一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法
【專利摘要】本發(fā)明公開了一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,本發(fā)明利用定義的圖像質(zhì)量評價函數(shù),綜合考慮增強后的圖像的空間統(tǒng)計特征,熵等信息,通過利用杜鵑搜索算法對歸一化的非完全Beta函數(shù)圖像增強應(yīng)用中最優(yōu)參數(shù)問題優(yōu)化求解,從而可以快速的獲得最優(yōu)增強參數(shù),可用于數(shù)字圖像處理相關(guān)【技術(shù)領(lǐng)域】中;本發(fā)明能夠快速的獲得歸一化的非完全Beta函數(shù)圖像增強的最優(yōu)參數(shù),所定義的圖像質(zhì)量評價函數(shù)能夠客觀的評價圖像的質(zhì)量,能夠用于偏亮或者偏暗圖像增強以后的質(zhì)量評價,能夠滿足圖像自動增強的要求。
【專利說明】一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能計算和數(shù)字圖像處理的交叉應(yīng)用領(lǐng)域,具體涉及一種基于杜鵑搜 索算法的自適應(yīng)圖像增強方法。
【背景技術(shù)】
[0002] 圖像的質(zhì)量通常在數(shù)字圖像獲取的過程中會由于不均勻照明等影響從而下降,圖 像通常表現(xiàn)得偏暗或者偏亮。這對提取需要的圖像信息造成了一定障礙。因而,通常在對 圖像進行分析處理前,要對圖像進行增強。圖像增強是圖像處理的基本步驟之一,主要的目 的是增強圖像的亮度以及對比度,從而突出一幅圖像中的某些信息,同時削弱或去除某些 不需要信息。在數(shù)字圖像處理領(lǐng)域,通常實用的增強方法有兩大類:基于空域的方法和基 于頻域的方法。常用空域增強方法有線性拉伸、直方圖均衡化、直方圖規(guī)定化、拉普拉斯銳 化等等。然而實際研究和實踐中發(fā)現(xiàn),上述方法都有一定的局限性,沒有魯棒性。如線性 拉伸法雖然簡單,但是需要人工干預(yù),而且增強效果直接取決于操作人員經(jīng)驗,結(jié)果難以保 證。直方圖均衡對部分偏亮或者偏暗的圖像增強難以取得理想效果,而且會放大噪聲,因為 數(shù)字圖像是離散的,對于直方圖規(guī)定算法,由于近似運算帶來的誤差,規(guī)定化只能接近參考 直方圖,增強效果也難以保證,拉普拉斯銳化只是增強邊緣部分而不能改善圖像的亮度和 對比度。此外上述方法主要是針對圖像的全局信息進行增強,對于圖像的局部信息增強效 果較差。
[0003] 針對這個問題,Tubbs提出一種能自動擬合典型灰度變換函數(shù)的歸一化的非完全 Beta函數(shù),利用該函數(shù)進行圖像增強具有較好的效果,但是合理選取增強后的圖像質(zhì)量評 價函數(shù)和歸一化的非完全Beta函數(shù)參數(shù)是算法的關(guān)鍵與難點,需要較多的人工干預(yù),缺乏 自適應(yīng)性和智能性??紤]到圖像的閾值,灰度級概率密度和圖像的熵,本發(fā)明提出了一個新 的評價函數(shù)G(Ile)。該評價函數(shù)充分體現(xiàn)圖像空間統(tǒng)計信息,增強效果好。利用定義的圖像 質(zhì)量評價函數(shù),使用杜鵑搜索算法快速的獲取歸一化的非完全Beta函數(shù)的最優(yōu)增強參數(shù), 達到自適應(yīng)快速增強圖像的目的。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明為了解決上述技術(shù)問題,提出了一種基于杜鵑搜索算法的自適應(yīng)圖像增強 方法,可以達到快速自適應(yīng)增強圖像的目的。
[0005] 本發(fā)明所采用的技術(shù)方案是:一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,包 括如下步驟:
[0006] 步驟1 :輸入待增強原始圖像,用f(i,j)表示原始圖像在像素點(i,j)處的灰度 值,讀取原始圖像各個像素點的灰度值,統(tǒng)計各個灰度級k,k值范圍為0-255 ;k出現(xiàn)的次數(shù) 為G(k),得到原始圖像的灰度直方圖;
[0007] 步驟2 :利用已經(jīng)獲得圖像的灰度直方圖,對于k從0到255,掃描G(k),得到原始 圖像的最大灰度值Gmax和最小灰度值Gmin,并將原始圖像進行歸一化處理記為I',將圖像的 灰度值變換到[0, 1]區(qū)間;
[0008] 步驟3:采用自定義的圖像質(zhì)量評價函數(shù)作為原圖像增強后圖像質(zhì)量的適應(yīng)度評 價函數(shù),將歸一化后的圖像灰度值代入歸一化的非完全Beta函數(shù)中,并利用圖像質(zhì)量評價 函數(shù)求得歸一化的非完全Beta函數(shù)最優(yōu)α,β參數(shù);自定義的圖像質(zhì)量評價函數(shù)為:
[0009]Fitness=log(E(Ile)XNt/Ah)X(sum(hT)/(MXN))
【權(quán)利要求】
1. 一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,其特征在于: 步驟1:輸入待增強原始圖像,用f(i,j)表示原始圖像在像素點(i,j)處的灰度值, 讀取原始圖像各個像素點的灰度值,統(tǒng)計各個灰度級k,k值范圍為0-255 ;k出現(xiàn)的次數(shù)為 G(k),得到原始圖像的灰度直方圖; 步驟2 :利用已經(jīng)獲得圖像的灰度直方圖,對于k從0到255,掃描G (k),得到原始圖像 的最大灰度值Gmax和最小灰度值Gmin,并將原始圖像進行歸一化處理記為I',將圖像的灰度 值變換到[〇, 1]區(qū)間; 步驟3 :采用自定義的圖像質(zhì)量評價函數(shù)作為原圖像增強后圖像質(zhì)量的適應(yīng)度評價函 數(shù),將歸一化后的圖像灰度值代入歸一化的非完全Beta函數(shù)中,并利用圖像質(zhì)量評價函數(shù) 求得歸一化的非完全Beta函數(shù)最優(yōu)α,β參數(shù);自定義的圖像質(zhì)量評價函數(shù)為: Fitness = log(E(Ile) XNt/ Ah) X (sum(hT)/(MXN))
其中,M為原始圖像的寬度,N為原始圖像高度,單位是像素,MXN為原始圖像的大??; Ile是對原始圖像的灰度值進行歸一化處理后,利用歸一化的非完全Beta函數(shù)對該灰度值 進行變換,增強變換后的圖像,E (U為圖像Ile的熵值,ei是灰度級i的熵屯表示第i級 灰度級概率密度,N t為灰度級概率密度大于閾值T的像素個數(shù);sum(hT)表示灰度級概率密 度大于閾值T的所有灰度級概率密度之和;△ h表示灰度級概率密度h的均方差; 歸一化的非完全Beta函數(shù)定義為下式:
其中,u在這里表示歸一化后圖像的灰度值變量,是步驟2中的f'(i,j),t是積分變 量,Β、α,β)是Β(α,β)的逆變換,β的函數(shù)Β(α,β)由下式給出:
上式中t是積分變量,α,β是歸一化的非完全Beta函數(shù)參數(shù), 步驟4,利用步驟3中求得最優(yōu)α,β參數(shù),采用歸一化的非完全Beta變換函數(shù) F(u,α,β ) (0彡u彡1),對歸一化圖像進行變換,所述的變換公式如下: g' (i, j) = F(f' (i, j), α , β ) 上式中,f'(i,j)表示歸一化圖像在像素點(i,j)處的灰度值,就是歸一化的非完 全Beta函數(shù)的輸入變量u,g'(i,j)表示變換后圖像在像素點(i,j)處的灰度值,其中 f'(i,j)和 g'(i,j)均滿足 〇 彡 g'(i,j)彡 1,〇 彡 f'(i,j)彡 1 ; 步驟5,對歸一化增強變換后的圖像進行反變換處理,其采用的公式為 f" (i, j) = (G' max-G' min) g' (i, j) +G' min 式中,G'max和G'min分別為變換后圖像的最大和最小灰度值,對于8位灰度圖像,G' max = 255,G'min = 0,g'(i,j)是指采用歸一化的非完全Beta函數(shù)增強后像素點(i,j)的灰度 值,f" (i,j)為進行反歸一化后像素點(i,j)的灰度值; 步驟6,輸出增強后圖像。
2. 根據(jù)權(quán)利要求1所述的一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,其特征在 于:所述的步驟2中將原始圖像進行歸一化處理所采用的公式為:
上式中f(i,j)表示原始圖像在像素點(i,j)處的灰度值,f'(i,j)表示歸一化處理后 圖像在像素點(i,j)處的灰度值,Gmax是圖像最大灰度值,Gmin是原圖像最小灰度值。
3. 根據(jù)權(quán)利要求1所述的一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,其特征在 于:所述的步驟3中閾值1'取丁 = 0.5父11^(6(1〇),1^ = 0,1,...,255;〇,@的取值范圍設(shè) 定為(〇, 10)。
4. 根據(jù)權(quán)利要求1所述的一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,其特征在 于:所述的步驟3包括如下步驟: 步驟3. 1:讀入圖像的灰度值直方圖,初始化杜鵑搜索算法所需的參數(shù),得到算法的初 始種群; 初始化杜鵑搜索算法所需的參數(shù),得到算法的初始種群;參數(shù)包括迭代次數(shù)Iter、算 法的種群規(guī)模N、鳥蛋被發(fā)現(xiàn)的概率pa、速度步長控制參數(shù)II、列維飛行步長控制參數(shù)λ、 鳥巢的初始空間位置; 步驟3.2:杜鵑搜索算法中鳥巢的初始空間位置值向量就是相應(yīng)的初始α,β參數(shù)組 合,利用定義的圖像質(zhì)量評價函數(shù)計算其適應(yīng)度函數(shù)值,記錄并保留當(dāng)前最優(yōu)鳥巢位置A; 步驟3. 3 :通過杜鵑搜索算法中的位置更新公式更新鳥巢的位置,得到一組新解并計 算其適應(yīng)度函數(shù)值,比較這組解的適應(yīng)度函數(shù)值并記其具有最優(yōu)適應(yīng)度函數(shù)值的位置為 B ; 步驟3. 4 :用隨機數(shù)r e [〇, 1]與鳥巢的主人發(fā)現(xiàn)外來的鳥蛋概率Pa對比,并判斷: 若r > pa,則通過列維飛行隨機改變鳥巢位置,得到一組新的鳥巢位置,并計算其適應(yīng) 度函數(shù)值,比較這組解的適應(yīng)度函數(shù)值并記其具有最優(yōu)適應(yīng)度函數(shù)值的位置為C,然后進入 步驟3. 5 ; 若r < pa,則順序執(zhí)行下述步驟3. 5 ; 步驟3. 5 :將位置B和C的適應(yīng)度函數(shù)值與上一代當(dāng)前最優(yōu)鳥巢位置A的適應(yīng)度函數(shù) 值進行對比,若更好,則將其作為當(dāng)前最優(yōu)鳥巢位置A ; 步驟3. 6 :判斷是否滿足終止條件;其中終止條件是預(yù)設(shè)的最大運行迭代次數(shù); 若否,則回轉(zhuǎn)執(zhí)行所述的步驟3. 3 ; 若是,輸出全局最優(yōu)鳥巢位置對應(yīng)的最優(yōu)α,β參數(shù),進入步驟4。
5. 根據(jù)權(quán)利要求3所述的一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,其特征在 于:所述的步驟3. 2中適應(yīng)度函數(shù)的計算方法是:首先利用α,β參數(shù)對圖像進行歸一化 的非完全Beta函數(shù)變換圖像增強,然后采用自定義的圖像質(zhì)量評價函數(shù)計算增強后圖像 質(zhì)量的評價函數(shù)值就是α,β參數(shù)的適應(yīng)度函數(shù)值,比較每個鳥巢的適應(yīng)度函數(shù)值,記錄 并保留當(dāng)前最優(yōu)鳥巢位置Α。
6. 根據(jù)權(quán)利要求3所述的一種基于杜鵑搜索算法的自適應(yīng)圖像增強方法,其特征在 于:所述的步驟3. 3中通過杜鵑搜索算法中的位置更新公式更新鳥巢的位置,其位置更新 公式為: XjU +1) = χ}{?) + η Θ Levy{/J) 其中,i表示第i個鳥巢,t表示迭代次數(shù),Xi (t)表示第i個鳥巢在第t次迭代時的位 置,Xi (t+Ι)表示第i個鳥巢在第t+Ι次迭代時的位置,Ii是速度步長控制參數(shù)并且Ii >0, ?表示點對點乘法,Levy ( λ )是均勻Levy分布隨機數(shù),服從Levy?u = ifλ (1 < λ < 3), λ是列維飛行步長控制參數(shù)。
【文檔編號】G06T5/40GK104376543SQ201410711875
【公開日】2015年2月25日 申請日期:2014年11月28日 優(yōu)先權(quán)日:2014年11月28日
【發(fā)明者】葉志偉, 王明威, 趙偉, 尹宇潔, 王春枝, 劉偉, 陳宏偉, 徐慧, 宗欣露 申請人:湖北工業(yè)大學(xué)