沈汝涵，周孟然

(安徽理工大學(xué) 1.力學(xué)與光電物理學(xué)院；2.電氣與信息工程學(xué)院，安徽 淮南 232001)

生活中缺少不了圖片這一記錄數(shù)據(jù)的載體，圖像質(zhì)量在產(chǎn)生時(shí)易受到拍攝環(huán)境外部光線以及光照強(qiáng)度等因素影響，并且隨之產(chǎn)生低對(duì)比度以及噪聲等缺點(diǎn)，理想圖片效果難以達(dá)到。通常算法會(huì)采用全局增加亮度、提升全局對(duì)比度、全圖去噪等方式。這些經(jīng)典算法通常在一個(gè)方面上能取得很好效果，但在整體質(zhì)量兼顧上仍然存在不足。隨著計(jì)算機(jī)技術(shù)日益發(fā)展，需求發(fā)展讓傳統(tǒng)算法捉襟見(jiàn)肘，改進(jìn)算法以及組合已有算法成為我們解決問(wèn)題的方向。其中粒子群算法[1]設(shè)計(jì)被廣泛關(guān)注并被應(yīng)用在各類問(wèn)題中，但是算法在后期收斂緩慢和易早熟問(wèn)題無(wú)法忽視。眾多學(xué)者針對(duì)這些問(wèn)題，總結(jié)創(chuàng)新了很多優(yōu)化策略，主要可以分為三個(gè)方向：

第一，最早出現(xiàn)是針對(duì)粒子群算法自身迭代策略的改進(jìn)，將原本固定不變的學(xué)習(xí)因子和慣性權(quán)重系數(shù)改進(jìn)，為其設(shè)置隨著迭代次數(shù)線性或非線性動(dòng)態(tài)變化調(diào)整策略。這一部分占設(shè)計(jì)中很大比例。在搜索的初期、中期及末期等階段有著不同搜索重點(diǎn)，要求我們必須權(quán)衡前期和后期的搜索，在保證搜索精度情況下提升搜索速度。林川[2]在較早時(shí)提出一種粒子按性能分工合作思路，將任務(wù)按照粒子性能進(jìn)行分配。慣性權(quán)重分配取決于性能優(yōu)劣，性能相比稍劣粒子所占粒子分配慣性權(quán)較小于是這類粒子可以迅速收斂。王生亮[3]將種群進(jìn)化離散度概念與Sigmoid函數(shù)結(jié)合，非線性動(dòng)態(tài)自適應(yīng)慣性權(quán)重因子(DAIW)就此產(chǎn)生，不同進(jìn)化粒子得到不同賦予權(quán)值，滿足粒子群優(yōu)化算法既不占用時(shí)間又能保證局部和全局開發(fā)。吳凡[4]從公式角度對(duì)粒子群公式參數(shù)進(jìn)行思考提出一種契合原有粒子進(jìn)化規(guī)律，具有反向思維的遞增曲線控參策略。王磊[5]設(shè)計(jì)算法包括一種可以自適應(yīng)調(diào)節(jié)慣性與學(xué)習(xí)因子算法，以及就解決全局最優(yōu)值與種群最優(yōu)值相距較遠(yuǎn)可能出現(xiàn)錯(cuò)誤學(xué)習(xí)問(wèn)題，提出限制擾動(dòng)比例。

第二，強(qiáng)強(qiáng)聯(lián)合。通過(guò)將其他優(yōu)勢(shì)算法融合到粒子群算法中形成新算法，彌補(bǔ)原有粒子群算法不足。閆群民[6]提出一種模擬退火粒子群優(yōu)化算法，在迭代初始階段根據(jù)種群初始狀態(tài)設(shè)置初始溫度，粒子經(jīng)過(guò)每次迭代模擬在溫度下降的環(huán)境下移動(dòng)，根據(jù)米特羅波利斯準(zhǔn)則判斷干擾得到新解能否取代本輪中全局最優(yōu)解，提高了在跳出最優(yōu)方面的能力。

第三，針對(duì)粒子種群拓?fù)浣Y(jié)構(gòu)進(jìn)行改進(jìn)。傳統(tǒng)粒子群算法的單一處理粒子也是值得深入研究，所有粒子不論好壞共用同一種更新方式易導(dǎo)致種群?jiǎn)我恍?。張鈺[7]設(shè)計(jì)的CLPSO算法提出一種種群分三部分競(jìng)爭(zhēng)進(jìn)化策略，遇到最優(yōu)問(wèn)題時(shí)，采用競(jìng)爭(zhēng)策略使不同區(qū)粒子按不同策略進(jìn)化變異，其中優(yōu)選區(qū)粒子可按照原有趨勢(shì)運(yùn)動(dòng)，同時(shí)疏離區(qū)與合理區(qū)粒子都追隨全新目標(biāo)來(lái)更新自身飛行狀態(tài)，這樣的種群可以自適應(yīng)地應(yīng)對(duì)最優(yōu)問(wèn)題故能有效處理多峰問(wèn)題。張津源[8]提出了一種粒子群算法具備自動(dòng)糾正學(xué)習(xí)策略和逐維學(xué)習(xí)進(jìn)化策略。控制周期靈活配置將兩種策略結(jié)合來(lái)控制算法隨機(jī)性，逐維學(xué)習(xí)策略更新最優(yōu)粒子，有效提高粒子尋優(yōu)能力。盡管上述PSO算法都通過(guò)各自所提策略增強(qiáng)了算法跳出局部最優(yōu)的能力，但是這些算法中粒子追隨目標(biāo)仍然以全局最優(yōu)為主，陷入局部最優(yōu)可能性依然存在。本文在不過(guò)多增加算法復(fù)雜度的前提下，通過(guò)改進(jìn)學(xué)習(xí)更新過(guò)程算法形成了算法MCLPSO，種群多樣性得到了保證，添加了合適權(quán)重處理策略，結(jié)合非完全beta函數(shù)動(dòng)態(tài)搜索最優(yōu)灰度曲線。

1 圖像的非線性增強(qiáng)

圖像線性增強(qiáng)主要通過(guò)線性函數(shù)，主要思想是將圖像灰度范圍通過(guò)壓縮或者拓展變成一個(gè)新灰度范圍即增強(qiáng)原圖里兩個(gè)灰度值間動(dòng)態(tài)范圍來(lái)拉伸感興趣區(qū)間達(dá)到增強(qiáng)圖像的目的[9]。而非線性圖像增強(qiáng)則是通過(guò)非線性映射算法，通常我們用的方法是通過(guò)幾種運(yùn)算，指、對(duì)數(shù)運(yùn)算以及冪運(yùn)算。直方圖增強(qiáng)實(shí)質(zhì)也是一種特定區(qū)域的展寬，但是會(huì)導(dǎo)致圖像曝光嚴(yán)重，造成一定失真。應(yīng)用場(chǎng)景較為簡(jiǎn)單，不能處理復(fù)雜圖像是線性增強(qiáng)通病。

丁生榮[10]提出一種基于非完全Beta函數(shù)的圖像增強(qiáng)算法，此文解決了遺傳算法等自適應(yīng)確定Beta函數(shù)參數(shù)。其實(shí)也就是選擇優(yōu)化非線性函數(shù)取值，最優(yōu)參數(shù)的獲得可以意味著最優(yōu)灰度變化曲線，即可以自適應(yīng)并且增強(qiáng)圖像。

主要思路是先將不完全beta函數(shù)歸一化如式(1)和式(2)所示，通過(guò)調(diào)整α和β參數(shù)可以得到四種非線性曲線。F(α，β，x)是通過(guò)調(diào)節(jié)系數(shù)進(jìn)行暗區(qū)亮區(qū)變化的參數(shù)函數(shù)。當(dāng)α>β時(shí)對(duì)亮區(qū)進(jìn)行拉升，α<β則是增大暗區(qū)的灰度差別，α=β=1時(shí)為直線。B()函數(shù)則是非完全beta函數(shù)。

(1)

B(α,β)=Γ(α)Γ(β)/Γ(α+β)

(2)

2 經(jīng)典粒子群算法

粒子群算法(particle swarm optimization, PSO)作為群智能算法中主要代表，是一種模仿鳥類隨意覓食的搜索算法[11]?！傲Ｗ印笔撬惴ê诵拇砹嗣總€(gè)優(yōu)化問(wèn)題潛在解，故稱其為粒子群算法。粒子群兩個(gè)特征數(shù)值分別為適應(yīng)值與粒子速度，適應(yīng)值由被優(yōu)化函數(shù)決定，速度則表示粒子尋找最優(yōu)值可移動(dòng)方向以及距離。

粒子群算法主要思路是對(duì)一群粒子進(jìn)行初始隨機(jī)處理，然后根據(jù)粒子迭代更新位置找到最優(yōu)解。每一次迭代中，粒子更新自身通過(guò)追蹤兩個(gè)極值：其一是粒子個(gè)體極值，是粒子在當(dāng)前迭代次數(shù)所能取得最優(yōu)解；另一個(gè)是全局極值由整個(gè)種群在當(dāng)前迭代次數(shù)為止中找到的最優(yōu)解。

Xi是粒子個(gè)體位置編號(hào)如式(3)所示。

Xi=(xi1,xi2,…,xiD),i=1,2,…,N

(3)

Vi是各個(gè)粒子對(duì)應(yīng)速度如式(4)所示。

Vi=(vi1,vi2,…,viD),i=1,2,…,N

(4)

每個(gè)個(gè)體已經(jīng)找到最優(yōu)解Pbest和一個(gè)整個(gè)群落找到最優(yōu)解Gbest，Xid這個(gè)粒子第d+1步所在位置，Vid是第i個(gè)粒子更新速度與位置如式(5)所示，其中的三部分包括第一部分為目前例子慣性；第二部分是個(gè)體粒子認(rèn)為的向之前最優(yōu)位置逼近的趨勢(shì)；第三部分則是在領(lǐng)域內(nèi)粒子向領(lǐng)域內(nèi)最優(yōu)位置逼近的趨勢(shì)Pid是個(gè)體已知最優(yōu)解，Pgd是種群已知最優(yōu)解，w為慣性權(quán)重，C1,C2為加速常數(shù)(acceleration constant)，r1,r2是[0,1]范圍內(nèi)隨機(jī)數(shù)。

vid=w×vid+c1r1(pid-xid)+c2r2(pgd-xid)

(5)

Xid+1則表示在d+1步中粒子位置，等于在d步的位置加上此刻時(shí)間的速度，通常將異步時(shí)間記為1，故可以直接加Vid如式(6)所示。

xid+1=xid+vid

(6)

粒子每次迭代中移動(dòng)由對(duì)上一次速度繼承、自身學(xué)習(xí)、種群信息交互三部分組成，運(yùn)動(dòng)習(xí)慣由粒子的慣性或動(dòng)量反映；認(rèn)知部分反映了向歷史最佳位置逼近趨勢(shì)；社會(huì)部分反映了向領(lǐng)域歷史最佳位置逼近趨勢(shì)[12]。

而爬山理論進(jìn)一步說(shuō)明，常規(guī)群算法思維即先全局搜索后局部搜索，因前期全局搜索為隨機(jī)性，實(shí)質(zhì)上為無(wú)方向性搜索，后期在已搜到全局解基礎(chǔ)上局部搜索，易形成常見(jiàn)局部最優(yōu)解。微粒群具有獨(dú)特記憶能力，能夠?qū)崟r(shí)追蹤目前的搜尋狀況，并且對(duì)族群規(guī)模不敏感，甚至在族群數(shù)量減少時(shí)，也沒(méi)有顯著降低效能[13]。影響函數(shù)的變異操作易導(dǎo)致粒子群算法結(jié)構(gòu)失調(diào)及不易收斂，所以收斂精度相對(duì)于本文算法甚至是傳統(tǒng)PSO算法都有所下降。

3 算法改進(jìn)

3.1 MCLPSO算法

采用具有隨機(jī)性和遍歷性特征的混沌序列均勻地且不重復(fù)地初始化各個(gè)粒子位置[14]；其次將種群分為三等，一等為處在全局最優(yōu)處的最優(yōu)粒子；第二等為全局最優(yōu)附近有能力靠近全局最優(yōu)的次優(yōu)粒子和局部最優(yōu)附近可以跳出最優(yōu)的中等粒子；三等為局部最優(yōu)附近不能跳出最優(yōu)及處在局部最優(yōu)點(diǎn)處下等粒子并且將粒子適應(yīng)度進(jìn)行排序；最后將跳出最優(yōu)策略嵌入到PSO算法中，在發(fā)現(xiàn)早熟信號(hào)時(shí)利用相應(yīng)策略來(lái)干擾當(dāng)前粒子搜索路徑[15]。

(7)

其中nt為nt=1-t/tmax，c為產(chǎn)生柯西變異產(chǎn)生隨機(jī)數(shù)值，t為迭代次數(shù)，xij為二等粒子所處位置。而第三類粒子適應(yīng)度值不佳我們用自然選擇策略將適應(yīng)度不佳的粒子直接用第一類或第二類粒子適應(yīng)值直接替換，這可有效減少迭代次數(shù)在無(wú)效搜索上[16]。

3.2 MCLPSO-N-beta非線性增強(qiáng)流程

Step1：讀取原圖片。

Step2：設(shè)置算法環(huán)境與變量設(shè)置。

Step3：利用改進(jìn)MCLPSO算法設(shè)置適應(yīng)度函數(shù)。

Step4：將圖像歸一化并且變成一維向量，利用改進(jìn)算法MCLPSO尋找最優(yōu)alpha和beta值。

Step5：將最優(yōu)alpha和beta值作為圖像最優(yōu)增強(qiáng)曲線數(shù)據(jù)并且將圖像反歸一化得到原圖增強(qiáng)圖像。

4 實(shí)驗(yàn)仿真部分

4.1 改進(jìn)算法能效測(cè)試

設(shè)計(jì)基準(zhǔn)函數(shù)對(duì)比實(shí)驗(yàn)，函數(shù)列表如表1所示，測(cè)試并檢驗(yàn)新算法性能，比較新型粒子群算法在光電圖像上增強(qiáng)效果?；鶞?zhǔn)函數(shù)對(duì)比實(shí)驗(yàn)的主要目的是體現(xiàn)出新老算法在性能上的優(yōu)劣，有助于下一步改進(jìn)方案，圖像增強(qiáng)對(duì)比試驗(yàn)是從感官和數(shù)據(jù)兩方面直觀體現(xiàn)出算法性能優(yōu)劣。此次實(shí)驗(yàn)環(huán)境為window 10系統(tǒng)處理器為Inter Core-i5-5200u@2.20GHz，運(yùn)行內(nèi)存8GB計(jì)算機(jī)，開發(fā)軟件使用matlabR2020b。

表1 基準(zhǔn)測(cè)試函數(shù)列表

本文采用6組實(shí)驗(yàn)對(duì)照新老算法在基準(zhǔn)函數(shù)上收斂以及尋優(yōu)情況，如圖1所示。種群規(guī)模設(shè)置為30；上下限設(shè)置(-50,50)；dim設(shè)置30；迭代回合設(shè)置1000次。測(cè)試函數(shù)對(duì)比圖如圖1所示。

(a)

(b)

(c)

(d)

(e)

(f)圖1 六種測(cè)試函數(shù)對(duì)比圖

可以清楚看出在測(cè)試函數(shù)(a)中改進(jìn)算法無(wú)論在收斂速度與精度上都完勝其余算法，并且后期克服最優(yōu)的跳出策略能起到良好效果；在測(cè)試函數(shù)(b)中，幾種算法在前50回合內(nèi)尋優(yōu)效果均很優(yōu)秀，但是在50回合之后體現(xiàn)出了差距，其中ASAPSO、SCDLPSO以及本文改進(jìn)算法MCLPSO繼續(xù)尋優(yōu)而其余算法已經(jīng)開始趨于收斂停滯，而在這三種算法中改進(jìn)算法MCLPSO雖然在300回合之后陷入最優(yōu)但是后期跳出最優(yōu)后繼續(xù)尋優(yōu)，并且效果最好；在測(cè)試函數(shù)(c)中也是顯而易見(jiàn)只有ASAPSO可以與MCLPSO進(jìn)行對(duì)比，依然效果上MCLPSO更優(yōu)；測(cè)試函數(shù)(d)中SCDLPSO有多次跳出最優(yōu)動(dòng)作，ASAPSO則得益于模擬退火策略，兩算法的尋優(yōu)結(jié)果近似，仍然劣于MCLPSO；在測(cè)試函數(shù)(d)中MCLPSO與ASAPSO在尋優(yōu)前50回合基本水平相同，50回合到200回合之間MCLPSO算法領(lǐng)先，但在300回合之后MCLPSO算法趨于收斂結(jié)束搜索，ASAPSO后者居上在600回合附近尋得最優(yōu)，說(shuō)明MCLPSO在此類函數(shù)上搜索能力并非最佳，還有可以提升空間；測(cè)試函數(shù)(f)中ASAPSO與MCLPSO在30回合左右領(lǐng)先其他算法，在100回合左右被SCDLPSO算法追上并且保持到170回合附近，之后改進(jìn)算法開始領(lǐng)先其余算法并保持到最終尋優(yōu)結(jié)束。從上面六中測(cè)試函數(shù)對(duì)比中我們可以清楚地判斷出改進(jìn)后新算法在幾類測(cè)試函數(shù)中均能夠得到不錯(cuò)的尋優(yōu)結(jié)果，并且在陷入最優(yōu)后處理策略也起到了很好的作用，相比較于原CLPSO算法提升也是顯而易見(jiàn)，與SCDLPSO和ASAPSO算法相比也能在尋優(yōu)速度與精度上處在較為明顯的優(yōu)勢(shì)地位，基本達(dá)到改進(jìn)算法的目的與預(yù)期要求，測(cè)試最優(yōu)值均值結(jié)果如表2所示。

表2 測(cè)試最優(yōu)值均值結(jié)果數(shù)據(jù)

在進(jìn)行100次重復(fù)尋優(yōu)實(shí)驗(yàn)后對(duì)最優(yōu)值進(jìn)行均值處理降低實(shí)驗(yàn)誤差帶來(lái)的偶然性，對(duì)比數(shù)據(jù)可以得出改進(jìn)算法在五個(gè)測(cè)試函數(shù)尋優(yōu)結(jié)果均是最好，在levy測(cè)試函數(shù)中的結(jié)果也僅次于ASAPSO半個(gè)數(shù)量級(jí)，相較其余算法起到了較好改進(jìn)效果。

4.2 MCLPSO-N-beta非線性增強(qiáng)實(shí)驗(yàn)

為了驗(yàn)證PSO結(jié)合不完全Beta函數(shù)非線性增強(qiáng)圖像效果，選取兩幅低對(duì)比度圖像進(jìn)行增強(qiáng)實(shí)驗(yàn)并展示效果，實(shí)驗(yàn)設(shè)置種群規(guī)模MP為30，迭代50次。

除了主觀上圖像效果的直觀對(duì)比，還應(yīng)該通過(guò)客觀精確評(píng)價(jià)標(biāo)準(zhǔn)來(lái)進(jìn)行數(shù)值上衡量，所以引入(均方差)MSE以及信息熵和交叉熵作為對(duì)比優(yōu)劣的依據(jù)。

MSE公式如式(8)所示f(i,j)與g(i,j)為圖片各個(gè)像素灰度值，MN則是總圖片像素大小。

(8)

信息熵公式如式(9)所示，Pe()則是圖片像素概率，lb則是LBP算法。

(9)

交叉熵公式如式(10)、式(11)、式(12)所示，T、V、F分別為不同圖片的像素值，T表示真實(shí)分布，F(xiàn)表示非真實(shí)，h()這里是指兩圖像素。

(10)

(11)

(12)

圖像均方差MSE表示原圖f(M*N)與增強(qiáng)后圖片g(M*N)灰度變化均方誤差，變化程度轉(zhuǎn)化為數(shù)字大小[17]。方差較小則表示圖像某個(gè)區(qū)域灰度變化平緩，對(duì)比較不明顯。方差大則剛好相反。信息熵則是最直接反映圖像細(xì)節(jié)內(nèi)容量的評(píng)價(jià)標(biāo)準(zhǔn)，信息熵?cái)?shù)值與呈現(xiàn)信息量成正比。圖片通過(guò)增強(qiáng)之后理論上在明暗變化上會(huì)更加強(qiáng)烈，信息熵相比會(huì)增加，信息熵越高也可以認(rèn)為是圖片質(zhì)量越高，交叉熵計(jì)算得到的值，越小代表和原來(lái)兩幅圖像一致，保留細(xì)節(jié)也就越多。扭曲程度反映了圖像光譜失真程度[18]。

圖2為圖像增強(qiáng)實(shí)驗(yàn)結(jié)果，圖2(a)和圖2(e)圖為兩幅原始圖片；圖2(b)與圖2(f)為直方圖線性增強(qiáng)效果圖片；圖2(c)與圖2(g)為PSO算法結(jié)合非完全beta函數(shù)的增強(qiáng)效果圖；圖2(d)與圖2(h)為本文改進(jìn)算法MCLPSO結(jié)合非完全beta函數(shù)非線性增強(qiáng)策略增強(qiáng)圖像。

圖2 算法增強(qiáng)圖像對(duì)比圖

如圖2所示，直方圖增強(qiáng)在某些特定場(chǎng)合可能會(huì)達(dá)到很好效果，但是其缺乏自適應(yīng)調(diào)節(jié)能力，只能一味地增加曝光強(qiáng)度使得圖片雖然得到增強(qiáng)但是也擴(kuò)大了圖片中不感興趣部分所占比重，而非線性增強(qiáng)則是很好地體現(xiàn)了這樣一種優(yōu)勢(shì)，在圖2(c)、圖2(d)、圖2(g)和圖2(h)四張圖片可以看出兩種策略既增強(qiáng)了圖像讓我們獲得了有用信息但是也抑制了無(wú)用信息增加，起到了非線性增強(qiáng)的目的即有選擇增加圖像對(duì)比度提升信息獲取。而相較于兩種非線性圖像增強(qiáng)比較從圖2(b)和圖2(d)中可以看出圖2(d)地面陰影保留相對(duì)更多，圖2(h)與圖2(e)中圖2(h)在左側(cè)地平線對(duì)比更加明顯，可以說(shuō)明從感官上判斷本文策略起到了非線性增強(qiáng)效果。

將每張?jiān)瓐D像與增強(qiáng)圖像，以及原圖的灰度圖像與灰度圖像增強(qiáng)效果圖像獨(dú)立運(yùn)行10次生成10張?jiān)鰪?qiáng)圖片分別進(jìn)行MSE、交叉熵和信息熵計(jì)算并取平均值作為最后結(jié)論數(shù)據(jù)得到以下參數(shù)如表3所示。均值反映圖像平均灰度即人眼感受亮度；標(biāo)準(zhǔn)差反映灰度離散程度；熵代表了圖像信息量；平均梯度展示了紋理特征在圖像中細(xì)節(jié)；扭曲程度則反映圖像光譜失真程度。

表3 增強(qiáng)圖像對(duì)比原圖像結(jié)果數(shù)據(jù)

我們從均值一列可以看出直方圖線性增強(qiáng)在提升整張圖片亮度方面的確很優(yōu)秀，同時(shí)非線性增強(qiáng)亮度基本控制兩個(gè)算法得出結(jié)果是相似的；標(biāo)準(zhǔn)差對(duì)比上與均值結(jié)果類似；而熵值則是表示了信息量的展示，在這組數(shù)據(jù)中可以看到改進(jìn)MCLPSO算法增強(qiáng)了圖2(d)和圖2(h)的熵，分別在對(duì)比中為最高；平均梯度則是細(xì)節(jié)展示同樣圖2(d)和圖2(h)表現(xiàn)最好；扭曲程度對(duì)比上我們兩種算法基本都是很好地保證了光譜沒(méi)有失真這一情況。實(shí)驗(yàn)一方面說(shuō)明了圖像線性增強(qiáng)的局限性突顯出了非線性圖像增強(qiáng)優(yōu)勢(shì)也驗(yàn)證了本文策略的可行性及優(yōu)越性。

結(jié)語(yǔ)

圖像增強(qiáng)是當(dāng)下許多圖像處理前提工作，圖像增強(qiáng)效果一定程度上會(huì)影響后期的工作，所以一個(gè)好的增強(qiáng)策略是至關(guān)重要的。在對(duì)現(xiàn)有幾種經(jīng)典PSO算法進(jìn)行研究后，總結(jié)學(xué)習(xí)各算法改進(jìn)思路以及發(fā)現(xiàn)各算法存在的問(wèn)題，提出了本文基于改進(jìn)競(jìng)爭(zhēng)策略的粒子群算法動(dòng)態(tài)結(jié)合非完全beta函數(shù)的動(dòng)態(tài)尋找灰度曲線最優(yōu)非線性圖像增強(qiáng)策略。改進(jìn)的新MCLPSO算法在與原CLPSO算法以及其余3種常見(jiàn)PSO算法進(jìn)行對(duì)比實(shí)驗(yàn)時(shí)發(fā)現(xiàn)新算法無(wú)論在搜索精度上還是在跳出最優(yōu)能力上都具有很明顯優(yōu)勢(shì)；在結(jié)合非完全beta函數(shù)擬合灰度曲線尋優(yōu)的圖像增強(qiáng)實(shí)驗(yàn)中也展示出來(lái)非線性增強(qiáng)種種優(yōu)勢(shì)以及對(duì)比原CLPSO算法圖像增強(qiáng)有了明顯提高。