一种基于粒子群优化的红外图像增强方法技术

本发明专利技术提出一种基于粒子群优化的红外图像增强方法，采用粒子群优化算法结合图像伽马校正方法进行全局伽马校正，其步骤为：首先对红外图像进行灰度化并初始化种群；接着针对每个粒子，对灰度化图像进行伽马校正得到中间增强图像，通过对该中间图像的熵值、边缘内容和灰度标准方差的加权融合计算该粒子的适应度值，并迭代更新个体和群体最优适应度值，采用适时调整学习因子迭代更新粒子速度和位置，通过不断迭代寻优找到最终群体最优位置作为最优伽马值来增强图像。本发明专利技术对低对比度红外图像增强时，使图像熵值最大化、边缘清晰化、并保留原图结构信息，增强结果更自然；本发明专利技术对高亮区域进行增强时，不易产生噪声及伪影，能够明显改善红外图像。

【技术实现步骤摘要】
一种基于粒子群优化的红外图像增强方法
本专利技术属于图像处理
，具体涉及一种基于粒子群优化的红外图像增强方法。
技术介绍
随着科技的不断发展，红外成像作为红外技术与成像技术相结合的产物，应用越来越广泛，它已经应用到安防监控、军事目标检测和跟踪以及医疗等很多领域，红外探测器接收物体的红外辐射，将温度信息转换为灰度信息。在实际检测物体温度时，很容易受到传热，热辐射和大气衰减的影响，造成图像低对比度和纹理细节不清晰等，其中目标与背景对比度低，这使得它很难辨认原始红外图像中的背景与目标物体，给目标识别和跟踪带来诸多不便。因此，研究红外图像增强算法非常重要。红外图像增强方法中直方图均衡(HE)由于其简单直接的实现而受到了相当多的关注，它主要是重新映射灰度，从而使直方图服从均匀分布。增强过程中会使用从输入的累积分布函数(CDF)到均匀分布的CDF的映射计算的传递函数，如果直方图中存在大的峰值，则会使图像过度增强，很有可能达不到想要的效果。也有研究人员提出了自适应直方图均衡(AHE)，在增强图像时考虑了局部信息，能够突出细节和纹理，使图像能够包含更尖锐的边缘，但缺点是产生了很大的噪声而且运算本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化的红外图像增强方法，其特征在于，采用粒子群优化算法结合图像伽马校正方法进行全局伽马校正，通过对灰度化后的图像的灰度标准方差、熵值和边缘内容的加权融合计算粒子的适应度值，并采用适时调整学习因子的方法迭代更新粒子速度和位置，通过不断迭代寻优找到最终的群体最优位置作为全局最优伽马值来增强图像，其步骤如下：步骤一、输入并读取原始红外图像，将原始红外图像灰度化得到灰度图像；步骤二、设置粒子群优化算法参数并初始化每个粒子的位置和速度，利用评价函数的初始值初始化个体历史最优适应度值和群体历史最优适应度值，利用粒子初始位置初始化粒子个体最优位置和群体最优位置；步骤三、利用每个粒子的位置作...

【技术特征摘要】
1.一种基于粒子群优化的红外图像增强方法，其特征在于，采用粒子群优化算法结合图像伽马校正方法进行全局伽马校正，通过对灰度化后的图像的灰度标准方差、熵值和边缘内容的加权融合计算粒子的适应度值，并采用适时调整学习因子的方法迭代更新粒子速度和位置，通过不断迭代寻优找到最终的群体最优位置作为全局最优伽马值来增强图像，其步骤如下：步骤一、输入并读取原始红外图像，将原始红外图像灰度化得到灰度图像；步骤二、设置粒子群优化算法参数并初始化每个粒子的位置和速度，利用评价函数的初始值初始化个体历史最优适应度值和群体历史最优适应度值，利用粒子初始位置初始化粒子个体最优位置和群体最优位置；步骤三、利用每个粒子的位置作为校正参数带入伽马校正对灰度图像进行处理，得到各个粒子的中间增强图像；步骤四、将中间增强图像的信息作为评价函数的输入信息，得到每个粒子的适应度值fitness；步骤五、利用每个粒子的适应度值fitness更新个体历史最优适应度值，并将个体历史最优适应度值对应的粒子位置存储在个体最优位置中；步骤六、利用所有粒子的适应度值的最大值更新群体历史最优适应度值，并将群体历史最优适应度值对应的粒子位置存储在群体最优位置中；步骤七、判断是否满足迭代寻优终止条件，若满足，执行步骤九，否则，执行步骤八；步骤八、更新每个粒子的惯性权重和学习因子，从而更新每个粒子的速度和位置，跳转至步骤三；步骤九、输出粒子群的群体最优位置，结束迭代过程；步骤十、使用步骤九得到的群体最优位置作为校正参数带入伽马校正对灰度图像进行校正，得到并输出增强后的图像。2.根据权利要求1所述的基于粒子群优化的红外图像增强方法，其特征在于，所述步骤二的评价函数为每个粒子的适应度值，即：fitness＝α1×H+α2×S+α3×Std，其中，H为图像熵值，S为图像边缘内容，Std为图像灰度标准方差，α1、α2和α3为常数。3.根据权利要求1所述的基于粒子群优化的红外图像增强方法，其特征在于，所述伽马校正的实现方法为：其中，lmax为灰度图像中最大的像素值，l∈[0,lmax]为灰度图像的实际像素值，校正参数γ的取值为迭代过程中所得的粒子位置，T(l)为灰度图像中像素值为l的灰度值经过伽马校正后得到的增强图像的灰度值。4.根据权利要求1所述的基于粒子群优化的红外图像增强方法，其特征在于，所述步骤二的初始化方法为：S21：初始化参数：初始化粒子群粒子个数为N，最大迭代次数为tmax；S22：初始化每个粒子的位置和速度：随机产生一个种群，初始化各粒子的位置和速度，将粒子的位置和速度限制在一定区间内，在一定区间内随机产生图像熵值H0、图像边缘内容S0和图像灰度标准方差Std0，计算各个粒子的适应度值的初始值fitness0；S23：初始化个体最优值和群体最优值：引用步骤S22中每个粒子的适应度值fitness0初始化该粒子个体历史最优适应度值fitnesspbest，并将该粒子的初始随机位置存储为个体最优位置pbest；用各粒子适应度值fitness0中的最大值初始化群体历史最优适应度值fitnessgbest，并将第一个粒子的位置初始化存储为群体最优位置gbest。5.根据权利要求1所述的基于粒子群优化的红外图像增强方法，其特征在于，所述步骤四的每个粒子的适应度值fitness...

【专利技术属性】
技术研发人员：李灿林，毕丽华，刘金华，吴青娥，刘岩，常化文，朱付保，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41