基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法技术

本发明专利技术涉及一种基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，首先将浮选泡沫图像进行NSST分解，得到低频子带图像和多尺度高频子带；接着对低频子带图像进行量子和声搜索模糊集增强；然后对于多尺度高频子带，结合改进的贝叶斯萎缩阈值及尺度相关性去除噪声系数，并通过非线性增益函数增强边缘和纹理系数；最后对处理后的低频子带、各个高频子带的系数进行NSST重构，得到增强去噪后的图像。本发明专利技术能够改善泡沫图像的亮度、对比度和清晰度，在有效抑制噪声的同时气泡边缘得到明显增强，保留更多的纹理细节，更有利于后续的气泡分割和边缘检测等处理。

Image enhancement and denoising method of flotation froth in NSST domain based on quantum harmony search fuzzy set

【技术实现步骤摘要】
基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法
本专利技术涉及浮选泡沫图像增强
，特别是一种基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法。
技术介绍
由于矿物浮选现场环境恶劣,光照不均、大量粉尘、雾气大,现场图像采集系统所拍摄到的泡沫图像对比度低、气泡边缘不明显、存在大量噪声干扰，不利于后续的图像分析处理。而图像增强及去噪是图像处理的重要技术，可以提高浮选泡沫图像的视觉效果，为后续泡沫图像特征提取、图像识别、图像分析等奠定基础。近年来，已出现了几种浮选泡沫图像的增强方法。基于空间域的增强方法方面，采用同态滤波或自适应多尺度Retinex算法对泡沫图像增强，改善了泡沫图像的对比度，但是忽略了图像微弱边缘和噪声干扰。为能增强图像细节的同时可以有效抑制噪声，研究人员引入了变换域方法，基于小波变换的增强方法，因小波变换的方向性有限，连续边缘部分无法分辨，易降低图像的清晰度。采用直方图均衡化和Contourlet变换增强浮选泡沫图像边缘，改善了图像的亮度均匀性，增强了气泡边缘，但是对噪声图像进行直方图均衡化后再Contourlet变换，易造成气泡内部细节丢失、部分噪声放大。结合Retinex和NSCT变换增强浮选泡沫图像，提高了图像的对比度，增强边缘细节的同时抑制了噪声，但是高频子带采用贝叶斯萎缩阈值去除噪声，容易造成大于阈值的噪声系数混入边缘中而被增强，小于阈值的微弱边缘系数被去除，使部分边缘细节失真。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，能够改善泡沫图像的亮度、对比度和清晰度，并且能够在有效抑制噪声的同时气泡边缘得到明显增强，保留更多的纹理细节，更有利于后续的气泡分割和边缘检测等处理。本专利技术采用以下方案实现：一种基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，具体包括以下步骤：步骤S1：将浮选泡沫图像进行NSST分解，得到低频子带图像和多尺度高频子带；步骤S2：对低频子带图像进行量子和声搜索模糊集增强；步骤S3：对于多尺度高频子带，结合改进的贝叶斯萎缩阈值及尺度相关性去除噪声系数，并通过非线性增益函数增强边缘和纹理系数；步骤S4：对处理后的低频子带、各个高频子带的系数进行NSST重构，得到增强去噪后的图像。进一步地，步骤S1具体包括以下步骤：步骤S11：采用非下采样金字塔NSP进行多尺度分解，将图像进行k次NSP分解后，得到1个低频图像和k层高频子带图像；步骤S12：采用剪切滤波器SF对高频子带进行l级多方向分解，得到2l个大小与原图像相同的多方向子带。进一步地，步骤S2具体包括以下步骤：步骤S21：在模糊特性域处理图像中的像素，将低频子带图像从空间域映射到模糊域：其中，隶属度函数umn为：式中，m＝1,2,3,...,M；n＝1,2,3,...,N,参数Fp表示指数型模糊因子，Fe表示倒数型模糊因子；M表示图像的长度，N表示图像的宽度，Xmax表示图像中最大的灰度值，Xmn表示当前像素点的灰度值；步骤S23：接着，采用广义对比度增强算子，即：式中，q表示乘幂；步骤S24：进行G-1逆变换：步骤S25：采用改进的量子和声搜索算法对Fp、Fe和q进行寻优，其适应度函数为：y＝H×lg(C×D)；式中，y表示适应度函数，H为图像信息熵，C为图像对比度，D为图像清晰度。进一步地，步骤S25中，所述改进的量子和声搜索算法具体包括以下步骤：步骤S251：初始化各参数；步骤S252：初始化种群，种群中的各个个体都设为步骤S253：将初始化种群中的量子比特变换到2进制，得到对应的确定解；步骤S254：将各确定解代入适应度函数进行适应度评价，并记录最优个体及对应的适应度；步骤S255：判断是否满足终止条件，若是，则结束算法，否则进入步骤S256；步骤S256：测量种群中的各个个体，获得一组解；步骤S257：将各确定解代入适应度函数，记录最优个体及对应的适应度；步骤S258：利用量子旋转门对种群进行更新；步骤S259：产生一组新和声解；步骤S2510：更新和声记忆库；步骤S2511：将迭代次数加一，并返回步骤S255。进一步地，步骤S3具体包括以下步骤：步骤S31：设第k尺度第l方向的高频子带存在一个阈值如果该高频子带的系数小于则该系数是噪声，反之，该系数表示边缘信息；根据能量分布改进贝叶斯阈值表达式如下：式中，σn表示子带噪声标准差，σ表示子带信号标准差，表示k尺度l方向高频子带的能量，L表示高频子带分解的方向数，其中，σn与σ的计算分别采用下式：式中，表示该子带在(i,j)点的系数，表示子带系数方差；步骤S32：对范围内的系数进行尺度间的相关性统计，将弱相关的噪声系数去除，将强相关的边缘系数进行放大；步骤S33：定义在第k尺度第l方向的高频子带在(i,j)上的尺度相关系数为：式中，表示不同尺度在(i,j)位置上的所有系数乘积，表示第k尺度第l方向子带的系数能量，表示k尺度l方向高频子带的能量，是归一化处理；步骤S34：采用下式的高频子带系数的增强函数对高频子带的系数进行调整，直接去除噪声系数：式中，g(*)表示非线性增益函数。与现有技术相比，本专利技术有以下有益效果：本专利技术不仅改善了泡沫图像的亮度，而且具有更高的对比度和清晰度，对噪声图像处理时，在有效抑制噪声的同时气泡边缘得到明显增强，保留更多的纹理细节，为后续泡沫图像特征提取、工况识别、指标预测等处理提供基础。附图说明图1为本专利技术实施例的量子和声搜索算法流程图。图2为本专利技术实施例的泡沫图像NSST分解流程示意图。图3为本专利技术实施例的方法原理流程示意图。图4为本专利技术实施例的浮选泡沫图像的增强及对比示意图。其中(a)为浮选泡沫图像，(b)为低频子带，(c)为低频子带处理结果，(d)为高频尺度1，(e)为高频尺度2，(f)为高频尺度3，(g)为高频尺度1处理结果，(h)为高频尺度2处理结果，(i)为高频尺度3处理结果，(j)为本专利技术增强结果，(k)为同态滤波法结果，(l)为小波变换增强结果，(m)为Retinex算法增强结果，(n)为Contourlet变换方法结果，(o)为NSCT域方法结果。图5为本专利技术实施例的浮选泡沫噪声图像的去噪与边缘增强效果。其中(a)为浮选泡沫原图，(b)为加噪图，(c)为本专利技术方法的效果图，(d)为同态滤波法的效果图，(e)为小波变换增强法的效果图，(f)为Retinex算法增强效果图，(g)为Contourlet变换方法效果图，(h)为NSCT域方法效果图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图3所示，本实施例提供了一种基于量子和声搜索模糊集的NS本文档来自技高网...

【技术保护点】
1.基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，包括以下步骤：步骤S1：将浮选泡沫图像进行NSST分解，得到低频子带图像和多尺度高频子带；步骤S2：对低频子带图像进行量子和声搜索模糊集增强；步骤S3：对于多尺度高频子带，结合改进的贝叶斯萎缩阈值及尺度相关性去除噪声系数，并通过非线性增益函数增强边缘和纹理系数；步骤S4：对处理后的低频子带、各个高频子带的系数进行NSST重构，得到增强去噪后的图像。

【技术特征摘要】
1.基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，包括以下步骤：步骤S1：将浮选泡沫图像进行NSST分解，得到低频子带图像和多尺度高频子带；步骤S2：对低频子带图像进行量子和声搜索模糊集增强；步骤S3：对于多尺度高频子带，结合改进的贝叶斯萎缩阈值及尺度相关性去除噪声系数，并通过非线性增益函数增强边缘和纹理系数；步骤S4：对处理后的低频子带、各个高频子带的系数进行NSST重构，得到增强去噪后的图像。2.根据权利要求1所述的基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，步骤S1具体包括以下步骤：步骤S11：采用非下采样金字塔NSP进行多尺度分解，将图像进行k次NSP分解后，得到1个低频图像和k层高频子带图像；步骤S12：采用剪切滤波器SF对高频子带进行l级多方向分解，得到2l个大小与原图像相同的多方向子带。3.根据权利要求1所述的基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，步骤S2具体包括以下步骤：步骤S21：在模糊特性域处理图像中的像素，将低频子带图像从空间域映射到模糊域：其中，隶属度函数umn为：式中，m＝1,2,3,...,M；n＝1,2,3,...,N,参数Fp表示指数型模糊因子，Fe表示倒数型模糊因子；M表示图像的长度，N表示图像的宽度，Xmax表示图像中最大的灰度值，Xmn表示当前像素点的灰度值；步骤S23：接着，采用广义对比度增强算子，即：式中，q表示乘幂；步骤S24：进行G-1逆变换：步骤S25：采用改进的量子和声搜索算法对Fp、Fe和q进行寻优，其适应度函数为：y＝H×lg(C×D)；式中，y表示适应度函数，H为图像信息熵，C为图像对比度，D为图像清晰度。4.根据权利要求3所述的基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特...

【专利技术属性】
技术研发人员：廖一鹏，杨洁洁，陈诗媛，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35