CN104123706A - 一种基于自适应免疫遗传算法的图像增强方法 - Google Patents

Abstract

本发明公开了一种基于自适应免疫遗传算法的图像增强方法，包括以下步骤：S1、对图像像素灰度为f(x,y)进行归一化处理得到n(x,y)；S2、对待优化参数进行编码，随机产生一组初始个体构成初始种群，并输入控制参数交叉概率p_c、变异概率p_m、群体规模N和最大运行代数G等；S3、判断进化代数t是否等于G，若符合则算法结束，输出最优解；否则转向下一步；S4、采用轮盘赌策略选择M个个体，对个体按照遗传操作中的交叉和变异方法进行交叉和变异操作；S5、选取两个疫苗和待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，同时对接种后的种群采用最优个体保留策略；S6、一组都对应一个非线性变换函数F(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)。

Description

一种基于自适应免疫遗传算法的图像增强方法

技术领域

本发明涉及图像增强技术领域，特别是涉及一种基于自适应免疫遗传算法的图像增强方法。 

背景技术

图像增强的目的在于：①采用一系列技术改善图像的视觉效果，提高图像的清晰度；②将图像转换成一种更适合于人或机器进行分析处理的形式。图像增强包括灰度级和对比度处理，噪声消除，边缘突起和锐化，滤波，插值和放大，以及伪色彩处理等。目前常用的增强技术可分为空域图像增强法和频域图像增强法两种。前者对图像像素直接处理，而后者先对图像进行傅里叶变换之后再进行处理。空域增强法包括灰度变换，直方图变换，图像中的脉冲噪声模型，邻域平均法，中值滤波和图像锐化等。频率域增强法通常包括频率域法通常分为高、低通滤波、频率带通和带阻滤波、同态滤波等。 

遗传算法由于具有高效、鲁棒性强，且不容易陷入局部最优等优 点，许多学者也将其应用到图像增强中。有研究者将遗传算法用于图像增强，使用图像的参数模型。将图像增强转化为参数的优化；有研究者基于染色体结构划分寻优空间对遗传算法进行改进，达到提高图像对比度的目的；有研究者利用Fibonacci数列对遗传算法的交叉概率及变异概率进行了改进,实现了在模糊域中利用遗传算法进行图像增强。有研究者基于人工免疫原理,采用针对图像质量评价效果的新适应度函数，包括方差、信息熵、紧致度、信噪改变量以及像素差别五要素，以上对图像增强的各种改进虽然都取得了一定的效果，但它们的共同点是改进都是单方面的，也就是说各种改进都是从不同的角度进行的，所以效果也不尽相同。而且大都存在适用面较窄、需要预先设置阀值、计算量较大等不足之处。因此，建立一种能够在复杂环境中保持图像中的细节信息及纹理特征，具备良好的自适应性及抗噪能力的图像增强算法，具有积极的意义。 

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于自适应免疫遗传算法的图像增强方法。 

本发明所采用的技术方案是：一种基于自适应免疫遗传算法的图像增强方法，包括以下步骤： 

S1、原图像像素灰度为f(x,y)，然后对其进行归一化处理得到n(x,y)； 

S2、按照AIGA抗体编码方法对待优化的两个参数进行编码， 随机产生一组初始个体构成初始种群，并输入控制参数交叉概率p_c、变异概率p_m、群体规模N和最大运行代数G；进行运算，产生种群X(t)； 

S3、判断种群X(t)进化代数t是否等于最大运行代数G，若符合则算法结束，输出最优解；否则转向下一步； 

S4、用适应度函数计算个体适应度；采用轮盘赌策略从种群X(t)中选择M个个体，对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作； 

S5、按AIGA算法疫苗选取方法选取两个疫苗，然后选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，同时，对接种后的种群采用最优个体保留策略； 

S6、一组对应一个非线性变换函数F(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)； 

进一步的，所述步骤S1中原图像像素灰度为f(x,y)，然后进行归一化处理得到n(x,y)，其中： 

$n(x,y)=\frac{f(x,y)-L_{\min }}{L_{\max }-L_{\min }}$

其中L_min和L_max分别为原图像灰度的最小值和最大值，n(x,y)∈[0,1]。 

进一步的，所述的AIGA抗体编码，设参数取值范围为[U₁,U₂]，用长度为k的二进制编码符号来表示，可产生2^k种不同的编码，其编码方式如下： 

其中： 

$\mathrm{\δ}=\frac{U_2-U_1}{2^k-1}.$

进一步的，所述的种群初始化方法，设一个抗体中变量个数为n，初始抗体规模为m，a_i和b_i分别为变量x_i的取值上限和下限，为第i个初始个体： 

$\begin{array}{cc}{X}_i^{\left(0\right)}={(x_{i1}^{\left(0\right)},x_{i2}^{\left(0\right)},...,x_{\mathrm{in}}^0)}^T& i\∈\{\mathrm{1,2},......,m\}\end{array}$

式中为第i个个体的第j个分量的初始值，j∈{1,2,…,n}； 

令r_ij为与第i个体第j个分量，是[0，1]区间内服从均匀分布的随机数，则初始抗体可按下式产生： 

$X^{\left(0\right)}=(X_1^{\left(0\right)},X_2^{\left(0\right)},......,X_m^{\left(0\right)})=A+r(B-A)$

其中： 

$A={\left(a_{\mathrm{ij}}\right)}_{n\×m}=\left[\begin{array}{cccc}{a}_1& a_1& ...& a_1\\ a_2& a_2& ...& a_2\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ a_n& a_n& ...& a_n\end{array}\right],$

$f=\left[\begin{array}{cccc}{r}_{11}& r_{21}& ...& r_{m1}\\ r_{12}& r_{22}& ...& r_{m2}\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ r_{1n}& r_{2n}& ...& r_{\mathrm{mn}}\end{array}\right],$

$B={\left(b_{\mathrm{ij}}\right)}_{n\×m}=\left[\begin{array}{cccc}{b}_1& b_1& ...& b_1\\ b_2& b_2& ...& b_2\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ b_n& b_n& ...& b_n\end{array}\right].$

进一步的，所述的适应度函数计算个体适应度方法为利用图像的信息熵E、图像方差F_ac、紧致度C、信噪改变量IN_c，达到图像的整体与局部，结构与细节协调平衡；适应度函数如下： 

fitness(·)＝E·IN_c·[F_ac+2.5C] 

其中： 

$E=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i$

P_i为第i级灰度出现的概率，当P_i＝0时，定义p_ilog₂p_i＝0； 

${\mathrm{IN}}_c=\underset{n\left(h\right)>\mathrm{Th}}{\mathrm{\Σ}}1$

IN_c表示灰度为h的像素个数大于给定阀值Th的数量； 

$F_{\mathrm{ac}}=\frac{1}{n}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{g}_{i,j}^2-{\left(\frac{1}{n}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{g}_{i,j}\right)}^2$

M、N为图像的长度和宽度，n＝M×N；紧致度C表示周长P的平方与面积A的比： 

$C=\frac{P^2}{A}$

P、A定义如下： 

$P=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}|{\mathrm{\μ}}_{i,j}-{\mathrm{\μ}}_{i,j+1}|+\underset{i=1}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|{\mathrm{\μ}}_{i,j}-{\mathrm{\μ}}_{i+1,j}|;$

$A=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\μ}}_{i,j}.$

进一步的，所述的采用轮盘赌策略从种群X(t)中选择M个个体，采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例；赌盘按照群体中个体数的值进行相应次数的旋转，从而始终保持群体的大小不变，个体被选中的概率取决于个体的相对适应度， 公式如下： 

$p_i=\frac{f_i}{\underset{1}{\overset{m}{\mathrm{\Σ}}}{f}_i}$

其中p_i为个体i被选中的概率，f_i为个体i的适应度，为群体的累加适应度。 

进一步的，所述的对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作，所述交叉操作：采用均匀交叉形成新个体，其过程是在交叉概率相同的前提下，交换配对个体对应的基因，其过程如下：随机生成屏蔽字W＝(w₁,w₂,w₃,…,w_l)，其中l为个体编码串的相应长度；按照下述的规则将一对父代染色体的基因进行交换：若w_i＝0，则两个父代染色体的第i个基因不变；若w_i＝1，则两个父代染色体的第i个基因相互交换生成新一代个体； 

所述变异操作：变异是以小概率对个体编码上的某个位置进行改变，进而生成新个体；对于给定的染色体位串s'＝a₁'a'₂…a'_L，具体步骤如下：给定变异概率p_m，随机产生x_i∈(0,1)；按照以下原则生成新的个体s'＝a₁'a'₂…a'_L，其中x_i是对应于每一个基因位产生的均匀随机变量x_i∈(0,1)。 

进一步的，所述按AIGA算法疫苗选取方法选取两个疫苗，包含以下步骤： 

①计算种群X(t)＝(x₁(t),x₂(t),...x_n,(t))中个体x_i(t)的适应度为f(x_i(t))； 

②令X(t)中最优个体的下标为k₁，即f(x_k1(t))取得最大值； 

③遍历整个种群X(t)，令p＝f(x_k1(t))-f(x_i(t))，记使p的值取得最小且不为0的个体下标为k₂，则为种群X(t)中的次优解； 

④选取和为两个疫苗。 

进一步的，所述的选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，包含以下步骤： 

T1、接种个体的选择，对种群X(t)中的个体适应度f(x_i(t))排序，计算种群平均适应度： 

$\stackrel{\‾}{f}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}f\left(x_i\left(t\right)\right)}{n}$

随机选择低于平均适应度的个体作为接种个体； 

T2、接种个体数和接种点数的选择，接种个体数： 

$s\left(t\right)=\frac{N}{1+\ln (1+N\·e^{-t})}$

其中，t表示当前代数，N表示当前代种群的个体数； 

接种点数： 

p(t)＝L*e^-t

L表示个体编码长度； 

T3、接种后抗体的选择方法，选取x_k1(t)和x_k2(t)为两个疫苗，假设选取的待接种个体为x_m(t)，通过在接种点的周围选取最近的点注入疫苗，接种后产生两个抗体分别为和，选取f(x_m(t))， 中大者为抗体。 

进一步的，所述步骤S5中的一组对应一个非线性变换函数 F(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)；其中： 

g(x,y)＝L_min+(L_max-L_min)F(n(x,y))。 

与现有技术相比，本发明的有益效果是： 

通过用一种自适应免疫遗传算法应用到图像的增强处理，发明了一种新的非线性图像增强方法。利用新的免疫疫苗选择策略和免疫操作方法，自动寻找图像非线性增强函数的最佳变换参数，从而增强图像的对比度和细节，达到图像增强的效果。 

附图说明

图1为一种基于自适应免疫遗传算法的图像增强方法的流程图； 

图2a、2c、2e、2g为未变换之前图像的直方图； 

图2b、2d、2f、2h为图2a、2c、2e、2g相对应变换后图像直方图； 

图3为IGA与AIGA图像增强适应度值对比； 

图4为父代染色体的基因进行交换图。 

具体实施方式

下面结合附图对本发明进一步说明。 

本发明所采用的技术方案是：一种基于自适应免疫遗传算法的图像增强方法包括： 

S1、假设原图像像素灰度为f(x,y)，然后进行归一化处理得到 n(x,y)；其中： 

$n(x,y)=\frac{f(x,y)-L_{\min }}{L_{\max }-L_{\min }}$

其中L_min和L_max分别为原图像灰度值的最小值和最大值，显然n(x,y)∈[0,1]； 

S2、按照AIGA抗体编码及种群初始化方法，初始化算法各参数，对待优化的两个参数进行编码，随机产生一组初始个体构成初始种群，并输入控制参数交叉概率p_c、变异概率p_m、群体规模N和最大运行代数G等，进行运算，得到种群X(t)，判断种群X(t)的进化代数t是否等于最大运行代数G，若符合则算法结束，输出最优解；否则转向下一步； 

S3、用适应度函数计算个体适应度；采用轮盘赌策略在种群X(t)中选择M个个体，对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作； 

S4、按AIGA算法疫苗选取方法选取两个疫苗，然后选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，同时，对接种后的种群采用最优个体保留策略； 

S5、一组都对应一个非线性变换函数F(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)； 

AIGA抗体编码，包含以下步骤： 

编码：设参数取值范围为[U₁,U₂]，用长度为k的二进制编码符号来表示，可产生2^k种不同的编码，其编码方式如下： 

其中： 

$\mathrm{\δ}=\frac{U_2-U_1}{2^k-1}$

解码：假设某一个抗体的编码为b_kb_k-1b_k-2…b₂b₁，则对应的解码公式为： 

$X=U_1+(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{b}_i\·2^{i-1})\·\frac{U_2-U_1}{2^k-1}$

种群初始化方法：设一个抗体中变量个数为n，初始抗体规模为m，a_i和b_i分别为变量xi的取值上限和下限，为第i个初始个体： 

$\begin{array}{cc}{X}_i^{\left(0\right)}={(x_{i1}^{\left(0\right)},x_{i2}^{\left(0\right)},...,x_{\mathrm{in}}^0)}^T& i\∈\{\mathrm{1,2},......,m\}\end{array}$

式中为第i个个体的第j个分量的初始值，j∈{1,2,…,n}。 

令r_ij为与第i个体第j个分量，是[0，1]区间内服从均匀分布的随机数，则初始抗体可按下式产生： 

$X^{\left(0\right)}=(X_1^{\left(0\right)},X_2^{\left(0\right)},......,X_m^{\left(0\right)})=A+r(B-A)$

其中： 

$A={\left(a_{\mathrm{ij}}\right)}_{n\×m}=\left[\begin{array}{cccc}{a}_1& a_1& ...& a_1\\ a_2& a_2& ...& a_2\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ a_n& a_n& ...& a_n\end{array}\right],$

$f=\left[\begin{array}{cccc}{r}_{11}& r_{21}& ...& r_{m1}\\ r_{12}& r_{22}& ...& r_{m2}\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ r_{1n}& r_{2n}& ...& r_{\mathrm{mn}}\end{array}\right],$

$B={\left(b_{\mathrm{ij}}\right)}_{n\×m}=\left[\begin{array}{cccc}{b}_1& b_1& ...& b_1\\ b_2& b_2& ...& b_2\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ b_n& b_n& ...& b_n\end{array}\right],$

适应度函数计算个体适应度：利用图像的信息熵E、图像方差F_ac、紧致度C、信噪改变量IN_c，达到图像的整体与局部，结构与细节协调平衡。适应度函数如下： 

fitness(·)＝E·IN_c·[F_ac+2.5C] 

其中： 

$E=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i$

P_i为第i级灰度出现的概率，当P_i＝0时，定义p_ilog₂p_i＝0。 

${\mathrm{IN}}_c=\underset{n\left(h\right)>\mathrm{Th}}{\mathrm{\Σ}}1$

IN_c表示灰度为h的像素个数大于给定阀值Th的数量。IN_c越大，表明图像增强后损失的越少，保留下来的层次越多。 

$F_{\mathrm{ac}}=\frac{1}{n}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{g}_{i,j}^2-{\left(\frac{1}{n}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{g}_{i,j}\right)}^2$

M、N为图像的长度和宽度，n＝M×N，F_ac越大，图像对比度越大。紧致度C表示周长P的平方与面积A的比： 

$C=\frac{P^2}{A}$

P、A定义如下： 

$P=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}|{\mathrm{\μ}}_{i,j}-{\mathrm{\μ}}_{i,j+1}|+\underset{i=1}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|{\mathrm{\μ}}_{i,j}-{\mathrm{\μ}}_{i+1,j}|$

$A=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\μ}}_{i,j}$

采用轮盘赌策略选择M个个体：采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例。赌盘按照群体中个体数的值进行相应次数的旋转，从而始终保持群体的大小不变。个体被选中的概率取决于个体的相对适应度，公式如下： 

$p_i=\frac{f_i}{\underset{1}{\overset{m}{\mathrm{\Σ}}}{f}_i}$

其中p_i为个体i被选中的概率，f_i为个体i的适应度，为群体的累加适应度。 

显然，个体适应度愈高，被选中的概率愈大。但是，适应度小的个体也有可能被选中，以便增加下一代群体的多样性。 

对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作： 

交叉算子：采用均匀交叉形成新个体，其过程是在交叉概率相同的前提下，交换配对个体对应的基因，其主要过程如下： 

1)随机生成屏蔽字W＝(w₁,w₂,w₃,…,w_l)，其中l为个体编码串的相应长度； 

2)按照下述的规则将一对父代染色体的基因进行交换：若w_i＝0，则两个父代染色体的第i个基因不变；若w_i＝1，则两个父代染色体的第i个基因相互交换生成新一代个体；如图4所示。 

变异算子：变异是以小概率对个体编码上的某个位置进行改变，进而生成新个体。 

对于给定的染色体位串s'＝a₁'a'₂…a'_L，具体步骤如下： 

1)给定变异概率p_m，随机产生x_i∈(0,1)； 

2)按照以下原则生成新的个体s'＝a₁'a'₂…a'_L，其中x_i是对应于每一个基因位产生的均匀随机变量x_i∈(0,1)。 

为了保持种群多样性，本文还设计出如下自适应变异率： 

$p_m\left(t\right)+p_m+\frac{f(t-1)}{f\left(t\right)}*\mathrm{ne}$

其中：t表示当前代数；p_m表示预先设定的突变率，一般p_m∈[0.010.1]；f(t-1)表示上一代种群的最佳适应度值；f(t)表示当代种群的最佳适应度值；ne表示自上次进化以来至当前代为止连续未进化的代数，即当f(t-1)＝f(t)时，ne＝ne+1。 

按AIGA算法疫苗选取方法选取两个疫苗： 

由于适应度相同或相差不大的个体其包含的模式可能相差极大，一般情况下，仅选择当代最优个体作为疫苗，在对种群进化方向进行指导的同时，会以较大的概率带来误导作用，易使种群搜索陷入局部最优解。因此针对其不足，本方法选取当代种群中两个较优个体作为注射疫苗，这样可以使得接种后的个体即抗体包含有用的模式，使其向优良个体的方向靠拢，对搜索具有一定的指导作用，从而能够加快收敛速度，有效抑制由于单个疫苗带来的误差作用，为抗体的进化提供多个方向，具体步骤如下： 

①计算种群X(t)＝(x₁(t),x₂(t),...x_n,(t))中个体x_i(t)的适应度f(x_i(t)) 

②令X(t)中最优个体的下标为k₁，即f(x_k1(t))取得最大值。 

③遍历整个种群X(t)，令p＝f(x_k1(t))-f(x_i(t))，记使p的值取得 最小且不为0的个体下标为k₂，则为种群X(t)中的次优解。 

④选取和为两个疫苗。 

免疫操作将选出的优良疫苗对种群中的个体进行接种，以增强种群的整体性能。免疫操作有两种类型：全免疫和目标免疫。要找到适用于整个抗原(即全局问题求解)的疫苗极为困难，本方法采用目标免疫，即考虑局部最佳调整，在某一处或几处发生免疫反应。 

接种个体的选择： 

对种群X(t)中的个体适应度f(x_i(t))排序，计算种群平均适应度： 

$\stackrel{\‾}{f}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}f\left(x_i\left(t\right)\right)}{n}$

随机选择低于平均适应度的个体作为接种个体。 

接种个体数和接种点数的选择： 

在AIGA遗传操作初期，为加快算法的收敛速度，进行免疫操作时，应当适当增加注射点的个数，尽快淘汰适应度较差的个体，同时为了保持种群多样性，接种点数目应适当减少。到进化中后期，为保证种群收敛，注射点数应适当减少，同时，为了避免算法停滞，待接种个体数应适当增加。 

接种个体数： 

$s\left(t\right)=\frac{N}{1+\ln (1+N\·e^{-t})}$

其中，t表示当前代数，N表示当前代种群的个体数。 

接种点数： 

p(t)＝L*e^-t

L表示个体编码长度。 

接种后抗体的选择方法： 

选取x_k1(t)和x_k2(t)为两个疫苗，假设选取的待接种个体为x_m(t)，通过在接种点的周围选取最近的点注入疫苗，接种后产生两个抗体分别为和选取f(x_m(t))，中大者为抗体。 

一组对应一个非线性变换函数F(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)；其中： 

g(x,y)＝L_min+(L_max-L_min)F(n(x,y))。 

算法的参数设置如下：最大进化代数G＝100，种群规模N＝30，交叉概率为0.95，变异概率为0.05。采用本文算法分别对井下低亮度、高亮度、低对比度和高对比度的四幅图像进行增强处理，并进行对比分析，目的是改善井下图像的主观和客观效果，保持图像中的细节信息及纹理特征，同时验证本文算法的有效性和稳定性。 

实验结果如下： 

图2a为低亮度图像的直方图，其中直方图的组成成分集中在灰度级低(暗)的一侧，图2b为本文算法处理后的直方图，处理后的图像在图像对比度上都有了显著的提高，从处理后的直方图中可以看出，图像的灰度分布更为均匀，范围也不再局限于灰度级低(暗)的一侧。 

图2c为高亮度图像的直方图，直方图集中在灰度级高的一侧，图2d为本文算法处理后的直方图，处理后的图像在图像对比度上都有了显著的提高，从处理后的直方图中可以看出，图像的灰度分布更为均匀，范围也不再局限于灰度级高的一侧。 

图2e为低对比度图像的直方图，图像的直方图窄而集中于灰度级的中部,灰度较淡。图2f为本文算法处理后的直方图，处理后的图像在图像对比度上都有了显著的提高，从处理后的直方图中可以看出，图像的灰度分布更为均匀，范围也不再局限于灰度级的中部。 

图2g为高亮度图像的直方图，直方图的成分覆盖了灰度级很宽的范围,而且像素的分布没有太不均匀，只有少量垂线比其它的高许多。图2h为本文算法处理后的直方图，处理后的图像在图像对比度上都有了显著的提高，从处理后的直方图中可以看出，图像的灰度分布更为均匀。 

为了验证本文算法的性能，将基于本文自适应免疫遗传算法(AIGA)与传统免疫遗传算法(IGA)的图像增强进行对比，见表1。 

表1 IGA和AIGA图像增强适应度值对比 

进化代数	10	20	30	40	50	60	70
								AIGA	70.1	69.5	68.1	68	67.5	67.5	67.5
IGA	68.5	67.8	67.4	67.5	67.1	66.4	66.4

自适应免疫遗传算法与免疫遗传算法的结果对比见图3。结合表1和图3中的IGA与AIGA对比，可见AIGA能更快更稳定地收敛到最优解，可见自适应免疫遗传算法能够实现井下复杂环境下的图像增强，较好地改变原免疫遗传算法的全局搜索性能，大大提高了算法收敛速度，能够在实际应用中取得良好效果。 

通过用一种自适应免疫遗传算法应用到图像的增强处理，发明了一种新的非线性图像增强方法。利用新的免疫疫苗选择策略和免疫操 作方法，自动寻找图像非线性增强函数的最佳变换参数，从而增强图像的对比度和细节，达到图像增强的效果。 

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (10)

1.一种基于自适应免疫遗传算法的图像增强方法，其特征在于，包括以下步骤： 

S1、原图像像素灰度为f(x,y)，然后对其进行归一化处理得到n(x,y)； 

S2、按照AIGA抗体编码方法对待优化的两个参数进行编码，随机产生一组初始个体构成初始种群，并输入控制参数交叉概率p_c、变异概率p_m、群体规模N和最大运行代数G；进行运算，产生种群X(t)； 

S3、判断种群X(t)进化代数t是否等于最大运行代数G，若符合则算法结束，输出最优解；否则转向下一步； 

S4、用适应度函数计算个体适应度；采用轮盘赌策略从种群X(t)中选择M个个体，对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作； 

S5、按AIGA算法疫苗选取方法选取两个疫苗，然后选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，同时，对接种后的种群采用最优个体保留策略； 

S6、一组对应一个非线性变换函数F(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)。 

2.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增 强方法，其特征在于，所述步骤S1中原图像像素灰度为f(x,y)，然后进行归一化处理得到n(x,y)，其中： 

其中L_min和L_max分别为原图像灰度的最小值和最大值，n(x,y)∈[0,1]。 

3.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述的AIGA抗体编码，设参数取值范围为[U₁,U₂]，用长度为k的二进制编码符号来表示，可产生2^k种不同的编码，其编码方式如下： 

其中： 

4.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述的种群初始化方法，设一个抗体中变量个数为n，初始抗体规模为m，a_i和b_i分别为变量x_i的取值上限和下限， 为第i个初始个体： 

式中为第i个个体的第j个分量的初始值，j∈{1,2,…,n}； 

令r_ij为与第i个体第j个分量，是[0，1]区间内服从均匀分布的随机 数，则初始抗体可按下式产生： 

其中： 

5.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述的适应度函数计算个体适应度方法为利用图像的信息熵E、图像方差F_ac、紧致度C、信噪改变量IN_c，达到图像的整体与局部，结构与细节协调平衡；适应度函数如下： 

fitness(·)＝E·IN_c·[F_ac+2.5C] 

其中： 

P_i为第i级灰度出现的概率，当P_i＝0时，定义p_ilog₂p_i＝0； 

IN_c表示灰度为h的像素个数大于给定阀值Th的数量； 

M、N为图像的长度和宽度，n＝M×N；紧致度C表示周长P的平方与面积A的比： 

P、A定义如下： 

6.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述的采用轮盘赌策略从种群X(t)中选择M个个体，采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例；赌盘按照群体中个体数的值进行相应次数的旋转，从而始终保持群体的大小不变，个体被选中的概率取决于个体的相对适应度，公式如下： 

其中p_i为个体i被选中的概率，f_i为个体i的适应度，为群体的累加适应度。 

7.根据权利要求6所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述的对选中的M个个体按照AIGA算法遗传操作中的交叉和变异方法进行交叉和变异操作，所述交叉操作：采 用均匀交叉形成新个体，其过程是在交叉概率相同的前提下，交换配对个体对应的基因，其过程如下：随机生成屏蔽字W＝(w₁,w₂,w₃,…,w_l)，其中l为个体编码串的相应长度；按照下述的规则将一对父代染色体的基因进行交换：若w_i＝0，则两个父代染色体的第i个基因不变；若w_i＝1，则两个父代染色体的第i个基因相互交换生成新一代个体； 

所述变异操作：变异是以小概率对个体编码上的某个位置进行改变，进而生成新个体；对于给定的染色体位串s'＝a'₁a'₂…a'_L，具体步骤如下：给定变异概率p_m，随机产生x_i∈(0,1)；按照以下原则生成新的个体s'＝a'₁a'₂…a'_L，其中x_i是对应于每一个基因位产生的均匀随机变量x_i∈(0,1)。 

8.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述按AIGA算法疫苗选取方法选取两个疫苗，包含以下步骤： 

①计算种群X(t)＝(x₁(t),x₂(t),...x_n，(t))中个体x_i(t)的适应度为f(x_i(t))； 

②令X(t)中最优个体的下标为k₁，即f(x_k1(t))取得最大值； 

③遍历整个种群X(t)，令p＝f(x_k1(t))-f(x_i(t))，记使p的值取得最小且不为0的个体下标为k₂，则为种群X(t)中的次优解； 

④选取x_k1(t)和为两个疫苗。 

9.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述的选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，包含以下步骤： 

T1、接种个体的选择，对种群X(t)中的个体适应度f(x_i(t))排序，计算种群平均适应度： 

随机选择低于平均适应度的个体作为接种个体； 

T2、接种个体数和接种点数的选择，接种个体数： 

其中，t表示当前代数，N表示当前代种群的个体数； 

接种点数： 

p(t)＝L*e^-t

L表示个体编码长度； 

T3、接种后抗体的选择方法，选取x_k1(t)和x_k2(t)为两个疫苗，假设选取的待接种个体为x_m(t)，通过在接种点的周围选取最近的点注入疫苗，接种后产生两个抗体分别为和，选取f(x_m(t))，f()，f()中大者为抗体。 

10.根据权利要求1所述的一种基于自适应免疫遗传算法的图像增强方法，其特征在于，所述步骤S5中的一组对应一个非线性变换函数F(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)；其中： 

g(x,y)＝L_min+(L_max-L_min)F(n(x,y))。