[发明专利]一种基于改进混洗蛙跳算法的区域背光动态调光方法

权利要求书

1.一种基于改进混洗蛙跳算法的区域背光动态调光方法，其特征在于，包括如下步骤：

1)初始化解向量规模M、分组数G和能耗约束条件，确定混洗蛙跳算法的最大周期数Max_cyc、一个周期内最大迭代次数Max_iter以及一个周期内迭代终止条件，初始化当前混洗蛙跳算法的周期数cyc＝0，当前混洗蛙跳算法的周期搜索区间半径R，当前周期内迭代次数iter＝0；

2)根据图像区域的所有像素点的平均值生成初始解向量包括：

(1)将图像按照背光区域划分方式分成相同的N个区域；

(2)分别求每个区域内所有像素点的亮度平均值，其中第k个区域的亮度平均值为

(3)通过所有N个区域的亮度平均值生成一个初始解向量初始解向量是一个N维向量，其中是向量第k维的值；

3)根据初始解向量和周期搜索区间半径R，生成M-1个新的解向量；包括：

(1)从当前周期开始，以初始解向量为中心，以周期搜索区间半径R为半径，确定搜索区域的上界up_bound和下界lo_bound，

上界up_bound＝[u¹,u²,···,u^k,···,u^N]，其中第k个变量u^k的计算方法如下式：

下界lo_bound＝[w¹,w²,···,w^k,···,w^N],其中第k个变量w^k的计算方法如下式：

式中，u^k是上界up_bound的第k个变量，w^k是下界lo_bound的第k个变量，是第k个区域的亮度平均值，R是周期搜索区间半径；

(2)在下界lo_bound至上界up_bound这一区域里，随机生成M-1个符合能耗约束条件的新的解向量，所述的M-1个新的解向量即为

4)当前周期内的迭代更新开始，计算M个新的解向量所对应的适应度值，并按照适应度由好到坏对M个新的解向量进行排序，排序后的M个新的解向量用集合L_ord表示，表示排序后的第k个新的解向量；其中，

所述的计算M个新的解向量所对应的适应度值，是采用如下公式：

式中，y_i,j和y′_i,j分别是像素点(i,j)区域调光前后的像素亮度，MSE是均方误差，PSNR是峰值信噪比，m是输入图像的高，n输入图像的宽；

5)按照排序的顺序将M个新的解向量分组，排在第1位的新的解向量分到第1组，排在第2位的新的解向量分到第2组，当排在第G位的新的解向量分到第G组后，排在第G+1位的新的解向量再次被分到第1组，以此类推，直到所有新的解向量分组完成；

6)新的解向量开始组内寻优，每组内最差的新的解向量向组内最优的新的解向量所在位置进行跳跃，组内寻优公式如下：

x′_gw＝x_gw+rand×(x_gb-x_gw) (4)

其中，x′_gw表示g组内最差的新的解向量向g组内最优的新的解向量跳跃后的位置坐标，x_gw表示g组内最差的新的解向量跳跃前的位置坐标，x_gb表示第g组最优的新的解向量的位置坐标，rand是一个随机数；

新的解向量跳跃后的位置坐标所对应的能耗，如果满足能耗约束条件，且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大，则新的解向量组内寻优成功，用新的解向量的位置坐标代替原始解向量位置，并直接进入步骤9)；否则，新的解向量组内寻优失败，进入步骤7)；

7)新的解向量开始组间寻优，组内最差的新的解向量向着所有分组中最优的新的解向量位置进行跳跃，组间寻优公式如下：

x″_gw＝x_gw+rand×(x_b-x_gw) (5)

其中，x_b表示所有分组中最优的新的解向量位置坐标，x″_gw表示g组内最差的新的解向量向所有分组中最优的新的解向量跳跃后的位置坐标，x_gw表示g组内最差的新的解向量跳跃前的位置坐标，rand是一个随机数；

新的解向量跳跃后的位置坐标所对应的能耗，如果满足能耗约束条件，且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大，则新的解向量组间寻优成功，用新的解向量的位置坐标代替原始解向量位置，并直接进入步骤9)；否则，新的解向量组间寻优失败，进行步骤8)；

8)随机生成一个满足能耗约束条件的新的解向量位置坐标代替组内最差的新的解向量的位置坐标；

9)将M个新的解向量按照跳跃后位置的适应度值重新排序和分组，则一次迭代更新完成，将当前迭代次数iter加1，判断当前迭代次数是否达到最大迭代次数Max_iter以及是否达到迭代终止条件，若是，则进入步骤10)，否则，返回步骤4)开始下一轮迭代；

10)本次混洗蛙跳算法周期结束，判断本次混洗蛙跳算法周期搜索到的最优新的解向量是否优于上一周期搜索到的最优新的解向量若是则进入步骤11)，否则，令：初始解向量周期搜索区间半径R＝δ×R,0＜δ＜1，当前周期数cyc加1，然后返回步骤3)，开始下一周期；

11)输出最优新的解向量的位置坐标即为最佳区域背光亮度分配方案。