文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.2016.08.034
中文引用格式: 張亞軍,,羅鑫. 基于量子行為粒子優(yōu)化的電路板紅外成像增強(qiáng)[J].電子技術(shù)應(yīng)用,,2016,42(8):138-140.
英文引用格式: Zhang Yajun,,Luo Xin. Infrared image enhancement of circuit board based on quantum-behaved particle swarm optimization[J].Application of Electronic Technique,,2016,42(8):138-140.
0 引言
隨著電路板制造工藝的發(fā)展,,電子元器件的集成度越來越高,電路越來越復(fù)雜,傳統(tǒng)接觸式診斷故障需要大量的時(shí)間和精力,,紅外成像對故障診斷方法已經(jīng)成為目前重要方法[1-2],,但是電路板紅外成像的比度差、動態(tài)范圍小,、圖像模糊,,因此需要對電路板紅外成像增強(qiáng)。
目前電路板紅外成像增算法有:基于直方圖變換的電路板紅外成像增強(qiáng)[3],,其亮度較高,,噪聲較大,細(xì)節(jié)不明顯,;基于灰度變換的電路板紅外成像增強(qiáng)[4],,其亮度均勻,細(xì)節(jié)明顯,,噪聲小但整體偏暗,;基于Retinex方法的電路板紅外圖像增強(qiáng)[5],其可提高視覺效果,,但是對光照變化相當(dāng)敏感,;同態(tài)濾波增強(qiáng)算法,其適合較好對比度的紅外圖像[6],,對大部分紅外圖像經(jīng)過同態(tài)濾波處理之后圖像灰度會更低,,圖像對比度會更差。
為了提高電路板紅外成像增強(qiáng)的效果,,本文采用量子行為粒子優(yōu)化算法,。在量子空間中更新粒子位置,建立粒子停滯系數(shù)與收縮擴(kuò)張系數(shù)之間的關(guān)系,,通過判斷粒子停滯有效地減少無效迭代,,并采用非完全Beta函數(shù)實(shí)現(xiàn)電路板紅外圖像增強(qiáng)。實(shí)驗(yàn)仿真顯示本文算法對電路板紅外成像細(xì)節(jié)增強(qiáng)效果比較清晰,,均方誤差明顯減小,,相對信噪比明顯提高。
1 量子行為優(yōu)化粒子群算法
由于在量子空間中不能同時(shí)確定粒子的速度和位置,,位置是唯一描述粒子狀態(tài)的變量[7],,因此在量子行為優(yōu)化粒子群算法中粒子的位置方程為:
其中:xi(t)為第i個(gè)粒子第t次迭代的位置,為收縮擴(kuò)張系數(shù),,向量pi=(pi1,,pi2,…piD)是第i個(gè)粒子的歷史最佳位置,,D為空間維數(shù),,為[0,1]之間的隨機(jī)數(shù),c(t)表示所有粒子個(gè)體極值的平均值,,c(t)為:
其中:m為粒子個(gè)數(shù),;i=1,2,,…,,m;D=1,,2,,…,n,。
在迭代中,,將每一個(gè)粒子當(dāng)前位置的適應(yīng)值與全局最好位置的適應(yīng)值進(jìn)行對比[8-9],當(dāng)前者較好時(shí),,從全局最好位置開始更新,。在k維空間中第i個(gè)粒子第t次迭代時(shí)的適應(yīng)值方程gik(t)為:
其中:(t)∈(0,1),,pik(t)為個(gè)體最好位置,,gk(t)為群體最好位置。
量子行為優(yōu)化粒子群算法使粒子的狀態(tài)只需用位置向量進(jìn)行描述即可,,且算法中只有一個(gè)控制參數(shù),,值越大,粒子搜索范圍越廣,,過大會降低算法收斂速度,;值越小,粒子會在局部仔細(xì)搜索,,過小會使算法陷入局部收斂,;合適的能夠使得全局搜索和局部搜索全面進(jìn)行,從而找到全局最優(yōu)解,。
通過停滯系數(shù)判定算法是否陷入停滯:
其中:t′為種群最優(yōu)個(gè)體的適應(yīng)值連續(xù)不變的迭代次數(shù),,即若連續(xù)t′代最優(yōu)個(gè)體的適應(yīng)值沒有變化,則種群停滯系數(shù)就為,。
因此,,選擇一個(gè)與成正比的動態(tài)?著:
其中:調(diào)整后若算法適應(yīng)值變優(yōu),則歸零,;若適應(yīng)值未變優(yōu),則繼續(xù)調(diào)整,。
2 電路板紅外圖像增強(qiáng)過程
2.1 非完全Beta函數(shù)實(shí)現(xiàn)電路板紅外圖像增強(qiáng)
采用非完全Beta函數(shù)來實(shí)現(xiàn)電路板紅外圖像的增強(qiáng)[10],,歸一化的非完全Beta函數(shù)F(u)定義為:
其中:B(?琢,?茁)為Beta函數(shù),Beta表示為:
其中:當(dāng)<時(shí),,所得變換函數(shù)對較暗區(qū)域進(jìn)行拉伸,;當(dāng)=時(shí),變換曲線是對稱的,,對中間區(qū)域進(jìn)行拉伸,;當(dāng)>時(shí),經(jīng)過變換后對較亮的區(qū)域進(jìn)行拉伸,。
一幅大小為(M×N),,具有L級灰度的圖像I={f(x,y)},,f(x,,y)∈{Lmin,Lmin+1,,Lmin+2,,…,Lmax},,Lmin與Lmax滿足Lmax-Lmin∈[63,,126],。為增強(qiáng)方便,將f(x,y)進(jìn)行歸一化為f′(x,,y):
其中:Lmax、Lmin分別為處理圖像灰度的最大值和最小值,。求解出和最優(yōu)取值,,即可實(shí)現(xiàn)電路板紅外圖像的增強(qiáng),圖像增強(qiáng)質(zhì)量評價(jià)函數(shù)作為量子行為粒子優(yōu)化算法的適應(yīng)度函數(shù):
其中:M,、N分別為圖像的寬和高,;n=M×N;為增強(qiáng)后圖像fenhence(x,,y)的灰度均值,。fitness(f,,,)值越大,,則圖像灰度分布越均勻,圖像對比度越高,,圖像質(zhì)量越好,。
2.2 算法流程
(1)輸入待增強(qiáng)圖像,初始化圖像灰度值,;
(2)按式(1)更新粒子的個(gè)體最優(yōu)位置,,按式(3)計(jì)算粒子i的當(dāng)前位置xi(t)的適應(yīng)度函數(shù)值,,即將xi(t)的適應(yīng)度函數(shù)值與前一次迭代的粒子的個(gè)體最優(yōu)位置pik(t-1)的適應(yīng)度函數(shù)值比較,如果xi(t)的適應(yīng)度函數(shù)值優(yōu)于pik(t-1)的適應(yīng)度函數(shù)值,,則pik(t)=xi(t),;否則pik(t)=pik(t-1);
(3)將粒子i個(gè)體最優(yōu)位置pik(t)的適應(yīng)度函數(shù)值與全局最優(yōu)位置gk(t)的適應(yīng)度函數(shù)值比較,,pik(t)優(yōu)于gk(t-1),,則pik(t)=gk(t);否則gk(t)=gk(t-1),;
(4)更新粒子i位置xi(t+1)計(jì)算獲得的(,,),按式(9)判斷適應(yīng)度,,若連續(xù)個(gè)新解都沒有被接受,,則終止尋優(yōu),進(jìn)行步驟(5),;否則進(jìn)行步驟(2),;
(5)將增強(qiáng)后的圖像反歸一化處理,得到輸出圖像,。
3 實(shí)驗(yàn)仿真
3.1 視覺仿真
實(shí)驗(yàn)PC配置為CPU3.6 GHz,、內(nèi)存2 GB、IntelH61主板,、集成顯卡,,采用MATLAB7.0編程實(shí)現(xiàn)仿真,電路板紅外圖像進(jìn)行各種算法的對比增強(qiáng)效果如圖1所示,。
從圖1的對比結(jié)果中可以看出,,量子行為粒子優(yōu)化算法對電路板紅外成像增強(qiáng)了對比度,圖像亮度得到了整體提升,,細(xì)節(jié)比較清晰,;直方圖方法增強(qiáng)效果中細(xì)節(jié)不明顯;灰度變換方法增強(qiáng)效果整體偏暗,;Retinex方法增強(qiáng)效果中,,發(fā)熱小的芯片受到背景區(qū)域的影響非常大,甚至與背景相混淆,,增加了直觀定位故障的難度,;同態(tài)濾波方法增強(qiáng)效果中圖像對比度較差。
3.2 指標(biāo)分析
為了綜合分析本文算法對電路板紅外圖像增強(qiáng)的客觀評價(jià)效果,,采用的指標(biāo)如下,。
(1)均方誤差(Mean Squared Error,MSE):
其中:f(m,,n)為原始圖像,,是增強(qiáng)后的圖像,,M,、N為圖像矩陣的行,、列總數(shù)。
(2)相對信噪比(Relative Signal to Noise Ratio,,RSNR),,指增強(qiáng)后的紅外圖像相對于原始圖像的信噪比,主要衡量增強(qiáng)圖像相對于原始圖像去除噪聲的能力:
對圖1(a)待增強(qiáng)電路板紅外成像進(jìn)行20次蒙特卡羅仿真實(shí)驗(yàn),,然后取其均值,,各種算法的MSE指標(biāo)分析如圖2(a)所示,RSNR指標(biāo)分析如圖2(b)所示,。
從圖2的數(shù)據(jù)指標(biāo)分析可以發(fā)現(xiàn),,本文算法相比其他方法有了很大的改善,均方誤差MSE明顯減小了,,相對信噪比RSNR明顯提高了,,因此電路板的紅外成像質(zhì)量有了明顯的增強(qiáng)。
(a)各種算法的MSE指標(biāo)分析
(b)各種算法的RSNR指標(biāo)分析
4 結(jié)論
在量子空間中更新粒子位置,,建立粒子停滯系數(shù)與收縮擴(kuò)張系數(shù)之間的關(guān)系,,有效地減少無效迭代;非完全Beta函數(shù)實(shí)現(xiàn)電路板紅外圖像增強(qiáng),。實(shí)驗(yàn)仿真顯示本文算法對電路板紅外成像細(xì)節(jié)增強(qiáng)效果比較清晰,,均方誤差明顯減小,相對信噪比明顯提高,,為電路板紅外成像增強(qiáng)提供了一種新方法,。
參考文獻(xiàn)
[1] 郝建新.基于小波變換與Retinex的電路板紅外圖像增強(qiáng)技術(shù)[J].紅外技術(shù),2015,,37(12):1036-1040.
[2] 崔昊楊,,許永鵬,楊俊杰,,等.基于MIV和BRBP神經(jīng)網(wǎng)絡(luò)的電路板紅外診斷方法[J].激光與紅外,,2014,44(4):382-386.
[3] HASEGAWA M,,TABBONE S.Histogram of Radon transform with angle correlation matrix for distortion invariant shape descriptor[J].Neurocomputing,,2016,15(1):24-35.
[4] Li Tiangang,,Wang Supin,,Zhao Nan.Gray-scale edge detection for gastric tumor pathologic cell images by morphological analysis[J].Computers in Biology and Medicine,2009,,39(11):947-952.
[5] Wang Guodong,,Dong Qian,,Pan Zhenkuan,et al.Retinex theory based active contour model for segmentation of inhomogeneous images[J].Digital Signal Processing,,2016,,50(3):43-50.
[6] SHARMA H,SHARMA K K,,BHAGAT O L.Respiratoryrate extraction from single-lead ECG using homomorphic filtering[J].Computers in Biology and Medicine,,2015,59(1):80-86.
[7] 焦鵬,,王新政,,謝鵬遠(yuǎn).基于量子行為粒子群算法的可測試性設(shè)計(jì)方法[J].艦船電子工程,2013,,33(3):105-107.
[8] 張宏立,,李瑞國,范文慧,,等.基于量子粒子群的全參數(shù)連分式混沌時(shí)間序列預(yù)測[J].控制與決策,,2016,31(1):52-58.
[9] 肖文顯,,王俊閣,,馬孝琴.自適應(yīng)調(diào)整差分進(jìn)化算法在優(yōu)化問題中的應(yīng)用[J].哈爾濱理工大學(xué)學(xué)報(bào),2015,,20(1):71-74.
[10] 李欣然,,靳雁霞.量子行為粒子群優(yōu)化算法在公交調(diào)度優(yōu)化中的應(yīng)用[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2012,,21(7):191-195.