一种基于杜鹃搜索算法的自适应图像增强方法技术

本发明专利技术公开了一种基于杜鹃搜索算法的自适应图像增强方法，本发明专利技术利用定义的图像质量评价函数，综合考虑增强后的图像的空间统计特征，熵等信息，通过利用杜鹃搜索算法对归一化的非完全Beta函数图像增强应用中最优参数问题优化求解，从而可以快速的获得最优增强参数，可用于数字图像处理相关技术领域中；本发明专利技术能够快速的获得归一化的非完全Beta函数图像增强的最优参数，所定义的图像质量评价函数能够客观的评价图像的质量，能够用于偏亮或者偏暗图像增强以后的质量评价，能够满足图像自动增强的要求。

【技术实现步骤摘要】
一种基于杜鹃搜索算法的自适应图像增强方法
本专利技术属于智能计算和数字图像处理的交叉应用领域，具体涉及一种基于杜鹃搜索算法的自适应图像增强方法。
技术介绍
图像的质量通常在数字图像获取的过程中会由于不均匀照明等影响从而下降，图像通常表现得偏暗或者偏亮。这对提取需要的图像信息造成了一定障碍。因而，通常在对图像进行分析处理前，要对图像进行增强。图像增强是图像处理的基本步骤之一，主要的目的是增强图像的亮度以及对比度，从而突出一幅图像中的某些信息，同时削弱或去除某些不需要信息。在数字图像处理领域，通常实用的增强方法有两大类：基于空域的方法和基于频域的方法。常用空域增强方法有线性拉伸、直方图均衡化、直方图规定化、拉普拉斯锐化等等。然而实际研究和实践中发现，上述方法都有一定的局限性，没有鲁棒性。如线性拉伸法虽然简单，但是需要人工干预，而且增强效果直接取决于操作人员经验，结果难以保证。直方图均衡对部分偏亮或者偏暗的图像增强难以取得理想效果，而且会放大噪声，因为数字图像是离散的，对于直方图规定算法，由于近似运算带来的误差，规定化只能接近参考直方图，增强效果也难以保证，拉普拉斯锐化只是增强边缘部分而不能改善图像的亮度和对比度。此外上述方法主要是针对图像的全局信息进行增强，对于图像的局部信息增强效果较差。针对这个问题，Tubbs提出一种能自动拟合典型灰度变换函数的归一化的非完全Beta函数，利用该函数进行图像增强具有较好的效果，但是合理选取增强后的图像质量评价函数和归一化的非完全Beta函数参数是算法的关键与难点，需要较多的人工干预，缺乏自适应性和智能性。考虑到图像的阈值，灰度级概率密度和图像的熵，本专利技术提出了一个新的评价函数G(I1e)。该评价函数充分体现图像空间统计信息，增强效果好。利用定义的图像质量评价函数，使用杜鹃搜索算法快速的获取归一化的非完全Beta函数的最优增强参数，达到自适应快速增强图像的目的。
技术实现思路
本专利技术为了解决上述技术问题，提出了一种基于杜鹃搜索算法的自适应图像增强方法，可以达到快速自适应增强图像的目的。本专利技术所采用的技术方案是：一种基于杜鹃搜索算法的自适应图像增强方法，包括如下步骤：步骤1：输入待增强原始图像，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像各个像素点的灰度值，统计各个灰度级k，k值范围为0-255；k出现的次数为G(k)，得到原始图像的灰度直方图；步骤2：利用已经获得图像的灰度直方图，对于k从0到255，扫描G(k)，得到原始图像的最大灰度值Gmax和最小灰度值Gmin，并将原始图像进行归一化处理记为I’，将图像的灰度值变换到[0,1]区间；步骤3：采用自定义的图像质量评价函数作为原图像增强后图像质量的适应度评价函数，将归一化后的图像灰度值代入归一化的非完全Beta函数中，并利用图像质量评价函数求得归一化的非完全Beta函数最优α,β参数；自定义的图像质量评价函数为：Fitness＝log(E(I1e)×NT/Δh)×(sum(hT)/(M×N))其中，M为原始图像的宽度，N为原始图像高度，单位都是像素，M×N为原始图像的大小；I1e是对原始图像的灰度值进行归一化处理后，利用归一化的非完全Beta函数对该灰度值进行变换，增强变换后的图像，E(I1e)为图像I1e的熵值；i是灰度级变量，其取值范围是0到255，ei是灰度级i的熵；hi表示第i级灰度级概率密度，NT为灰度级概率密度大于阈值T的像素个数；sum(hT)表示灰度级概率密度大于阈值T的所有灰度级概率密度之和；Δh表示灰度级概率密度hi的均方差；归一化的非完全Beta函数定义为下式：其中,u在这里表示归一化后图像的灰度值，是步骤2中的f'(i,j)，t是积分变量，B-1(α,β)是B(α,β)的逆变换，函数B(α,β)由下式给出：上式中t是积分变量，α,β是归一化的非完全Beta函数参数，步骤4，利用步骤3中求得最优α,β参数，采用归一化的非完全Beta变换函数F(u,α,β)(0≤u≤1)，对归一化图像进行变换，所述的变换公式如下：g'(i,j)＝F(f'(i,j),α,β)上式中，f'(i,j)表示归一化图像在像素点(i,j)处的灰度值，就是归一化的非完全Beta函数的输入变量u，g'(i,j)表示变换后图像在像素点(i,j)处的灰度值，其中f'(i,j)和g'(i,j)均满足0≤g'(i,j)≤1，0≤f'(i,j)≤1。步骤5，对归一化增强变换后的图像进行反变换处理，其采用的公式为：f"(i,j)＝(G'max-G'min)g'(i,j)+G'min式中，G'max和G'min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'max＝255，G'min＝0，g'(i,j)是指采用归一化的非完全Beta函数增强后像素点(i,j)的灰度值，f”(i,j)为进行反归一化后像素点(i,j)的灰度值。步骤6，输出增强后图像。所述的步骤2中将原始图像进行归一化处理所采用的公式为：上式中f(i,j)表示原始图像在像素点(i,j)处的灰度值，f'(i,j)表示归一化处理后图像在像素点(i,j)处的灰度值，Gmax是图像最大灰度值，Gmin是原图像最小灰度值。所述的步骤3中阈值T取T＝0.5×max(G(k)),k＝0,1,...,255，max(G(k)表示取最大灰度值，α,β的取值范围设定为(0,10)。所述的步骤3包括如下步骤：步骤3.1:读入图像的灰度值直方图，初始化杜鹃搜索算法所需的参数，得到算法的初始种群；参数包括迭代次数Iter、算法的种群规模N、鸟蛋被发现的概率pa、速度步长控制参数η、列维飞行步长控制参数λ、鸟巢的初始空间位置。步骤3.2:杜鹃搜索算法中鸟巢的初始空间位置值向量就是相应的初始α,β参数组合，利用定义的图像质量评价函数计算其适应度函数值，记录并保留当前最优鸟巢位置A；步骤3.3：通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置，得到一组新解并计算其适应度函数值，比较这组解的适应度函数值并记其具有最优适应度函数值的位置为B；步骤3.4：用随机数r∈[0,1]与鸟巢的主人发现外来的鸟蛋概率pa对比，并判断：若r＞pa，则通过列维飞行随机改变鸟巢位置，得到一组新的鸟巢位置，并计算其适应度函数值，比较这组解的适应度函数值并记其具有最优适应度函数值的位置为C，然后进入步骤3.5若r≤pa，则顺序执行下述步骤3.5。步骤3.5：将位置B和C的适应度函数值与上一代当前最优鸟巢位置A的适应度函数值进行对比，若更好，则将其作为当前最优鸟巢位置A；步骤3.6：判断是否满足终止条件；其中终止条件是预设的最大运行迭代次数；若否，则回转执行所述的步骤3.3；若是，输出全局最优鸟巢位置对应的最优α,β参数，进入步骤4；所述的步骤3.2中适应度函数的计算方法是：首先利用α,β参数对图像进行归一化的非完全Beta函数变换图像增强，然后采用本方法定义的图像质量评价函数计算增强后图像质量的评价函数值就是α,β参数的适应度函数值，比较每个鸟巢的适应度函数值，记录并保留当前最优鸟巢位置A。所述的步骤3.3中通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置，其位置更新公式为：其中，i表示第i个鸟巢，t表示迭本文档来自技高网...

【技术保护点】
一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：步骤1：输入待增强原始图像，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像各个像素点的灰度值，统计各个灰度级k，k值范围为0‑255；k出现的次数为G(k)，得到原始图像的灰度直方图；步骤2：利用已经获得图像的灰度直方图，对于k从0到255，扫描G(k)，得到原始图像的最大灰度值Gmax和最小灰度值Gmin，并将原始图像进行归一化处理记为I’，将图像的灰度值变换到[0,1]区间；步骤3：采用自定义的图像质量评价函数作为原图像增强后图像质量的适应度评价函数，将归一化后的图像灰度值代入归一化的非完全Beta函数中，并利用图像质量评价函数求得归一化的非完全Beta函数最优α,β参数；自定义的图像质量评价函数为：Fitness＝log(E(I1e)×NT/Δh)×(sum(hT)/(M×N))E(Ile)=-Σ0255ei]]>ei=hilog2(hi)whilehi≠00other]]>其中，M为原始图像的宽度，N为原始图像高度，单位是像素，M×N为原始图像的大小；I1e是对原始图像的灰度值进行归一化处理后，利用归一化的非完全Beta函数对该灰度值进行变换，增强变换后的图像，E(I1e)为图像I1e的熵值，ei是灰度级i的熵；hi表示第i级灰度级概率密度，NT为灰度级概率密度大于阈值T的像素个数；sum(hT)表示灰度级概率密度大于阈值T的所有灰度级概率密度之和；Δh表示灰度级概率密度hi的均方差；归一化的非完全Beta函数定义为下式：F(u,α,β)=B-1(α,β)∫0utα-1(1-t)β-1dt]]>其中,u在这里表示归一化后图像的灰度值变量，是步骤2中的f'(i,j)，t是积分变量，B‑1(α,β)是B(α,β)的逆变换，β的函数B(α,β)由下式给出：B(α,β)=∫01tα-1(1-t)β-1dt]]>上式中t是积分变量，α,β是归一化的非完全Beta函数参数，步骤4，利用步骤3中求得最优α,β参数，采用归一化的非完全Beta变换函数F(u,α,β)(0≤u≤1)，对归一化图像进行变换，所述的变换公式如下：g'(i,j)＝F(f'(i,j),α,β)上式中，f'(i,j)表示归一化图像在像素点(i,j)处的灰度值，就是归一化的非完全Beta函数的输入变量u，g'(i,j)表示变换后图像在像素点(i,j)处的灰度值，其中f'(i,j)和g'(i,j)均满足0≤g'(i,j)≤1，0≤f'(i,j)≤1；步骤5，对归一化增强变换后的图像进行反变换处理，其采用的公式为f(i,j)＝(G'max‑G'min)g'(i,j)+G'min式中，G'max和G'min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'max＝255，G'min＝0，g'(i,j)是指采用归一化的非完全Beta函数增强后像素点(i,j)的灰度值，f″(i,j)为进行反归一化后像素点(i,j)的灰度值；步骤6，输出增强后图像。...

【技术特征摘要】
1.一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：步骤1：输入待增强原始图像，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像各个像素点的灰度值，统计各个灰度级k，k值范围为0-255；k出现的次数为G(k)，得到原始图像的灰度直方图；步骤2：利用已经获得图像的灰度直方图，对于k从0到255，扫描G(k)，得到原始图像的最大灰度值Gmax和最小灰度值Gmin，并将原始图像进行归一化处理记为I’，将图像的灰度值变换到[0,1]区间；步骤3：采用自定义的图像质量评价函数作为原图像增强后图像质量的适应度评价函数，将归一化后的图像灰度值代入归一化的非完全Beta函数中，并利用图像质量评价函数求得归一化的非完全Beta函数最优α,β参数；自定义的图像质量评价函数为：Fitness＝log(E(I1e)×NT/Δh)×(sum(hT)/(M×N))其中，M为原始图像的宽度，N为原始图像高度，单位是像素，M×N为原始图像的大小；I1e是对原始图像的灰度值进行归一化处理后，利用归一化的非完全Beta函数对该灰度值进行变换，增强变换后的图像，E(I1e)为图像I1e的熵值，i是灰度级变量，其取值范围是0到255，ei是灰度级i的熵；hi表示第i级灰度级概率密度，NT为灰度级概率密度大于阈值T的像素个数；sum(hT)表示灰度级概率密度大于阈值T的所有灰度级概率密度之和；Δh表示灰度级概率密度hi的均方差；归一化的非完全Beta函数定义为下式：其中,u在这里表示归一化后图像的灰度值变量，t是积分变量，B-1(α,β)是B(α,β)的逆变换，函数B(α,β)由下式给出：上式中t是积分变量，α,β是归一化的非完全Beta函数参数，步骤4，利用步骤3中求得最优α,β参数，采用归一化的非完全Beta变换函数F(u,α,β)(0≤u≤1)，对归一化图像进行变换，所述的变换公式如下：g'(i,j)＝F(f'(i,j),α,β)上式中，f'(i,j)表示归一化图像在像素点(i,j)处的灰度值，就是归一化的非完全Beta函数的输入变量u，g'(i,j)表示变换后图像在像素点(i,j)处的灰度值，其中f'(i,j)和g'(i,j)均满足0≤g'(i,j)≤1，0≤f'(i,j)≤1；步骤5，对归一化增强变换后的图像进行反变换处理，其采用的公式为f"(i,j)＝(G'max-G'min)g'(i,j)+G'min式中，G'max和G'min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'max＝255，G'min＝0，g'(i,j)是指采用归一化的非完全Beta函数增强后像素点(i,j)的灰度值，f”(i,j)为进行反归一化后像素点(i,j...

【专利技术属性】
技术研发人员：叶志伟，王明威，赵伟，尹宇洁，王春枝，刘伟，陈宏伟，徐慧，宗欣露，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42