TELKOM NIKA , Vol.12, No .4, Dece mbe r  2014, pp. 87 5~8 8 2   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v12i4.534    875      Re cei v ed Au gust 26, 20 14 ; Revi sed O c t ober 2 9 , 201 4; Acce pted  No vem ber 1 5 ,  2014   Image F u zzy Enhancement Based on Self-Adaptive Bee  Colony Algorithm      Meng Lei* 1 , Yao Fan 2   Coll eg e of Information En gi ne erin g, T i bet Universit y  for Nati ona lities,    Xi an Ya ng 7 1 2 082, Sha n x i, C h in a   *Corres p o ndi n g  author, e-ma i l : 1502 09 814 @ qq.com 1 , fan y a o11 24 198 3@1 63.com 2       A b st r a ct   In the i m a ge  a c quisiti on  or tra n smissio n , the  imag e may  b e  da ma ged   an d distorted du to  vari ous   reaso n s; theref ore, in  order t o  sati sfy peo pl e s visua l  effects, these i m a ges  w i th degra d i n g qu ality  must  be   process ed to  me et practic a l  nee ds.  Integr ating  artifici al  bee c o l ony  alg o rith m a nd fu zz y  s e t, this pa p e r   introd uces fu zz y  e n tropy i n t o  the  se lf-ada ptive fu zz y  e n hanc e m ent of  im ag e so as t o  real i z e  th self- ada ptive p a ra meter s e lecti o n. In the me a n w h ile, bas ed  on the exp o nenti a l pro pert i es of infor m a t ion   incre a se, it pro poses  a n e w  definiti on of fu zz y  e n tropy  an d  uses artific i al  bee c o lo ny a l g o rith m to re ali z e   the self-ad apti v e contrast en hanc e m ent u n der the maxi mum e n tropy cri t erion. T he ex peri m e n tal res u lt   show s that the  met hod  pro p o s ed i n  this  pa p e r can  in cr eas e the  dyna mic  rang e co mpres s ion  of the i m a ge,  enh anc e the v i sual  effects of  the i m a ge, e n h ance t he i m ag e det ails, h a ve  so me c o lor fi d e lity ca pacity  a n d   effectively over come the defic i enci e of traditi ona l i m ag e en hanc e m ent  me thods.     Ke y w ords : image e n h ance m ent, bee co lony  algor ith m , fu zzy set      1. Introduc tion  Image enh an ceme nt is m a inly aimed to improve th e visual qu ality of image. Image   enha ncement  sele ctively highlight s the i n tere sting  ch ara c teri stics  or supp re sse s  (cove r s) so me   unne ce ssary  characte ri stics in the i m age to  make the im age match visual re sp o n se   cha r a c teri stics a nd g e t a  more  practi cal imag e o r  t r an sform  into  an im age  m o re  suita b le f o human o r  m a chi ne to perform analytical pro c e ssi ng  by adding some inform ation or chan gi ng   data. Imag e e nhan cem ent  doe sn’t a naly z e th re a s o n s  to  imag e d e grad ation  and  the  pro c e s se image may not be closed t o  the original image [1],[2].  After years’  rese arch, im a ge e nhan ce ment  technol ogy ha s m a d e  si gnificant  prog re ss  and it  ha s fo rmed  multipl e  theo reti cal  algo rithm s   by no w. Accordin g to  the  differe nt sp ace s   whe r e en han ceme nt is located, it can b e  divi ded into  the algorithm  base d  on sp atial domain  and   the algo rithm  based on freque ncy do main [3]. The  forme r  alg o rithm di re ctly operate s  o n  th e   image grayscale while  the  latter co nducts  certain correction on  the transform a tion  coeffici ent  value of ima ge within  ce rtain imag e tra n sfor mation  domain,  whi c h is an in dire ct enha ncem ent  algorith m . It shoul d be  pointed o u t that thes e traditional ima ge enh an ce menttech nolo g ies  haven’t con s i dere d  the fuzzine s s of image, on the  co ntrary, it only simply  chan ges the contrast  or  sup p re sse s  n o ise of t he e n tire im age [4]. It  wea k e n s t h e  image  detai ls in th e n o i s sup p re ssion;  it inevitably causes  seri ou s neg at ive effects a nd it ha s ce rtain limit ations [5].  So far, th e i m age  enh an cement  ba sed  on fu zzy the o ry h a s a c hie v ed si gnifican t  re sults  and the  main  advantag e o f  image fu zzy  enha ncemen t is  that it ca n preserve th e imag e deta ils  [6]. The pa ra meter  sele cti on such a s   membe r ship  and e nha nce d  ope rato rs i n  the ima ge f u zzy  enha ncement  play an im portant  signif i cant o n   the  enhan ce me nt effects  while artifici al bee  colo ny alg o rit h m ha s th advantag es  of simpl e   co mputation, e a se  to  reali z e an d fe control  para m eters.  Con s id erin g the paralleli sm of artifi cial bee colony al gorithm, a s  the fitness fun c tion  of bee colony  algorithm, th e new  definiti on of fuzz y e n tropy propo sed in this p a p e r ha s favora ble   robu stne ss, introdu ce d fidelity and enh ances the  st ability of the  algorithm a nd the ability to   maintain  det ails. Thi s   pa per fi rstly  systemati c ally i n trodu ce s th e ba si c ide a , differen c e s   and   appli c ation  chara c te risti c s of the  co mm on meth od of image  en h ancement. T hen, it inte grates  artificial  bee   colo ny alg o rit h m a nd fu zzy set s   and  introdu ce s fu zzy  entropy  into   the self-a dapt ive   fuzzy e nha ncement of im age  so a s  to reali z th e  self-a daptiv e paramete r   sele ction. In  the   meanwhile,  it rai s es a new  definition of fuzzy  en tropy b a sed  on the  in dici al respon se   of   informatio n in cre a se a nd it  reali z e s  the   self -a daptive contrast enh ancem ent of  image by  usi n g   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No.4, Decemb er 201 4: 875  – 882   876 artificial be e colo ny algorit hm in the maximum ent ropy crite r ion.  Finally, it realize s  the se lf- adaptive fuzzy enhancement of image th rough sim u lat i on experi m ents.       2. Image Enhanceme n Techniqu es   Image e nhan ceme nt is  method to  hig h light some i n formatio n in  an ima ge a n d  wea k e n   or get ri d of some u nne ce ssary information a c cording to som e  spe c ific  re quire ment s. Its  purp o se i s  t o  en han ce  the  cla r ity an d contrast  of imag e in  certain  spe c ific a ppli c ation s  t o   improve th e i m age  quality  and m a ke th e processe results m o re  con s i s tent wit h  hum an visu a l   sen s o r y syste m  or ea sier to  be recogni ze d by machin e s  [7].  The  cu rre nt common - u s ed  enh an ceme nt tech niqu e i s  divid ed i n to  tech niqu e b a se d o n   spatial do mai n  and tech ni que ba sed o n  transfo rmat ion domai n.The forme r  techni que di re ctly  pro c e s ses in  the spa c e of the image wh ile the la tter pro c e s ses in  the transfo rm ation domai n of  the image.T h e co mmon - u s ed tra n sfo r m a tion spa c e i s  the frequ en cy dom ain  sp ace, n a mely t h e   Fouri e r t r an sf orm. T he  en han ceme nt  method s b a sed o n   spatial  domai n in clu de: the  gray scale   transfo rmatio n to e nha nce imag e th ro ugh  per pi xe l point s, the  histo g ram transfo rmatio n  to   cha nge th e i m age  cont ra st glob ally or locally  a nd  the sp atial transfo rmatio n  to pro c e s s the  neigh borhoo d  pixels of image thro ugh  template or  masking [8]. Figure 1 de monst r ate s  two   comm on tran sform a tion fu nction s of sp atial-do main i m age en han cement.          Figure 1. Tra n sformation f uncti o n s of contra st enha n c eme n     The e nha nce m ent of fre q uen cy dom ai n spac e i s  realized th rou gh different f r equ en cy  comp one nts i n  the image.  The image frequ en cy sp ectru m  gives global ch ara c teri stics of the  image; the r ef ore, the  fre q u ency-dom ain  enha ncement  is  not impl e m ented  pe r p i xel and it i s   not  as direct a s  the sp atial-d o m ain enh an cemen t. The freque ncy-dom ain enha nce m ent is reali z ed   throug h the filter and the f r eque nc y filtered by differe nt filters  and the  re serve d  freque ncy  diff er  from ea ch oth e r; therefo r e,  it c an get different en han cement effect s.      3. Artificial Bee Colony  Algorithm   3.1 The Principleof Ar tifi cial Bee Colon y  Algorith m   The hon ey-collectin g pro c ess of the bee (nam ely to  find high-qual ity honey sou r ce s) is  simila r to the pro c ess to  sea r ch the o p timal solutio n  to the pro b lem to be o p timized in t he  evolutiona ry comp utation.  T he hon ey colle ction i s  reali z ed th ro ugh the  com m unication, the   transfo rmatio and   the col l aboration a m ong differe nt  bee s. Th e  pro c e s s for the be colo n y  to   colle ct hon ey includ es th ree ba sic  pa rts an d tw o b a s ic  behavio rs. The thre e p a rts a r e: foo d s,  employed  be es a nd  unem ployed b e e s   and the  two  b ehaviors  are  to re cruit an aban don  ce rt ain  foods [9].  The e s sen c e  of artifici al b ee  colonyal g o rith m i s  to  search  optimal  solutio n  th ro ugh the   rand om b u targeted  evol ution on  the  gro up  fo rm ed by the  candid a te sol u tions. In  every  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Im age Fuzzy  Enhan cem e n t  Based on S e lf-Adapt i v Bee Colo ny A l gorithm  (Men g Lei)  877 circulatio n, the numb e rs o f  leaders a n d  follo we rs  are the same  and the r e i s   only one o r   no  scouter.  The   solutio n  evol ution i s   com p leted  by  the  above-mentio ned th re kin d of b e e s : (1)  Employed be e co ndu cts l o cal  se arch i n  the nei g h b o rho od d o ma in of its corresp ondi ng fo ods  and u pdate s  i t s food whe n  finding  ne w foods optima l  to the curre n t foods;  (2 Acco rdi ng to  the  food info rmat ion p r ovide d   by the  emplo y ed be e,  the  followe r ch oo se the   foo d  throug h ce rta i sele ction  met hod; m a kes l o cal  sea r ch   near the  sele cted fo od  so urces;  inform co rre sp ondi ng   employed  be e to the current food s an d upd ates  th e food s whe n  finding m o re excell ent n e foods. Wh en   the  follo we r cho o ses  the foods, excell ent food (so l utions with  h i gh fitne s s)  can  attract mo re followers. With several se a r ch es in the  n e ighb orh ood  domain a nd these food s h a ve  more  evolutio n opp ortu nities. (3 ) In the  stagnati on  of the termi natio n sol u tion of  scouter,  nam ely   whe n  the sol u tion evolutio n stagn ates,  the  un-e m plo y ed bee aba ndon s the cu rre nt foods a n d   become s  a   scoute r . Th en  it rand omly  searche s   and   gene rate s a  f easi b le  sol u tion a s   a n e w food  and conveys the relevant  information t o  the  employ ed bee. Th ro ugh the colla boratio n of the   above-mentio ned th ree  ki nds  of be es,  ABC algo rit h m gradu ally conve r g e and o b tain the  optimal sol u tion or ap proximate optimal  solu tio n  in the feasibl e  sol u tion sp ace [10].      3.2 Math ema t ical Des c rip t ionof  Ar tific i al Bee Colo n y  Algorithm  Con s id er opti m ization p r o b l em(P):          is the obje c tive optimizati on functi o n is the variabl e  to be optimized  is the solutio n  spa c e a nd  The  set form ed by the fe a s ible  sol u tion s to   Problem (P) can be  a b s tra c ted as  th food of a bee  co lony. The p o sition  (fea si ble soluti on ) of every e m ployed b e e  in the col o n y   c o rres ponds   to a food, whic h is  determined  by t he func tion value  of the objec t ive func tion and  the num be r o f  employed  b ees and  follo wers i s  th same a s  th at  of food s (sol u t ions).  The r ef ore,  the positio n o f  a certain foo d  c an b e  expressed  with the vector Firstly, initialize  with ABC  algorith m . Ra ndomly ge ne rate an i n itial  populatio n with    solutio n according to   Formul a (3);  every solut i on is  and  is a d- d i me ns io na l ve c t o r                                                                                                      (3)    Then, the be es be gin to  con d u c t cycli c  se arch fo r the foods a nd the cy cle  time is  until it rea c he s to the  spe c i f ied pre c i s ion  or the m a ximum iteratio n s   MAX _Gen. The empl oye d  bee sea r ches  co rre sp o nding foo d s,  namely ran domly cho o se a   different b ee  as  a nei ghb o r  an d rand o m ly cho o ses  a dime nsi on  as it s sea r ch  guide  directi on.  The se arch p r ocess is  con ducte d acco rding to Form ula (4 ) and (5 ).                                                                                                                       (4)                                                                                                                                                (5)    Among the two formula s is the se a r ch di rectio n and  step length.   and are rand o m ly selecte d  and  is  a   rand om num ber am ong [-1,1]. If   exce eds the  solut i on spa c ra nge, tran sform it into the   boun dary val ue acco rdin g to Formula  (6 ):    mi n { ( ) : } d f xx S R  f 12 (, , ) d X xx x S mi n m a x {( , ) | 1 , 2 , , } ii Sx x j d  12 (, , ) ii i i d X xx x SN 12 (, , ) ii i i d X xx x SN mi n m ax mi n (0 , 1 ) ( ) 1, 2 , , , 1, 2 , , ij j j j x x rand x x iS N j d    ( 1 , 2 , ..., _ ) Gen G en MA X G en (. ) ij v r x x ne ig hb ou r j  new ii ii x xv  v {1 , 2 , } m e igh bou r S N ,{ 1 , 2 , } nei g hbo ur i j d r mew ij x Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No.4, Decemb er 201 4: 875  – 882   878                                                                       (6)    If the quality (fitness) of the  sea r che d  fo od (s ol ution)  is bette r than   the cu rrent fo od,  repla c e  the  n e w fo od  with t he  cu rre nt fo od; othe rwise ,  kee p  the  foo d  un ch ang ed. After the  se arch   of all em ploy ed b e e s , the y  go b a ck to   the da nci ng  area  in th e h oney  comb  a nd  sha r e th food   informatio n with the unem ployed bee in the co mb  throug h wa g g le dan ce an d the followe rs  judge  the  ret u rn  rate  of e v ery food  according  to th e information  obtain ed  an d colle ct ho n e throug h ro ul ette wheel  selectio n.The  return rate  i s  expresse d  with the fitness value  of the   solutio n  and t he fitness an d sele ction p o ssibility are  comp uted a c cording to Fo rmula (7) a n d  (8).                                                                                                                                   (7)                                                                                                                                                   (8)          Figure 2. ABC Algorithm fl ow chart   mi n m i n ma x m a x , , ne w ij ij ij ne w ij ne w i j ij ij x xx x x xx ne w i x 1 ,0 1 1| | , 0 i i i ii f f fit ff  1 i i SN j j f it p f it Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Im age Fuzzy  Enhan cem e n t  Based on S e lf-Adapt i v Bee Colo ny A l gorithm  (Men g Lei)  879 In the above  two formula s  is the func tion valu e  of the ith solution;  is its  corre s p ondin g  fitness valu e and  is the n u mbe r  of solu tions. Obviou sly, base d  on  the roulette  whe e l sele ction, goo d foo d can  attra c t more  followe rs  and it  ha highe r po ssib ility for evolution   and it ca n a c cele rate the  conve r ge nce  rate of al g o rit h m. After the followe rs  ch oose the foo d s,  sea r ch the ne ighbo rho od d o main of the food s acco rdi ng to Formul a (4) a nd (5 ); adju s t the foods  according to  Form ula (6); cond uct g r eedy sele ction to the  n e wly-sea r che d  po sition and   maintain the  better solutions  [11],[12].  If a food stagnate s  in a certai n po sition for more times than th e pre - set time limit, it  demon strates that this sol u tion is trap p ed in the local optimal sol u tion and the  corre s po ndi ng  honey-coll e cti ng bee be co me a scouter and it  abandon s the food and ran d o m ly generate s   a   new foo d  (sol ution) to repl ace the ab an done d f ood (solutio n) in Space  acco rdi ng to Formul (3). Th e limit  here i s  the  bo unda ry pa ra meter to  ju dg e wh ether  a certain  solutio n  jump s out from  the curre n t stagnatio n stat us [13].  The flow  cha r t of ABC Algorithm is sho w n as Figu re 2.       4. Conduc t Image Fuzz y   Enhanceme n w i th  Artifi cial Bee Colon y  Algorith m   4.1 Defini tion of Fuzz y  Entropy   Fuzzy ent rop y  quantificati onally reflect s   the  fuzzy  degree  of a n  imag e a n d  is the   averag e difficulty level to  determi ne  whether a  pix e l ca n b e   se en a s  a n  ele m ent of a fu zzy   s u bs et.   (i) Acco rdin g  to different enha ncement  pur p o ses a nd image s,  set the mem bership   para m eters  in Form ula (9 ); the plan e forme d  by all   is the fuzzy  cha r a c teri stic  plane;  is th maximum pix e l value;  and    a r expon e n tial an d reci pro c al fu zzy f a ctors  and th eir val ues will  di re ctly affect the   fuzzi ne ss  of t he fu zzy  characteri stic pl a ne. Th erefo r e ,  in   fuzzy  enh an cement  pro c e ssi ng, to  ch o o se  go od fu zzy pa ram e ters and   is an  i m porta nt  step to get a satisfa c tory enha nced im age. A parti cu lar gray scale  meeting   is  calle d cro sso ver point. Th e sele ction of  fuzzy pa ram e ter is  relate d to the sele ction of cro s so ver  point   and the  cro s sover p o i nt meets the  followin g  req u irem ents:         Therefore,  after dete r mini ng the  cro ssover p o int ,   can be  dete r mined th rou g h   Formul a (9 ) whe n  is determined.   (ii) Tran sform the imag e from the spat ial d o ma in to the fuzzy dom ain  through   Tran sfo r mati on ;                                                                                           (9)    (iii) Modify the membe r shi p   : through the followin g  tran sform a tion , namely  the reg r e ssi o n  of the fuzzy  enhan cem e n t  operato r  (INT);                                                                                  (10)    The  key of fu zzy  enh an ce ment is to u s e t he fu zzy e nhan cem ent  operator to re duce the   membe r ship  value sm aller than 0.5 by increa si ng th e  membe r ship  value  bigg er than 0.5 so  as to reduce  the fuzziness of . The fuzzy enha ncement opeartor generat es another fuzzy set  in the fuz z y  set .   i f i f it SN S ma x (, , ) ed FF g mn ma x g e F d F e F d F () 0 . 5 mn C Gg  C g 0. 5 0. 5 0. 5 mn C mn m n C mn C g g Gg g g g    C g d F e F G ma x () [ 1 ] e F mn mn mn d gg Gg F  () mn m n 2 2 00 . 5 2[ ] () 0. 5 1 12 [ 1 ] mn mn mn mn mn T   mn G G Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No.4, Decemb er 201 4: 875  – 882   880                                                                          (11)    In the form ul a,  is d e fined  as the  multip le calli ng of . In the extre m e case, wh en  gene rate s a two-g r ay scale (two -valu e ) imag e. In orde r to avoi d the loss of detail  informatio n a nd the  defi c ie ncy of fu zzy i m age  enh an cement,   cho o s e s  1,  2 a nd  3 a c cordi ng t o   different enh a n cem ent pu rp ose s  an d ima ges.   (iv) New gra y scal e  is ge nerate d  thro ugh inve rse  tran sform a tion   so  as t o   transfo rm the  data from fuzzy domain to  the spatial d o m ain of the image:                                                                                           (12)      4.2 Choo se  The Optio n al  Fuzzy  Parameter By  Using Bee  Colo n y  Algorithm  Con s id erin g the expone ntial prop ertie s  of  information increa se,  we have p r o posed a  new  definitio n of fuzzy ent ropy to  cond u c t self -ada ptive fuzzy e n h ancem ent of t he imag e ba sed  on the above - mentione d an alysis a nd its  definition is a s  follows:                                                      (13)    and,                           (14)    In these two formula s  is  the fuzzy  set ,   is the numb e r of the sub s et  o f   fuzzy set .   is the  partition method  of  fu zzy  d o main  and unifo rm  partition o r  n on-u n iform  partition  ca n  be  cho s e n   according  to  different i m age s.  is the  memb ership  of imag e   grayscal e val ue an  is th e freq uen cy  of image  gra y scal e  value.   is the  sum o f  th e   freque nci e of the  spatial - dom ain  gray scale val u e s   whe n  the  sp atial-do main   pixel poi nt   is   mappe d onto  the fuzzy su bset  throu ght he mem bership fun c tion . It can  sho w  th at whe n , the fuzzy e n tropy  can  a m ount to th e  maximum v a lue; the r efore, in the  part i tion   method s of fuzzy do main,  should b e  mad e  in  Based  on  the  above  resea r ch,  the  self-adapt ive im a ge e nha ncem ent of ABC al gorithm   can b e  reali z ed throu gh th e followin g  st eps.   (a)    Tran sfo r m the image from  the grayscal e domain to t he fuzzy dom ain within the  value rang e   of the pa ram e ters;  com put e the fu zzy e n tropie s   of  different parameters res p ec tively to mak e   the param eter sel e ctio n method to maximize  fu zzy entropy is the optimal param ete r   sele ction met hod an d re co rd the pa ram e ter and fu zzy entropy.   (b)    Use the dete r mine d para m et ers to tra n sform the image from th e grayscal e domain to th fuzzy do main  and co ndu ct fuzzy en han cement.  (c)    Tran sfo r m th e data f r om  the fuzzy do main to th spatial  dom ai n of the i m a ge  so a s  to   reali z e the  sele ction of  self-a daptive par ameters, namely the self -ada p t ive fuzzy   enha ncement     5. Simulation Experimen t  and Result  Analy s is   The  self-ada p t ive fuzzy  en h ancement  alg o rith propo sed in  thi s  p a p e r i s   re alized  unde the maximum  fuzzy e n trop y criteri on; th erefo r e, t he  selectio n of op timal fuzzy p a ram e ters is t he  para m eter o p t imization un der the maxi mum fuzzy  entropy in e s sence and  it can dire ctly u s e   fuzzy e n tropy  as fitne ss fu nction  and it  adopt s the  n e w d e finition  of fuzzy e n tropy pro p o s e d  in   this pa per, a s  dem on strat ed in Fo rmul a (12 )  a nd (13). In o r de r to redu ce  a s  mu ch p r o g r am   () ( 1 ) () ( ( ) ) , 1 , 2 , , rr m n mn mn TT T r   () r T T r  () r T r mn g 1 G 1 1 ma x () () 1 e F mn m n d m n gG g F        {1 ( ) } ( ) 1 1 (, , , ) [ ( ) { 1 ( ) } ] Pi P i N PA PA AP i P i i KA N M P A e P A e N  () () ( ) Ai Pi xA P AP x A N 1 ,, N A A A M () A x () P x () P i P A x i A () A () 0 . 5 Pi PA () 0 . 5 Pi PA M Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Im age Fuzzy  Enhan cem e n t  Based on S e lf-Adapt i v Bee Colo ny A l gorithm  (Men g Lei)  881 runni ng time as po ssible, it stabilizes wh en the  popul a t ion size is 30  and the term ination alge bra  is 10 0. The i n itial value of  fuzzy p a ra m e ter  in bee  colony algo rith m is ge ne rat ed ra ndo mly.  Therefore, we cho o se the terminatio n al gebraof 100.   Figure 3 is t he co ntra st  cha r t betwee n  the  ori g ina l  image an the algo rithm  of this   pape r. Table  1 is the avera ge va lue, sta ndard deviati on and e n tro p y of original  image, PSO and   algorith m  of this pa per. Fi g.4 is the hi stogram  of the avera ge  value, stand a r d deviation  and   entropy of ori g inal imag e a nd algo rithm  of this pape r.          Figure 3. Orig inal image a n d  result of algorithm of this  pape     Table 1 Average Value, Standa rd Devia t ion and En tropy of Origin al Image, PSO and Algo rithm  of This Pape   Average Value   Standard D e viation  Entrop Original Image   50.2849   43.7312   7.3471   PSO 151.4758   82.8231   6.8263   Algorithm of This Algorithm  121.2631   51.8472   8.3489           Figure 4. Hist ogra m  of average,  st anda rd deviation a nd entro py      The avera g e   value   in cre a se s after hi stogram   equ alizatio n, de monst r ating  that th e   brightn e ss is  high and the  stand ard d e viation is  small  and reflectin g  that the equalization effect   is not g ood e noug h. It can  be seen fro m  the ex pe ri mental data t hat avera ge  value an d m ean  squ a re d e via t ion increa se  after being  proc esse d by PSO algorithm; howe v er, the entropy  decrea s e s ; th e bri ghtne ss i n crea se s a n d  the def initio n  be come ba d. It can  be  seen th at after  d F Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No.4, Decemb er 201 4: 875  – 882   882 PSO pro c e s s, obviou s  color di stortio n  appe ar s a nd definition  decrea s e s . The artifici al  bee  colo ny alg o rit h m h a s bette r dyn a mic ra nge  co mpression  an d d e finition e nha ncement  as wel l  as  color fidelity  ability. And we can find that it  can enhance the dynamic  ra nge compression of the  image, the v i sual effe cts  of the image  and t he im age det ails  and ha ce rtain color fid e lity  cap a cit y .       6. Conclusio n   Image en han ceme nt is th e ba sic te ch nique  of digi t a l image  pro c e ssi ng a nd  it can effe ctively  improve th e g l obal o r  lo cal  cha r a c teri stics of t he ima g e .By using th e glob al opti m ization  ca p a city  and pa ralleli sm of ABC algorithm, this p aper p r o p o s e s  a ne w defin ition of fuzzy entropy a s  th fitness fu ncti on of bee  colony algo rit h m, whi c can autom atically sea r ch the optimal f u zzy  parameters, i m prove the  stability of  the algorithm and the ability to maintain  det ails, reali z e t h e   self-a daptive fuzzy  en han cement  of the image, have  better colo fidelity capa city and impro v e   the image qu ality for appro x imate real-ti m e appli c atio ns.       Referen ces   [1]  Kamran B i n a e e , Reza  PR.  Hasa nzad eh.  An ultras ou nd  imag e e n h a n c ement meth o d  usi ng  loca l   grad ient b a sed  fuzz y  simil a rit y Biomedic a l Si gna l Processi n g  and C ontro l . 201 4; 13(1): 89 -101.    [2]  W enda  Z hao,  Z h iju n X u, Ji an  Z hao, F a n  Z h a o , Xi zh en Han.   Variati o n a l inf r ared ima ge e nha nceme n t   base d  on  ad ap tive du al-thres hol gra d ie nt field  equ aliz atio n.  Infrared Phy s ics & T e chn o l ogy . 20 14; 6 6 :   152- 159.   [3]  T a malika Cha i ra. A rank ord e red filter fo medic a l ima g e  edge  enh anc ement an d det ection us in g   intuitionistic fuzzy  set.  Appl ied Soft  Computin g . 2012; 1 2 (4): 125 9-12 66.    [4 Al ex  F. de  Arau j o , Ch ri sto s  E. C o n s tan t i n ou , Jo ão  Ma nu el  R.S. T a vares. Ne w   artificia l  l i f e mod e l for   imag e enh anc ement.  Expert Systems w i th Appl icatio ns . 2 014; 41( 13): 58 92-5 906.    [5] Joseph  Sure s h  Pa ul, J o shi n  Joh n  Math e w , Cha ndras ekh a r Kes a vad a s.  MR im ag e e nha nceme n t   usin g an e x te n ded n e ig hb orh ood filter.  Jour nal of Visu al C o mmunic a tio n  and Imag e Re prese n tatio n .   201 4; 25(7): 16 04-1 615.   [6]  Kuld eep  Si ngh , Rajiv  Ka poo r. Image  enh a n ceme nt via   Medi an-Me an  Based  Sub-Im age- Cli ppe d   Histogr am Eq ualiz atio n.  Optik-Internati ona l  Journ a l for L i ght a nd El ectron Optics . 20 14; 12 5(17) :   464 6-46 51.   [7]  P. Balasu bram ani am, VP. Ananthi. Imag fusio n  usi ng i n tuitio nistic fuzz y sets.  Information Fusion 201 4; 20(1): 21 -30.   [8]  Asmatull ah  Ch aud hr y ,  Asiful l ah K han,  etc.  Neur o fuzz a nd  punct ual  kr igin bas ed fi lter for im ag restoratio n.  Applie d Soft Co mputin g . 201 3; 13(2): 817- 83 2.   [9]  R.J. Kuo, Y.D .  Hua ng, etc.  Automatic k e rnel  c l usteri ng   w i th be co l o n y  optimiz ati on alg o rithm.  Information Sci ences . 20 14; 2 83(1): 10 7-1 2 2 .     [10]  Hsing- Chih T s ai. Integr atin g the artificial bee colony   and  be es algorithm to  fac e  constrained  optimiz ation pr obl ems.  Information Sci enc es . 2014; 2 58(1 0 ): 80-93.    [11] Do ğ anA yd in, SerdarÖz n, etc. Artificial bee co lon y  a l gorithm  w i th  d y nam ic pop ul ation siz e  to   combi ne eco n o m ic  a nd emiss i on disp atch pr obl em.  Intern ation a l J our nal  o f  Electrica l  P o w e r & En ergy   System s . 20 14 ; 54(6): 144-1 5 3 .   [12]  F .  GharehMo h a mmadi, M. S ani ee A bad eh.  Image ste g a n a l y sis  usin g a  bee  col o n y   b a sed fe ature   selecti on al gor i t hm.  Engine eri ng App licati ons  of Artificial Intelli ge nce . 20 14 ; 31(3): 35-43.    [13]  B. Kala y c i, Suren d ra M. G upta. Artificial  bee colo n y   alg o rithm for solvin g seq u e n ce de pen de n t   disass embl y l i n e  bal anci ng pr obl em.  Expert Systems w i th Appl icatio ns . 2 013; 40( 18): 72 31-7 241.   Evaluation Warning : The document was created with Spire.PDF for Python.