CN110084760A - 一种基于双伽马校正的全局自适应灰度图像增强方法 - Google Patents
一种基于双伽马校正的全局自适应灰度图像增强方法 Download PDFInfo
- Publication number
- CN110084760A CN110084760A CN201910331737.4A CN201910331737A CN110084760A CN 110084760 A CN110084760 A CN 110084760A CN 201910331737 A CN201910331737 A CN 201910331737A CN 110084760 A CN110084760 A CN 110084760A
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- image
- fitness
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 68
- 238000012937 correction Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 163
- 230000002708 enhancing effect Effects 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 230000002401 inhibitory effect Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000005021 gait Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000005286 illumination Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双伽马校正的全局自适应灰度图像增强方法，采用粒子群优化算法结合图像双伽马函数进行全局双伽马校正，主要步骤为：输入灰度图像并对粒子群优化算法参数初始化；采用每个粒子位置对输入图像执行双伽马校正获得初步增强图像，并计算对应适应度值，更新粒子个体和群体历史最优适应度值和最优位置；判断是否满足迭代寻优终止条件，不满足则更新各粒子惯性权重、学习因子、速度和位置并继续迭代；否则使用最终群体最优位置对输入图像进行双伽马校正、获得最终增强图像。本发明对低照度灰度图像增强时，能有效提升图像的对比度，同时避免局部亮区域的过度增强，增强后的灰度图像的纹理和细节信息清晰完整，提高了整体视觉效果。
Description
技术领域
本发明涉及灰度图像处理技术领域，尤其涉及一种低照度光照不均条件下图像增强方法。
背景技术
现实生活中，由于光照条件不足，经常会产生非均匀照明的低照度灰度图像，这样的图像首先给人带来视觉上的不舒适，因为这些图像存在被分析对象细节差别不明显、光照不均和目标难以识别等问题，同时也不利于后续的图像处理工作，为了改善这类图像的视觉效果，有必要对它们进行图像增强。
图像增强可分为全局增强和局部增强。全局增强如直方图均衡算法(histogramequalization，HE)算法通常会对较亮局部区域过度增强，导致图像高亮度区域扩散、高照度区域细节丢失等问题；局部增强如限制对比度的自适应直方图均衡算法(contrastlimited adaptive histogram equalization，CLAHE)在感兴趣的区域中提供了更大的对比度增强，然而，对暗部细节增强效果不佳、通常还会产生较多噪点，因此会降低观看舒适度。非均匀照明低照度灰度图像增强在图像处理领域始终是一个挑战，研究一种针对低照度光照不均条件下的图像增强方法，是急需解决的问题。
发明内容
针对照度不均、整体对比度低的灰度图像，为了解决现有方法对图像增强时出现的细节增强不明显以及局部亮区域的过度增强问题，本发明提出了一种基于双伽马校正的全局自适应灰度图像增强方法，将群体智能技术与对比度增强技术相结合，采用粒子群优化算法结合双伽马校正方法进行全局校正，并将灰度标准方差融入评价函数，结合熵和边缘内容构建评价函数，采用适时调整学习因子的方法更新粒子速度和位置、避免算法出现早熟收敛现象、防止粒子陷入局部最优，寻找最优双伽马校正参数，根据客观标准获得最佳增强灰度图像，能够有效提升图像的对比度，对低对比度的灰度图像达到更自然的增强效果，明显改善图像中的高亮区域。
本发明所要解决的技术问题在于克服现有技术的不足，提供一种低照度光照不均条件下图像增强方法，解决现有图像增强技术无法满足由光照不均所造成的图像局部亮区域的过度增强以及暗部细节增强效果不佳、噪点较多等问题。
本发明具体采用以下技术方案解决上述技术问题：
S1、输入并读取原始低照度条件下的非均匀照明灰度图像；
S2、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；
S3、利用每个粒子的位置作为校正参数对灰度图像进行双伽马校正，得到各个粒子的初步增强图像；
S4、将初步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；
S5、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；
S6、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；
S7、判断是否满足迭代寻优终止条件，若满足，执行步骤S9，否则，执行步骤S8；
S8、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S3；
S9、输出粒子群的群体最优位置，结束迭代过程；
S10、使用步骤S9得到的群体最优位置作为最优校正参数对输入灰度图像进行双伽马校正，得到并输出最终增强后的图像。
优选的，所述步骤S2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。
优选的，所述步骤S3双伽马校正的实现方法为：
其中，x是归一化之后输入图像的灰度值，γ是可调节变量，用以调整图像增强程度，一般取γ＝2.5。Ga(x)是一个凸函数，用于增强暗区域。Gb(x)是一个凹函数，用于抑制图像的亮区域。校正参数α的取值为迭代过程中所得的粒子位置，取值范围为[0，1]，G(x)为灰度图像中像素值为x的灰度值经过双伽马校正后得到的增强图像的灰度值。
优选的，所述步骤S2的初始化过程为：
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T；
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。
优选的，所述S4的每个粒子的适应度值fitness的计算步骤为：
S41、初步增强图像Ii的熵值Hi为：其中，p(j)是初步增强图像Ii灰度值为j的像素所占的比例，其中，kj为初步增强图像Ii中灰度值为j的像素点的数量，Ti是初步增强图像Ii中的像素总数，i的范围为i＝1，2，...，N，N为粒子群粒子个数；
S42、初步增强图像Ii的边缘内容Si为：其中，n_edges(Ei)表示初步增强图像Ii中的边缘像素的数量；
S43、计算初步增强图像Ii的灰度标准方差Stdi；
S44、粒子i的适应度值fitnessi为：fitnessi＝α1×Hi+α2×Si+α3×Stdi，其中，α1、α2和α3为常数。
优选的，所述S5的粒子群中每个粒子的个体历史最优适应度值和个体最优位置的更新方法为：若粒子i的个体历史最优适应度值fitnesspbest小于步骤S44中的适应度值fitnessi，则更新个体历史最优适应度值fitnesspbest，即将粒子i的适应度值fitnessi赋值给个体历史最优适应度值fitnesspbest，并将该个体历史最优适应度值fitnesspbest对应的粒子的位置作为该粒子i的个体最优位置pbest。
优选的，所述S6的粒子群的群体历史最优适应度值和群体最优位置的更新方法为：若群体历史最优适应度值fitnessgbest小于粒子群的个体适应度值fitnesspbest中的最大值，则更新群体历史最优适应度值fitnessgbest，即将粒子群所有粒子个体历史最优适应度值fitnesspbest中的最大值赋值给群体历史最优适应度值fitnessgbest，并将该群体历史最优适应度值fitnessgbest对应的粒子的位置作为群体最优位置gbest。
优选的，所述步骤S7的迭代寻优终止条件为：连续3次所得群体最优位置gbest相同或迭代次数已达到最大迭代次数T。
优选的，所述S8中的惯性权重、学习因子、速度和位置的更新方法为：
S81、粒子的惯性权重通过进行更新，其中，t为当前迭代次数，ωt为第t次迭代的惯性权重，ωmax为最大惯性权重，ωmin为最小惯性权重，T为最大迭代次数；
S82、学习因子c1通过c1＝c1a-0.01×(c1a-c1b)×t进行更新，其中，c1a为学习因子c1的迭代初始值，c1b为学习因子c1的迭代最终值，学习因子c2的更新：c2＝c2a+0.01×(c2b-c2a)×t，其中，c2a为学习因子c2的迭代初始值，c2b为学习因子c2的迭代最终值；
S83、粒子的速度通过vi(t+1)＝ωtvi(t)+c1r1[pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)]进行更新，其中，ωt表示更新后的惯性权重，r1和r2是[0，1]内的随机数，vi(t+1)表示粒子i的更新后的速度，pbest(t)为t次迭代时粒子的个体最优位置，gbest(t)为t次迭代时的群体最优位置；
S83、粒子的速度通过vi(t+1)＝ωtvi(t)+c1r1[pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)]进行更新，其中，ωt表示更新后的惯性权重，r1和r2是[0，1]内的随机数，vi(t+1)表示粒子i的更新后的速度，pbest(t)为t次迭代时的粒子i的个体最优位置，gbest(t)为t次迭代时的群体最优位置；
S84、粒子的位置通过xi(t+1)＝xi(t)+vi(t+1)进行更新，其中，xi(t+1)表示粒子i的更新后的位置，xi(t+1)将作为进入下一次迭代时步骤S3对应粒子i的双伽马校正的校正参数。
本发明所达到的有益效果：本发明是一种基于双伽马校正的全局自适应灰度图像增强方法，在保证纹理细节信息完整性的同时，实现低照度光照不均条件下图像增强，解决了图像局部亮区域的过度增强以及暗部细节增强效果不佳、噪点较多的技术问题。本发明无需手工调整参数，不需要光照先验知识，能够根据图像特点自适应分析最佳调整参数，增强后，灰度图像整体纹理和细节清晰完整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中基于双伽马校正的全局自适应灰度图像增强方法流程图；
图2为本发明的评价函数计算流程图；
图3为不同的α值所对应的双伽马函数曲线变化；
图4为本发明一较佳实施例中的灰度图像增强结果对比图，其中，(a)为原始图像，(b)为HE的输出结果，(c)为AHE的输出结果，(d)为LCS的输出结果，(e)为传统PSO的输出结果，(f)为CLAHE的输出结果，(g)为本发明的输出结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于双伽马校正的全局自适应灰度图像增强方法流程图如图1所示，采用粒子群优化算法结合图像双伽马校正方法进行全局伽马校正，将图像灰度标准方差、图像熵值和图像边缘内容相融合构建评价函数，并采用适时调整学习因子的方法更新粒子速度和位置，避免优化算法出现早熟收敛、防止粒子陷入局部最优，寻找全局最优校正参数α值，增强灰度图像，包括如下步骤：
S1、输入并读取低照度条件下的非均匀照明图像I，具体实现为：利用matlab中的函数imread读取输入的原始灰度图像；
S2、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，并设置最大迭代次数，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；
S21、PSO初始化参数包括：初始化种群个数N＝40，惯性权重ω最大值ωmax为0.9和最小值ωmin为0.4，学习因子c1的迭代初始值c1a＝2.75，学习因子c1的迭代最终值c1b＝1.25，学习因子c2的迭代初始值c2a＝0.5，学习因子c2的迭代最终值c2b＝2.25，最大迭代T＝20，代表客观评价函数的相对重要性的常数系数α1、α2、α3均为1/3；
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，将所有粒子位置x随机设置[0，1]之间，所有粒子速度随机设置在[-1，1]之间；
S23、利用评价函数计算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，图像熵值、图像边缘内容和图像灰度标准方差这三个测试函数可以较为全面的反映粒子群算法在各种场景设置下的优化性能，因此，粒子适应值越大表示作为双伽马校正参数的粒子位置越好；粒子适应度值的初始化：在区间[0，1]范围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，计算获得粒子的适应度值的初始值为fitness0；
S24、初始化个体最优值和群体最优值：引用步骤S23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。
S3、利用每个粒子的位置作为校正参数对输入灰度图像I进行双伽马校正得到各个粒子的初步增强图像；
具体地，按照如下公式对输入灰度图像I进行双伽马校正。
其中，x是归一化之后输入图像的灰度值，γ是可调节变量，用以调整图像增强程度，本发明取γ＝2.5。Ga(x)是一个凸函数，用于增强暗区域，Gb(x)是一个凹函数，用于抑制图像的亮区域，校正参数α的取值为迭代过程中所得的粒子位置，范围为[0，1]，首次迭代时校正参数α取粒子初始化位置，G(x)为灰度图像归一化之后像素值为x的灰度值经过伽马校正后得到的增强图像的灰度值。
参见图3，通过参数α的调节，可使暗区域增强与亮区域抑制之间保持平衡，参数α的大小直接决定了图像增强的好坏。对所述低照度条件下的非均匀照明图像进行处理时，包括以下步骤：
S31、对图像进行归一化处理，将其像素值范围调整到[0，1]之间。
S32、使用双伽马调整函数G(x)进行图像增强，得到初步增强图像。
S33、将其像素值范围调整到[0，255]之间。
S4、将初步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；
如图2所示，粒子种群的粒子i的适应度值fitnessi的具体计算步骤为：
S41、初步增强图像Ii的熵值Hi为：其中，p(j)是初步增强图像Ii灰度值为j的像素所占的比例，其中，Ti是初步增强图像Ii中的像素总数，对于大小为n×m的初步增强图像Ii，初步增强图像Ii的像素总数为n×m，也即，Ti＝n×m，kj为初步增强图像Ii中灰度值为j的像素点的数量，i的范围为i＝1，2，...，N，N为粒子群粒子个数；
S42、初步增强图像Ii的边缘内容Si为：其中，n_edges(Ei)表示初步增强图像Ii经过Canny边缘检测算子所得的边缘像素的数量，具体为先调用Canny函数将增强图像Ii边缘化，利用matlab函数sum针对边缘化后的图像计算出所有边缘像素的数量n_edges(Ei)，Ti是中间增强图像Ii中的像素总数；
S43、初步增强图像Ii的灰度标准方差Stdi：利用matlab中的函数std2对中间增强图像Ii计算标准差，然后求平方即为增强图像的灰度标准方差，注意在计算标准差之前需要把uint8型图像Ii转换为double型图像Oi，再去计算标准差，否则无法计算相关统计量；
S44、粒子i的适应度值fitnessi为：fitnessi＝α1×Hi+α2×Si+α3×Stdi，其中，α1、α2和α3为常数，典型的将α1＝α2＝α3＝1/3；
S5、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；具体为：若粒子i的个体历史最优适应度值fitnesspbest小于步骤S44中的适应度值fitnessi，则更新个体历史最优适应度值fitnesspbest，即将粒子i的适应度值fitnessi赋值给个体历史最优适应度值fitnesspbest，并将该个体历史最优适应度值fitnesspbest对应的粒子的位置(双伽马校正参数)作为该粒子的个体最优位置pbest；
S6、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；具体为：若群体历史最优适应度值fitnessgbest小于粒子群的个体适应度值fitnesspbest中的最大值，则更新群体历史最优适应度值fitnessgbest，即将粒子群所有粒子个体历史最优适应度值fitnesspbest中的最大值赋值给群体历史最优适应度值fitnessgbest，并将该群体历史最优适应度值fitnessgbest对应的粒子的位置(双伽马校正参数)作为群体最优位置gbest。
S7、判断是否满足迭代寻优终止条件，若满足终止条件则停止计算执行步骤S9，否则继续执行步骤S8；迭代寻优终止条件为：连续3次所得群体最优位置gbest相同或迭代次数已达到最大迭代次数T。
S8、更新粒子惯性权重、学习因子，将粒子朝着惯性方向、个体最优及全局最优的方向演化，更新粒子的速度和位置，跳转至步骤S3；
更新每个粒子的惯性权重、学习因子、速度和位置的方法为：
S81、粒子的惯性权重通过进行更新，其中，t为当前迭代次数，ωt为第t次迭代的惯性权重，ωmax为最大惯性权重，ωmin为最小惯性权重，T为最大迭代次数；
S82、学习因子c1通过c1＝c1a-0.01×(c1a-c1b)×t进行更新，其中，c1a为学习因子c1的迭代初始值，c1b为学习因子c1的迭代最终值，学习因子c2的更新：c2＝c2a+0.01×(c2b-c2a)×t，其中，c2b为学习因子c2的迭代初始值，c2b为学习因子c2的迭代最终值；
S83、粒子i的速度通过vi(t+1)＝ωtvi(t)+c1r1[pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)]进行更新，其中，ωt表示更新后的惯性权重，r1和r2是[0，1]内的随机数，vi(t+1)表示粒子i的更新后的速度，pbest(t)为t次迭代时粒子i的个体最优位置，gbest(t)为t次迭代时的群体最优位置；
S84、粒子i的位置通过xi(t+1)＝xi(t)+vi(t+1)进行更新，其中，xi(t+1)表示粒子i的更新后的位置，xi(t+1)将作为进入下一次迭代时步骤S3对应粒子i的双伽马校正的校正参数。
S9、输出粒子群的群体最优位置gbest，结束迭代寻优过程；
S10、使用步骤S9得出的群体最优位置gbest作为最优校正参数α带入双伽马校正对灰度图像I进行校正，得到并输出最终增强后的图像；本步骤中双伽马校正的方法同步骤S3，只需选择不同的校正参数(群体最优位置gbest)即可，校正参数α控制图像增强效果好坏程度。
在本发明的一种实施例中，从大量低照度条件下的非均匀照明灰度图像中选取一个场景来进行实验，图像大小为500×483，验证本发明的适用性。原始图像的可观测性比较差，采用本发明方法对灰度图像进行增强处理，并与传统对比度增强方法如直方图均衡化(HE)、自适应直方图均衡(AHE)、限制对比度的自适应直方图均衡(CLAHE)、线性对比度拉伸(LCS)和传统PSO算法进行增强效果对比，对比结果如图4所示。
图像中的场景为户外白鸟在树枝上嬉戏，从增强结果图像可以看出，对于图片中目标物体(白鸟)，HE、LCS和传统PSO算法均存在亮度过度增强问题，这样会导致图像高亮度区域的扩散、过度增强区域细节不清晰。AHE算法则整体过度增强，且会出现环形伪影。CLAHE算法增强结果突出了目标物体(White bird)，但白鸟翅膀上阴影被过度强化，且背景对比度增强不明显。本发明算法增强图像整体亮度提高，既增强了背景细节，又对白鸟没有过度增强而导致细节丢失，观看舒适度较高。
为了对本发明提出的方法在处理灰度图像方面进行有效的客观量化评价，分别采用均值(Gray mean value)、熵(Entropy)、峰值信噪比(PSNR)、均方误差(MSE)、结构相似性(SSIM)五种评价指标对实验结果进行评估。
Entropy可以衡量图像所携带的信息量，熵值采用下面公式计算：
其中，p(i)某个灰度值(i)在该图像中出现的概率。
灰度均值(Gray mean value)反映了图像的平均亮度，均值适中(灰度值在128附近)，表明视觉效果良好。
MSE是原始图像与增强图像之间的均方误差，在某种程度上，MSE是用来反应原图与增强图像之间差异程度的一种度量，即评价图像的反差大小，值越小，实验数据精确度越好，图像对比度越高，质量越好。均方误差采用下面公式计算：
其中，m为图像高度，n为图像宽度。R(a，b)指原始图像第a行b列像素点的灰度值，F(a，b)为处理后图像第a行b列像素点的灰度值。
PSNR是最普遍使用的评鉴画质的客观观测法，两个图像之间PSNR值越大，去噪效果越好，图像越相似。峰值信噪比采用下面公式计算：
其中，p是每像素的比特数，MSE为原图像与处理后的图像之间的均方误差。
SSIM表示实际图像和预测图像之间的相似程度，它主要测量增强图像和原始图像之间的相似量，它介于0和1之间，值越大，表示图像失真越小，在结构上越相同，其定义公式为：
μx是x的平均值，μy是y的平均值，σx 2是x的方差，σy 2是y的方差，σxy为x和y的协方差，q1、q2为图像质量指数，x为实际图像的像素值，y为预测图像的像素值。
在本发明的一种实施例中，分别采用指标Entropy、Gray mean value、PSNR、MSE和SSIM评价本发明提出方法和参与对比的算法对图像增强处理的效果，结果见表1。
表1 不同图像增强方法对测试图像的Entropy、Gray mean value、PSNR、MSE和SSIM值定量比较
本发明发放和传统PSO算法的PSNR值高于其他算法，MSE值均低于其他算法，说明增强结果与原图相似度更高，而AHE、CLAHE方法的PSNR很低，使得噪声抑制能力较低。本发明方法结构相似性(SSIM)大于传统PSO算法，图像失真相对较小，与原图相似度更高，增强结果自然，而HE、AHE的SSIM值较低，说明图像失真较大。本发明方法处理后图像均值靠近128。综合可知，HE、AHE、PSO处理图像失真较大，AHE、CLAHE噪声抑制能力较低，PSO、HE、LCS处理图像所携带的信息量少，本发明提出的算法综合性能明显优于其它传统算法，可以有效地增强不均匀照明的灰度图像、有效提升图像的对比度、提升图像低亮度区域，同时避免局部亮区域的过度增强现象的产生，提高了低照度灰度图像整体的视觉效果，使得观看舒适度更高。
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，凡在本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)
1.一种基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，采用粒子群优化算法结合图像双伽马校正方法进行全局双伽马校正，通过对灰度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参数值(α)来增强图像，其步骤如下：
S1、输入一张灰度图像；
S2、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；
S3、利用每个粒子的位置作为校正参数对灰度图像进行双伽马校正，得到各个粒子的初步增强图像；
S4、根据初步增强图像信息，计算每个粒子的适应度值fitness；
S5、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；
S6、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；
S7、判断是否满足迭代寻优终止条件，若达到终止条件，则停止计算执行步骤S9，否则，继续执行步骤S8；
S8、更新每个粒子的惯性权重和学习因子，将粒子朝着惯性方向、个体最优及群体最优的方向演化，更新粒子的位置和速度，跳转至步骤S3；
S9、输出粒子群的群体最优位置，结束迭代过程；
S10、使用S9得出的群体最优位置作为最优校正参数对输入灰度图像进行双伽马校正，得到并输出最终增强后的图像。
2.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S1中的输入灰度图像为低照度条件下的非均匀照明图像。
3.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S2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。
4.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述的双伽马校正实现方法为：Ga(x)＝x1/γ、Gb(x)＝1-(1-x)1/γ、G(x)＝αGa(x)+(1-α)Gb(x)，其中，x是归一化之后输入图像的灰度值，γ是可调节变量，用以调整图像增强程度，一般取γ＝2.5，Ga(x)是一个凸函数，用于增强暗区域，Gb(x)是一个凹函数，用于抑制图像的亮区域，α是校正参数，取值范围为[0，1]，最终校正函数G(x)是由Ga(x)和Gb(x)共同取值得到的，G(x)为灰度图像中像素值为x的灰度值经过双伽马校正后得到的增强图像的灰度值。
5.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S2中初始化方法为：
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T；
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。
6.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S4中每个粒子的适应度值fitness的计算步骤为：
S41、初步增强图像Ii的熵值Hi为：其中，p(j)是初步增强图像Ii中灰度值为j的像素所占的比例，其中，kj为初步增强图像Ii中灰度值为j的像素点的数量，Ti是初步增强图像Ii中的像素总数，i的范围为i＝1，2，…，N，N为粒子群粒子个数；
S42、初步增强图像Ii的边缘内容Si为：其中，n_edges(Ei)表示中间增强图像Ii中的边缘像素的数量；
S43、计算初步增强图像Ii的灰度标准方差Stdi；
S44、粒子i的适应度值fitnessi为：fitnessi＝α1×Hi+α2×Si+α3×Stdi，其中，α1、α2和α3为常数。
7.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S5中每个粒子的个体历史最优适应度值和个体最优位置的更新方法为：若个体历史最优适应度值fitnesspbest小于步骤S44中粒子i的适应度值fitnessi，则更新个体历史最优适应度值fitnesspbest，即将粒子i的适应度值fitnessi赋值给个体历史最优适应度值fitnesspbest，并将该个体历史最优适应度值fitnesspbest对应的粒子的位置作为该粒子的个体最优位置pbest。
8.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S6中粒子群的群体历史最优适应度值和群体最优位置的更新方法为：若群体历史最优适应度值fitnessgbest小于粒子群的个体历史最优适应度值fitnesspbest中的最大值，则更新群体历史最优适应度值fitnessgbest，即将粒子群所有粒子个体历史最优适应度值fitnesspbest中的最大值赋值给群体历史最优适应度值fitnessgbest，并将该群体历史最优适应度值fitnessgbest对应的粒子的位置作为群体最优位置gbest。
9.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S7中迭代寻优终止条件为：连续3次所得群体最优位置gbest相同或迭代次数已达到最大迭代次数T。
10.根据权利要求1所述的基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，所述步骤S8中粒子的惯性权重、学习因子、速度和位置的更新方法为：
S81、粒子的惯性权重通过进行更新，其中，t为当前迭代次数，ωt为第t次迭代的惯性权重，ωmax为最大惯性权重，ωmin为最小惯性权重，T为最大迭代次数；
S82、学习因子c1通过c1＝c1a-0.01×(c1a-c1b)×t进行更新，其中，c1a为学习因子c1的迭代初始值，c1b为学习因子c1的迭代最终值，学习因子c2的更新：c2＝c2a+0.01×(c2b-c2a)×t，其中，c2a为学习因子c2的迭代初始值，c2b为学习因子c2的迭代最终值；
S83、粒子i的速度通过vi(t+1)＝ωtvi(t)+c1r1[pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)]进行更新，其中，ωt表示更新后的惯性权重，r1和r2是[0，1]内的随机数，vi(t+1)表示粒子i的更新后的速度，pbest(t)为t次迭代时的粒子i的个体最优位置，gbest(t)为t次迭代时的群体最优位置；
S84、粒子i的位置通过xi(t+1)＝xi(t)+vi(t+1)进行更新，其中，xi(t+1)表示粒子i的更新后的位置，xi(t+1)将作为进入下一次迭代时步骤S3对应粒子i的双伽马校正的校正参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910331737.4A CN110084760A (zh) | 2019-04-24 | 2019-04-24 | 一种基于双伽马校正的全局自适应灰度图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910331737.4A CN110084760A (zh) | 2019-04-24 | 2019-04-24 | 一种基于双伽马校正的全局自适应灰度图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110084760A true CN110084760A (zh) | 2019-08-02 |
Family
ID=67416386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910331737.4A Pending CN110084760A (zh) | 2019-04-24 | 2019-04-24 | 一种基于双伽马校正的全局自适应灰度图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084760A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599415A (zh) * | 2019-08-29 | 2019-12-20 | 西安电子科技大学 | 基于局部自适应伽马校正的图像对比度增强实现方法 |
| CN110706172A (zh) * | 2019-09-27 | 2020-01-17 | 郑州轻工业学院 | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 |
| CN111340741A (zh) * | 2020-01-03 | 2020-06-26 | 中北大学 | 基于四元数与l1范数的粒子群优化灰度图像增强方法 |
| CN112288652A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法 |
| CN112734660A (zh) * | 2020-12-29 | 2021-04-30 | 南京邮电大学 | 一种基于移动窗口粒子群优化的过曝图像质量增强方法 |
| CN112785532A (zh) * | 2021-01-12 | 2021-05-11 | 安徽大学 | 基于加权直方图分布伽玛校正的奇异值均衡图像增强算法 |
| CN112907472A (zh) * | 2021-02-09 | 2021-06-04 | 大连海事大学 | 一种基于场景深度信息的偏振水下图像优化方法 |
| CN113344828A (zh) * | 2021-06-30 | 2021-09-03 | 太原理工大学 | 一种基于混沌麻雀搜索算法的煤岩分界图像增强方法 |
| CN113627077A (zh) * | 2021-07-21 | 2021-11-09 | 中国第一汽车股份有限公司 | 一种转向助力极值的判断方法 |
| CN113724145A (zh) * | 2021-07-13 | 2021-11-30 | 西姆高新技术（江苏）有限公司 | X光图像处理方法及装置 |
| CN114298916A (zh) * | 2021-11-11 | 2022-04-08 | 电子科技大学 | 一种基于灰度拉伸和局部增强的X-Ray图像增强方法 |
| CN114999419A (zh) * | 2022-07-07 | 2022-09-02 | 苏州华星光电技术有限公司 | 显示装置及电子设备 |
| CN116542969A (zh) * | 2023-06-30 | 2023-08-04 | 青岛西海岸城市建设集团有限公司 | 一种基于视觉技术的道路沥青粘连检测方法 |
| CN117474823A (zh) * | 2023-12-28 | 2024-01-30 | 大连清东科技有限公司 | 一种儿科感染性炎症检测辅助用ct数据处理系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274356A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种自适应的灰度图像增强系统 |
| CN107274357A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种参数最优的灰度图像增强处理系统 |
-
2019
- 2019-04-24 CN CN201910331737.4A patent/CN110084760A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274356A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种自适应的灰度图像增强系统 |
| CN107274357A (zh) * | 2017-05-23 | 2017-10-20 | 浙江大学 | 一种参数最优的灰度图像增强处理系统 |
Non-Patent Citations (4)
| Title |
|---|
| GAO QINQING ET AL: "Image Enhancement Technique Based On Improved PSO Algorithm", 《2011 6TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICE AND APPLICATIONS》 * |
| MADHESWARI KANMANI AND VENKATESWARAN NARSIMHAN: "An image contrast enhancement algorithm for grayscale images using particle swarm optimization", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
| 智宁等: "基于双伽马函数的煤矿井下低亮度图像增强算法", 《辽宁工程技术大学学报（自然科学版）》 * |
| 王友余: "远红外图像增强与融合方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599415A (zh) * | 2019-08-29 | 2019-12-20 | 西安电子科技大学 | 基于局部自适应伽马校正的图像对比度增强实现方法 |
| CN110599415B (zh) * | 2019-08-29 | 2023-11-10 | 西安电子科技大学 | 基于局部自适应伽马校正的图像对比度增强实现方法 |
| CN110706172A (zh) * | 2019-09-27 | 2020-01-17 | 郑州轻工业学院 | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 |
| CN110706172B (zh) * | 2019-09-27 | 2023-03-24 | 郑州轻工业学院 | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 |
| CN111340741A (zh) * | 2020-01-03 | 2020-06-26 | 中北大学 | 基于四元数与l1范数的粒子群优化灰度图像增强方法 |
| CN111340741B (zh) * | 2020-01-03 | 2023-05-09 | 中北大学 | 基于四元数与l1范数的粒子群优化灰度图像增强方法 |
| CN112288652A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法 |
| CN112734660B (zh) * | 2020-12-29 | 2022-09-23 | 南京邮电大学 | 一种基于移动窗口粒子群优化的过曝图像质量增强方法 |
| CN112734660A (zh) * | 2020-12-29 | 2021-04-30 | 南京邮电大学 | 一种基于移动窗口粒子群优化的过曝图像质量增强方法 |
| CN112785532A (zh) * | 2021-01-12 | 2021-05-11 | 安徽大学 | 基于加权直方图分布伽玛校正的奇异值均衡图像增强算法 |
| CN112785532B (zh) * | 2021-01-12 | 2022-11-18 | 安徽大学 | 基于加权直方图分布伽玛校正的奇异值均衡图像增强算法 |
| CN112907472A (zh) * | 2021-02-09 | 2021-06-04 | 大连海事大学 | 一种基于场景深度信息的偏振水下图像优化方法 |
| CN113344828A (zh) * | 2021-06-30 | 2021-09-03 | 太原理工大学 | 一种基于混沌麻雀搜索算法的煤岩分界图像增强方法 |
| CN113724145A (zh) * | 2021-07-13 | 2021-11-30 | 西姆高新技术（江苏）有限公司 | X光图像处理方法及装置 |
| CN113724145B (zh) * | 2021-07-13 | 2024-04-26 | 西姆高新技术（江苏）有限公司 | X光图像处理方法及装置 |
| CN113627077A (zh) * | 2021-07-21 | 2021-11-09 | 中国第一汽车股份有限公司 | 一种转向助力极值的判断方法 |
| CN114298916A (zh) * | 2021-11-11 | 2022-04-08 | 电子科技大学 | 一种基于灰度拉伸和局部增强的X-Ray图像增强方法 |
| CN114999419A (zh) * | 2022-07-07 | 2022-09-02 | 苏州华星光电技术有限公司 | 显示装置及电子设备 |
| CN114999419B (zh) * | 2022-07-07 | 2023-08-01 | 苏州华星光电技术有限公司 | 显示装置及电子设备 |
| CN116542969A (zh) * | 2023-06-30 | 2023-08-04 | 青岛西海岸城市建设集团有限公司 | 一种基于视觉技术的道路沥青粘连检测方法 |
| CN116542969B (zh) * | 2023-06-30 | 2023-09-08 | 青岛西海岸城市建设集团有限公司 | 一种基于视觉技术的道路沥青粘连检测方法 |
| CN117474823A (zh) * | 2023-12-28 | 2024-01-30 | 大连清东科技有限公司 | 一种儿科感染性炎症检测辅助用ct数据处理系统 |
| CN117474823B (zh) * | 2023-12-28 | 2024-03-08 | 大连清东科技有限公司 | 一种儿科感染性炎症检测辅助用ct数据处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084760A (zh) | 一种基于双伽马校正的全局自适应灰度图像增强方法 | |
| CN101951523B (zh) | 一种自适应彩色图像处理方法及系统 | |
| CN109919880A (zh) | 一种基于粒子群优化的红外图像增强方法 | |
| CN110706172B (zh) | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 | |
| CN102231264B (zh) | 动态对比度增强装置和方法 | |
| CN105931201B (zh) | 一种基于小波变换的图像主观视觉效果增强方法 | |
| CN103268598B (zh) | 基于Retinex理论的低照度低空遥感影像增强方法 | |
| CN105513019B (zh) | 一种提升图像质量的方法和装置 | |
| CN108805836A (zh) | 基于深度往复式hdr变换的图像校正方法 | |
| US9396526B2 (en) | Method for improving image quality | |
| CN103593830A (zh) | 一种低照度视频图像增强方法 | |
| CN112200736B (zh) | 基于强化学习的图像处理方法及模型训练方法、装置 | |
| CN106296618A (zh) | 一种基于高斯函数加权直方图规定化的彩色图像去雾方法 | |
| CN110298792A (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
| CN109919859A (zh) | 一种户外场景图像去雾增强方法、计算设备及其存储介质 | |
| Gautam et al. | Efficient color image contrast enhancement using range limited bi-histogram equalization with adaptive gamma correction | |
| CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
| CN115661008A (zh) | 一种图像增强处理方法、装置、设备及介质 | |
| CN104915933A (zh) | 一种基于apso-bp耦合算法的雾天图像增强方法 | |
| CN110580690B (zh) | 一种识别峰值变换非线性曲线的图像增强方法 | |
| CN116402709A (zh) | 一种基于水下注意力生成对抗网络的图像增强方法 | |
| CN111563854A (zh) | 用于水下图像增强处理的粒子群优化方法 | |
| CN118071632A (zh) | 一种基于igoa-svm的图像增强以及特征识别方法 | |
| CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 | |
| KR102277005B1 (ko) | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |