQ是一种有效的彩色图像量化方法;(2)SaDE-CIQ量化质量比则和PSO-CIQ;(3)比PSO-CIQ SaDE-CIQ收敛更快。

6。结论

摘要提出了一种基于自适应彩色图像量化算法(SaDE-CIQ)。数值实验是实施调查SaDE-CIQ和比较它的性能则和PSO-CIQ在文献[5]。一组常用的测试图像,实验结果证明SaDE-CIQ的可行性及其优势则和PSO-CIQ量化质量。此外,SaDE-CIQ简单操作,垃圾参数,和更快的比PSO-CIQ收敛。

确认

这项工作是支持部分由中国国家自然科学基金批准号61070009,中央大学的基础研究基金批准号下2012 - yb - 19日,湖北省自然科学基金,中国,在批准号2011 cdc161。

引用

1. j。Braquelaire l·布朗:“彩色图像量化的比较和优化方法,”IEEE图像处理》第六卷,没有。7,1048 - 1052年,1997页。视图:出版商的网站|谷歌学术搜索
2. f . Alamdar z Bahmani, s . Haratizadeh“F-PSO-GA颜色量化和聚类,”《IEEE国际智能计算和智能会议系统(艾多酷的10),3卷,第238 - 233页,2010年10月。视图:出版商的网站|谷歌学术搜索
3. p . Scheunders”基因c均值聚类算法应用于彩色图像量化,”模式识别,30卷,不。6,859 - 866年,1997页。视图:谷歌学术搜索
4. m·g·奥木兰·A·p·Engelbrecht, A·萨尔曼·“彩色图像量化算法基于粒子群优化,“软计算在多媒体处理卷,29号3、261 - 269年,2005页。视图:谷歌学术搜索
5. 刘问:Sa, x, x, d,“彩色图像量化使用粒子群优化,”图象图形学报,12卷,不。9日,页1544 - 1548,2007(中国)。视图:谷歌学术搜索
6. x周、问:沈和j .王”基于粒子群优化的颜色量化算法”,微电子学和计算机,25卷,不。3页51-54 2009(中国)。视图:谷歌学术搜索
7. 徐y和z江”K-mean彩色图像基于粒子群优化的量化方法,”西北大学学报,42卷,不。2012(中国)。视图:谷歌学术搜索
8. f . Alamdar z Bahmani, s . Haratizadeh“F-PSO-GA颜色量化和聚类,”《IEEE国际智能计算和智能会议系统(艾多酷的10)2010年10月,页233 - 238。视图:出版商的网站|谷歌学术搜索
9. r . Storn和k .价格“微分进化简单和高效的启发式全局优化的连续空间,”杂志的全局优化,11卷,不。4、341 - 359年,1997页。视图:谷歌学术搜索
10. 沈y、m·李和h .阴“小说微分进化数值优化,”国际期刊《计算技术的进步,4卷,不。4,24-31,2012页。视图:出版商的网站|谷歌学术搜索
11. h·李和j·唐”,与本地搜索改进微分进化,”融合信息技术杂志》上,7卷,不。4、197 - 204年,2012页。视图:出版商的网站|谷歌学术搜索
12. m·g·h·奥木兰·a·p·Engelbrecht和a·萨尔曼·“微分进化无监督图像分类方法,”《IEEE国会进化计算(IEEE CEC 05)2005年9月,页966 - 973。视图:谷歌学术搜索
13. s Das和a .东部赫拉”自动图像像素聚类与一种改进的微分进化,”应用软计算杂志,9卷,不。1,第236 - 226页,2009。视图:出版商的网站|谷歌学术搜索
14. 问:苏、黄z和z,“基于微分进化算法的灰色图像二值化算法,”ICNC-FSKD》第六卷,第2628 - 2624页,2012年。视图:谷歌学术搜索
15. j·布雷斯特,s . b . Bošković诉Žume和m . s . Maučec”自适应和自适应差分进化算法的性能比较,”软计算,11卷,不。7,617 - 629年,2007页。视图:谷歌学术搜索
16. j·布雷斯特、诉Žumer和m . s . Maučec”自适应差分进化算法在约束实参的优化”《IEEE国会进化计算(CEC 06年)2006年7月,页215 - 222。视图:谷歌学术搜索
17. 研究所。程和C.-K。杨”,一个快速和新技术减少颜色量化使用颜色空间的维数,“模式识别的字母,22卷,不。8,845 - 856年,2001页。视图:出版商的网站|谷歌学术搜索

版权

版权©2013清华苏和Zhongbo胡。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。