一种基于自适应双变异差分进化算法的图像增强方法技术

本发明专利技术属于图像处理技术领域，具体公开了一种基于自适应双变异差分进化算法的图像增强方法

【技术实现步骤摘要】
一种基于自适应双变异差分进化算法的图像增强方法


[0001]本专利技术属于图像处理
，具体涉及一种基于自适应双变异差分进化算法的图像增强方法
。

技术介绍

[0002]图像在采集过程中，成像系统受外界光亮等因素的影响，获取的图像质量会有所下降，因此在将图像进一步分析之前需要将“降质”图像增强，提高原始图像的对比度和清晰度
。
常用的图像增强方法包括线性拉伸
、
直方图均衡化以及直方图规定化等，目的主要是增强图像全局的对比度以及改善图像的细节部分
。
然而通常情况下，不同的“降质”图像需要采用不同的变换函数对“降质”图像进行适度的增强
。
因此，
Tubbs
提出了一种归一化非完全
Beta
函数的图像增强方法
。
非完全
Beta
函数通过拟合图像调整各种非线性变换曲线，进而选取合理的最优参数值，然而该参数的选取缺乏自适应性和智能性，通常需要人工选取，成本高
、
效率低
。

技术实现思路

[0003]针对上述问题，本专利技术提供了一种基于自适应双变异差分进化算法的图像增强方法，将归一化非完全
Beta
函数应用于图像增强视为优化问题，自适应寻取
Beta
函数的最优参数值，既能提高图像增强的精度，又使得时间复杂度得到极大提高
。
[0004]本专利技术提出的技术方案为：一种基于自适应双变异差分进化算法的图像增强方法，具体步骤如下：步骤1：输入待增强的“降质”图像，获得“降质”图像的灰度直方图；步骤2：将“降质”图像进行归一化处理，使其图像的灰度值变换到
[0
，
1]区间内；步骤3：采用自定义的图像质量评价函数作为“降质”图像及增强后图像的适应度评价函数，得到初始差分进化种群的适应度值，将归一化得到的“降质”图像灰度值代入归一化的非完全
Beta
函数中，得到归一化的非完全
Beta
函数的最优值
。
[0005]评价函数形式为：，其中，，，；
。
[0006]其中，表示图像中细节的反差以及纹理特征，值越大表示图像越清晰；表示图像的对比度，值越大表示图像内容越丰富，图像质量越好；
w
是一个固定常数；
M
是“降质”图像的宽度，
N
是“降质”图像的高度，
M
×
N
表示“降质”图像的大小
。
[0007]本专利技术综合考虑清晰度和对比度两种评价准则函数定义适应度评价函数
Fitness
，更能充分验证图像增强的效果
。
[0008]步骤4：采用归一化的非完全
Beta
函数
F(x) （
0≤x≤1
），对归一化的图像进行增强变换；步骤5：根据图像的灰度值范围，将增强变换后的图像进行反归一化变换处理，得到输出的增强图像；步骤6：输出增强后的图像
。
[0009]在一种典型实施方式中，步骤1中，灰度直方图的获取方法具体为：用表示“降质”图像在像素点处的灰度值，读取“降质”图像各个像素点的灰度值，根据“降质”图像，统计各个灰度级
k
，
k
值的范围是0‑
255
，进而获得灰度直方图
。
[0010]在一种典型实施方式中，步骤1中，根据灰度直方图，对灰度级
k
出现的次数
T(k)
进行统计，得到“降质”图像的最大灰度值
T
max
和最小灰度值
T
min
。
[0011]在一种典型实施方式中，步骤2中，图像的灰度值变换到
[0
，
1]区间内，采用如下公式：，上述公式中，分别表示“降质”图像灰度值范围的最大值和最小值，灰度图像的灰度值范围是0‑
255。
[0012]在一种典型实施方式中，步骤3中，差分进化算法种群初始化后计算种群的适应度值，差分进化算法包括如下步骤：步骤
3.1
，读入“降质”图像的灰度直方图，设置种群的初始化参数值，在
D
维空间中随机生成
NP
个个体向量，利用如下公式生成：，上述公式中，表示第个个体向量，
、
分别表示初始种群第个个体的第代的上界和下界，表示随机生成一个（0，1）之间的数
。
[0013]种群初始化完成后，算法开始搜索的初始位置对应归一化非完全
Beta
函数的参数集合，利用自定义的质量评价函数计算初始种群个体向量的适应度值
。
[0014]步骤
3.2
，差分进化中的核心操作是变异策略，本专利技术基于种群中个体向量的适应度值，将种群划分为两个子种群，对于适应度值高的个体向量采用变异策略1，适应度值低的个体向量采用变异策略
2。
双变异策略能极大平衡算法的多样性和收敛性
。
[0015]子种群1存放适应度值高的个体向量，采用变异策略1，具体公式如下：
。
[0016]上述公式中，表示目标变异向量，表示第个个体向量，
、
以及表示第
r1、r2和第
r3个个体向量，
r1、r2和
r3是三个互不相等的随机整数，
F
为变异因子，是在子种群1中选取的前
d%
个个体向量中随机选择一个作为基向量，本专利技术中
d
参数的选取采用线性递减的函数，具体
d
参数的变化如下：
。
[0017]其中，
generations
代表总的迭代次数，
gen
是当前种群迭代次数
。d
参数的变化随着迭代次数的增加呈现递减趋势，算法迭代后期，种群中个体向量的适应度值逐渐集中在某一局部区域，此时算法要加速收敛，提高种群的局部寻优能力
。
[0018]子种群2存放适应度值低的个体向量，采用变异策略2，具体公式如下：
，上述公式中，
、、
以及表示第
r1、r2、r3和第
r4个个体向量，随机选择4个互不相同的整数
r1、r2、r3和
r4进行变异操作，提高种群多样性
。
[0019]步骤
3.3
，交叉操作采用二项式交叉操作，将变异生成的个体向量与父代个体向量进行交叉操作，进而生成试验个体向量，具体公式如下：，其中，，，为
[1
，
D1]上随机选择的一个整数，
CR
为交叉因子，为第个
、
第维的粒子
。
[0020]步骤
3.4
，选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于自适应双变异差分进化算法的图像增强方法，其特征在于，具体步骤如下：步骤1：输入待增强的“降质”图像，获得“降质”图像的灰度直方图；步骤2：将“降质”图像进行归一化处理，使其图像的灰度值变换到
[0
，
1]
区间内；步骤3：采用自定义的图像质量评价函数作为“降质”图像及增强后图像的适应度评价函数，得到初始差分进化种群的适应度值，将归一化得到的“降质”图像灰度值代入归一化的非完全
Beta
函数中，得到归一化的非完全
Beta
函数的最优值；评价函数形式为：，其中，，，；；其中，表示图像中细节的反差以及纹理特征，值越大表示图像越清晰；表示图像的对比度，值越大表示图像内容越丰富，图像质量越好；
w
是一个固定常数；
M
是“降质”图像的宽度，
N
是“降质”图像的高度，
M
×
N
表示“降质”图像的大小；步骤4：采用归一化的非完全
Beta
函数
F(x)
，对归一化的图像进行增强变换；步骤5：根据图像的灰度值范围，将增强变换后的图像进行反归一化变换处理，得到输出的增强图像；步骤6：输出增强后的图像
。2.
根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法，其特征在于，步骤1中，灰度直方图的获取方法具体为：用表示“降质”图像在像素点处的灰度值，读取“降质”图像各个像素点的灰度值，根据“降质”图像，统计各个灰度级
k
，
k
值的范围是0‑
255
，进而获得灰度直方图
。3.
根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法，其特征在于，步骤1中，根据灰度直方图，对灰度级
k
出现的次数
T(k)
进行统计，得到“降质”图像的最大灰度值
T
max
和最小灰度值
T
min
。4.
根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法，其特征在于，步骤2中，图像的灰度值变换到
[0
，
1]
区间内，采用如下公式：，上述公式中，分别表示“降质”图像灰度值范围的最大值和最小值，图像灰度值范围为0‑
255。5.
根据权利要求1所述的一种基于自适应双变异差分进化算法的图像增强方法，其特征在于，步骤3中，差分进化算法种群初始化后计算种群的适应度值，差分进化算法包括如下步骤：步骤
3.1
，读入“降质”图像的灰度直方图，设置种群的初始化参数值，在
D
维空间中随机生成
NP
个个体向量，利用如下公式生成：，上述公式中，表示第个个体向量，
、
分别表示初始种群第个个体的第代的上界和下界，表示随机生成一个（0，1）之间的数；步骤
3.2
，基于种群中个体向量的适应度值，将种群划分为两个子种群，对于适应度值...

【专利技术属性】
技术研发人员：朱宗娜，刘兆广，王宇，
申请(专利权)人：山东省工业技术研究院，
类型：发明
国别省市：