【图像增强】基于萤火虫算法 (Firefly Algorithm) 优化CLAHE实现图像增强附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数学建模、数据处理、模型创新、算法改进、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：完整代码获取 定制创新 论文复现私信

 👇 关注我领取海量matlab电子书和数学建模资料 

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍 

在低光照安防监控、医学影像诊断、卫星遥感图像处理这类场景中，传统CLAHE算法的固定人工调参模式始终存在核心痛点：不同场景下的最优ClipLimit对比度限制阈值和TileGridSize子块尺寸差异极大，靠人工经验反复试错，要么出现局部过增强噪声放大，要么细节增强不足，根本没法实现全场景自适应的最优增强效果。基于萤火虫算法（FA）优化CLAHE的图像增强方案，把萤火虫的全局寻优能力和CLAHE的局部自适应增强特性深度融合，以图像的综合质量评价指标作为适应度函数，自动搜索出当前图像的最优CLAHE参数组合，彻底摆脱人工调参的主观性，在最大化细节增强的同时严格控制噪声放大，最终得到综合质量最优的增强图像。

一、传统CLAHE的参数痛点与FA优化的核心价值

CLAHE算法的增强性能完全由两个核心参数决定，人工调参的局限性非常明显：第一个核心参数是‌ClipLimit对比度限制阈值‌，它直接控制局部直方图的最大允许高度，阈值太小会导致对比度增强不足，图像细节没法有效凸显；阈值太大则会直接放大局部噪声，出现明显的过增强伪影。不同场景下的最优ClipLimit差异极大：医学CT影像的最优值通常在0.02左右，低光照车牌图像的最优值在0.03左右，靠人工试错很难快速找到最优值。第二个核心参数是‌TileGridSize子块划分尺寸‌，它决定了局部直方图均衡化的空间尺度，子块尺寸太小会导致图像出现明显的分块边界伪影，子块尺寸太大则会丢失局部自适应增强的能力，没法处理局部光照不均的图像。不同分辨率的图像、不同纹理复杂度的场景，最优子块尺寸完全不同，人工没法针对每一张图像定制最优参数。传统人工调参模式下，开发者只能用一组固定参数处理所有图像，在细节增强和噪声抑制之间根本没法找到最优平衡点。而萤火虫算法优化CLAHE的核心价值，就是把参数选择问题转化为二维连续空间的全局寻优问题，不需要任何人工干预，算法自动在参数空间内搜索出让图像综合质量最高的参数组合，实现“一图一参”的自适应增强，增强效果远优于固定参数的传统CLAHE。

二、FA-CLAHE组合增强框架核心原理

这套组合增强框架的核心逻辑非常清晰：萤火虫算法的每一个粒子（萤火虫）的位置向量，直接对应一组CLAHE的待优化参数（ClipLimit, TileGridSize），每只萤火虫的亮度直接对应这组参数增强后图像的综合质量评价指标，萤火虫通过亮度吸引机制向更优的位置移动，最终收敛到全局最优的参数点，输出最优增强图像。

1. 萤火虫算法核心寻优机制

萤火虫算法是模拟自然界萤火虫发光吸引特性的群智能优化算法，核心规则非常简洁：

• 萤火虫的亮度I和适应度函数值正相关，图像综合质量越高，萤火虫亮度越高，对其他萤火虫的吸引力越强；

• 萤火虫之间的吸引力β和距离r成反比，距离越近吸引力越强，数学表达式为：

  

3. 完整FA-CLAHE迭代流程

整个算法的执行流程完全自动化，不需要任何人工干预：

1. ‌种群初始化‌：在参数搜索空间内随机生成N只萤火虫的初始位置，每只萤火虫的位置对应一组(ClipLimit, TileGridSize)参数；

2. ‌亮度计算‌：对每只萤火虫对应的参数，调用CLAHE算法增强原始图像，计算增强后图像的综合适应度值，作为萤火虫的亮度；

3. ‌萤火虫位置更新‌：所有萤火虫按照亮度吸引规则，向亮度更高的萤火虫移动，更新自己的位置；

4. ‌边界约束‌：更新后的参数如果超出预设的搜索区间，直接钳位到边界值，保证所有参数都是工程合法的；

5. ‌迭代终止‌：重复亮度计算和位置更新过程，直到达到最大迭代次数，最终全局亮度最高的萤火虫对应的参数，就是当前图像的最优CLAHE参数；

6. ‌输出最优增强图像‌：用最优参数调用CLAHE算法，得到最终的自适应增强图像。

⛳️ 运行结果

📣 部分代码

function mssim=getMSSIM(frameReference,frameUnderTest)

%///////////////////////////////// INITS  ////////////////////////////////

C1 = 6.5025;

C2 = 58.5225;

frameReference=double(frameReference);

frameUnderTest=double(frameUnderTest);

frameReference_2=frameReference.^2;

frameUnderTest_2=frameUnderTest.^2;

frameReference_frameUnderTest=frameReference.*frameUnderTest;

%///////////////////////////////// PRELIMINARY COMPUTING ////////////////////////////////

mu1=imgaussfilt(frameReference,1.5);

mu2=imgaussfilt(frameUnderTest,1.5);

mu1_2=mu1.^2;

mu2_2=mu2.^2;

mu1_mu2=mu1.*mu2;

sigma1_2=imgaussfilt(frameReference_2,1.5);

sigma1_2=sigma1_2-mu1_2;

sigma2_2=imgaussfilt(frameUnderTest_2,1.5);

sigma2_2=sigma2_2-mu2_2;

sigma12=imgaussfilt(frameReference_frameUnderTest,1.5);

sigma12=sigma12-mu1_mu2;

%///////////////////////////////// FORMULA ////////////////////////////////

t3 = ((2*mu1_mu2 + C1).*(2*sigma12 + C2));

t1 =((mu1_2 + mu2_2 + C1).*(sigma1_2 + sigma2_2 + C2));

ssim_map =  t3./t1;

mssim = mean2(ssim_map); mssim=mean(mssim(:));

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

#各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

#机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

#图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

#路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

#无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

#通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

# 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

#电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

# 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

#雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

# 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP