1. 将ace增强后的图像信息熵与图像标准差的乘积作为目标函数, ace的增益因子a作为待寻优的变量；
2. 使用pso算法对ace的增益因子a进行寻优，并返回最优的增益因子；
3. 将最优增益代入ace算法中，对图像进行增强；
4. 采用引导滤波对增强后的图像进行降噪，提高可视化效果；

%% PSO_ACE
% date: 2020_08
% Author: X
% function: 图像增强，(1) PSO优化ACE增益因子 (2) 引导滤波降噪

%% 初始化
addpath(genpath(pwd));

clear;
clc;
close all;
warning('off')

%% 定义全局变量
global meanimg stdimg I img

I = rgb2ycbcr(imread('test2.jpg'));% 将图片转换到ycbcr空间
img = double(I(:,:,1));

% 求局部均值
filter = fspecial('average',3);
meanimg = imfilter(img,filter);
% figure;imshow(meanimg/255,[]);

% 求局部标准差
stdimg = stdfilt(img);
% temp = stdfilt(img(:,:,1));

%% PSO 寻优
a_range=[0,1]; % 参数x变化范围(这里寻优的是ACE算法中的增益因子a)
range = [a_range];
Max_V = 0.2*(a_range(:,2)-a_range(:,1)); % 最大速度取变化范围的10%~20%
n=1; % 待优化函数的维数
psoparams = [10 200 10 2 2 0.8 0.2 1500 1e-25 200 NaN 0 0]; % 参数配置，详细查看pso工具箱使用文档
Bestarray = pso_Trelea_vectorized('obj_func', n, Max_V, range, 1, psoparams); % 调用PSO寻优，返回最优参数以及最优函数值

%% 输出增强后的图像(将获得增益因子代入ACE)
D = mean(meanimg(:));
c = Bestarray(1)*D./(stdimg);
c(c>10) = 3;
result = meanimg + c.*(img - meanimg);
MIN = min(min(result));
MAX = max(max(result));
result = (result - MIN)/(MAX - MIN);
result = adapthisteq(result);
I(:,:,1) = result*255;
result_img = ycbcr2rgb(I);
figure;imshow(result_img);
title('PSO\_ACE');

%% 引导滤波降噪
[r,c,b]=size(I);
x = reshape(result_img,[r*c b]);
x = compute_mapping(x,'PCA',1); % 对原图进行PCA降维
guidance = reshape(x, r, c)/255; % 获得引导图像
result_img = double(result_img)/255;
r = 5; % 滤波半径
eps = 0.005; % 滤波正则化参数
for i = 1:3
    result_img_GD(:,:,i) =  guidedfilter(guidance, result_img(:,:,i), r, eps); % 引导滤波
end
figure;imshow(result_img_GD,[]);
title('PSO\_ACE\_GD'); % 显示滤波后的图像