一、获取代码方式

获取代码方式1：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

获取代码方式2：
完整代码已上传我的资源：【图像增强】基于matlab GSA灰度图像增强【含Matlab源码 1172期】

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、图像增强及GSA简介

1 图像增强
图像增强是对图像的某些特征，如边缘、轮廓、对比度等进行强调或锐化，以便于显示、观察或进一步分析与处理。通过对图像的特定加工，将被处理的图像转化为对具体应用来说视觉质量和效果更“好”或更“有用”的图像。
图像增强是最基本最常用的图像处理技术，常用于其他图像处理的预处理阶段。

（1）高通平滑、低通锐化；平滑模糊、锐化突出图像细节
（2）滤波器还有带通、带阻等形式
（3）根据噪声（椒盐噪声、高斯噪声…）的不同，选用不同的滤波
（4）邻域有4-邻域、对角邻域、8-邻域，相对应的有邻接，即空间上相邻、像素灰度相似
（5）图像边缘处理：忽略不处理、补充、循环使用
（6）目前尚未图像处理大多基于灰度图像

2 引力搜索算法（GSA）
引力搜索算法（GSA）是一种基于引力和质量相互作用定律的优化算法。该算法基于牛顿引力：“宇宙中的每个粒子都以与力乘积成正比的力吸引每个其他粒子。它们的质量与它们之间的距离的平方成反比”。

三、部分源代码

% Using the Regional Similarity Transformation Function and Dragonfly Algorithm. 

%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%THIS IS A DEMO FOR NOVEL IMAGE ENHANCEMENT USING GRAV脻TAT脻ONAL SEARCH ALGORITHM 
clc;
clear all;
close all;

%READ IMAGE
i=imread('test5.bmp');
i=imresize(i,1);  

%--------------------------------------------------------------------------
%GLOBAL MEAN
frekans=zeros(256,1);

% It records by counting how many times each pixel value is.

for k=1:size(i,1)
    for l=1:size(i,2)

        value=i(k,l);
       frekans(value+1)=frekans(value+1)+1; 

    end
end
deger=max(frekans);
for k=1:256
    if deger==frekans(k)
        D=k;
    end
end
D=double(D/255);
image = im2double(i);
global_mean = D;
%--------------------------------------------------------------------------
% LOCAL MEAN
Bmean = mean_n(image);
%--------------------------------------------------------------------------
%SIMILARITY
[S]=similarity(i);
B=double(S);
%--------------------------
C = std_n(image,Bmean);
im_size = size(image);
%-------------------------------------------------------------------------
%OPTIMIZATION PARAMETERS
N=15; % Agent number;
Max_iteration=15;
%-------------------------------------------------------------------------
%CALL FUNCTION 

[parameters Fbest BestChart MeanChart] = GSA_enhancement2(image,global_mean,B,C,im_size, N, Max_iteration);

enh = trans(i,image, B, C, global_mean, parameters(1),parameters(2),parameters(3),parameters(4) );

function [S]= similarity(x)


[xlen ylen] =size(x);

S=zeros(xlen, ylen);

for i=2:1:xlen-1
    for j=2:1:ylen-1
        
            %--------------------------------------------------------
        %Getting the values in the mask
        maskGray=zeros(1,9) ;
        resim=zeros(1,9) ; 
          for b=1:9;
          [m]=ikomsu(b,i);
          [n]=jkomsu(b,j);
          [res]=resimdemi(m,n,xlen,ylen);
          resim(b)=res;
                        if(resim(b)==1)
                            gray= x(m,n); 
                            maskGray (b) =gray;
                        else
                            maskGray (b) =0;
                        end
          end
  % Distance and similarity are calculated between 9 pixels in the mask and the result is determined.
       DN=150;
       sim=0;
       sum=0;
      for b=1:9
                   sim (b)=similarity1(maskGray(b),maskGray(9),DN);
                   sum=sim(b)+sum;    
      end
         %---------------------------------------------------------
     
         
          S(i,j)=sum/9;
          
              
    end
end 


end
%------------------------------------------------------------------------
%FUNCTIONS
%-----------------------------------------------------------------------
function [ res ] = resimdemi(x,y,w,h )

 if(x<1 || x>w-1 || y<1 || y>h-1)
    res=0;
 else
    res=1;


 end
end
 function [x] = ikomsu( komsuno, i)


 if(komsuno ==1)
     x=i-1;
 elseif(komsuno ==2)
    x= i;
 elseif(komsuno ==3)
    x= i+1;
 elseif(komsuno ==4)
    x= i-1;
 elseif(komsuno ==5)
    x= i+1;
 elseif(komsuno ==6)
   x= i-1;
 elseif(komsuno ==7)
   x= i;
 elseif(komsuno ==8)
   x= i+1;
 elseif(komsuno ==9)
    x=i;
 else
 x=0;
 end


 end

 function [y] = jkomsu( komsuno, j )

 if(komsuno ==1)
    y= j-1;
 elseif(komsuno ==2)
    y= j-1;
 elseif(komsuno ==3)
   y= j-1;
 elseif(komsuno ==4)
   y= j;
 elseif(komsuno ==5)
   y= j;
 elseif(komsuno ==6)
   y= j+1;
 elseif(komsuno ==7)
   y= j+1;
 elseif(komsuno ==8)
   y= j+1;
 elseif(komsuno ==9)
    y= j;
 else
   y=0;
 end


 end

 
function [sim] = similarity1( k, o, DN)

 
 a=0;b=0;c=0;
 a=abs(k-o);
%  b=(abs(l-p))^2;
%  c=(abs(m-r))^2;
%  //Distance calculation based on the Euclidean relation
 dist=a;

% %  //Calculation of similarity based on linear function
 arahes=dist/DN;
 sim=1 - arahes;
%  sim=exp(-dist/DN);


end



  

 

  
 
 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
  
90
  
91
  
92
  
93
  
94
  
95
  
96
  
97
  
98
  
99
  
100
  
101
  
102
  
103
  
104
  
105
  
106
  
107
  
108
  
109
  
110
  
111
  
112
  
113
  
114
  
115
  
116
  
117
  
118
  
119
  
120
  
121
  
122
  
123
  
124
  
125
  
126
  
127
  
128
  
129
  
130
  
131
  
132
  
133
  
134
  
135
  
136
  
137
  
138
  
139
  
140
  
141
  
142
  
143
  
144
  
145
  
146
  
147
  
148
  
149
  
150
  
151
  
152
  
153
  
154
  
155
  
156
  
157
  
158
  
159
  
160
  
161
  
162
  
163
  
164
  
165
  
166
  
167
  
168
  
169
  
170
  
171
  
172
  
173
  
174
  
175
  
176
  
177
  
178
  
179
  
180
  
181
  
182
  
183
  
184
  
185
  
186
  
187
  
188
  
189
 

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.

文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。

原文链接：qq912100926.blog.csdn.net/article/details/119280772