CN110246106A - 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 - Google Patents

Abstract

本发明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。

Description

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

技术领域

本发明涉及浮选泡沫图像增强技术领域，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。

背景技术

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。

发明内容

有鉴于此，本发明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。

本发明采用以下方案实现：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2^l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u_mn为：

式中，m＝1,2,3,...,M；n＝1,2,3,...,N,参数F_p表示指数型模糊因子，F_e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，X_max表示图像中最大的灰度值，X_mn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F_p、F_e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，σ_n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，σ_n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，本发明有以下有益效果：本发明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为本发明实施例的量子和声搜索算法流程图。

图2为本发明实施例的泡沫图像NSST分解流程示意图。

图3为本发明实施例的方法原理流程示意图。

图4为本发明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)为本发明增强结果，(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为本发明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)为本发明方法的效果图，(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发明做进一步说明。

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技术领域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。

在本实施例中，步骤S1具体包括以下步骤，其中，浮选泡沫图像的NSST分解流程如图2所示：

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2^l个大小与原图像相同的多方向子带。

较佳的，分解后的低频子带包含图像的大部分能量，保留了图像的近似特征，各高频方向子带包含了气泡的边界、纹理细节以及噪声。

在本实施例中，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u_mn为：

式中，m＝1,2,3,...,M；n＝1,2,3,...,N,参数F_p表示指数型模糊因子，F_e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，X_max表示图像中最大的灰度值，X_mn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：

图像经NSST变换分解后，低频子带图像主要体现图像的轮廓信息，并存在大部分能量信息，可以通过低频子带的模糊集增强来改善图像的对比度和清晰度。然而，在模糊集增强算法中，F_p和F_e会影响增强的效果，乘幂q越大，增强后图像的对比度越大，但是q值过大，会导致图像失真。为了寻找最优的F_p、F_e和q，本实施例进行步骤S25；

步骤S25：采用改进的量子和声搜索算法对F_p、F_e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。

在本实施例中，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。

特别的，和声搜索算法是一种启发式全局搜索算法，模拟的是音乐创作的过程，在音乐创作过程中，乐队由7个人组成，每个人演奏一种乐器，七种人的演奏加起来便是一组和声X＝{x1,x2,x3,x4,x5,x6,x7},他们的演奏需要进行配合和排练，最终达到美妙的和声效果。但是在和声搜索算法中，候选解之间的“调音”相互独立，没有信息共享机制，而且迭代过程带宽保持不变，易陷入局部极小值，本实施例将量子比特编码引入到和声搜索算法的优化中，提高算法的性能。

量子计算中，量子比特是用来储存信息的物理介质，一个量子比特表示为：|φ＝α|0>+β|1>，其中(α，β)是两个幅常数，|α|²+|β|²＝1，|0>和|1>表示自旋态。由前式可得一个量子为同时包含|0>和|1>两个态的信息，量子编码n个参数的基因如下：

量子门是进化操作的机构，用来调整量子比特让其朝着有力的方向进化，量子旋转门的调整操作如下公式所示：

更新过程如下：

其中，(α_i,β_i)^T表示第i个量子比特旋转门的概率幅。θ_i为旋转角，本实施例构造一种自适应的旋转角取值策略：

上式中，θ_max为Δθ的最大值0.05π；θ_min为Δθ的最小值0.001π；g为当前的进化代数，maxg为终止代数；η为膨胀系数，这里取η＝1.5。在刚开始搜索时，由于与最优个体较远则使用较大的旋转角，这样可以加快算法的收敛速度，在搜索后期，使用较小的旋转角，这样可以达到精确搜寻，有助于最优解的寻找。量子旋转门进行调整的策略是将目前的适应度f(x)和最佳适应度f(best)对比。若f(x)>f(best)，则调整量子比特，使概率幅对朝有利出现x的方向演化。反之，则调整量子比特，使概率幅朝有利于best个体出现的方向进化。基于量子编码优化的和声搜索算法的具体步骤如图1所示，具体如上文中的步骤S25所述。

在本实施例中，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，σ_n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，σ_n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，具体为：

式中，sigm(x)＝1/(1+e^-x)，参数c用于控制增强强度，在[10,30]之间，这里取值20；参数b用于控制增强范围，在[0,1]之间，表示该子带的最大系数，则可由下式计算b的值：

具体的，对于铅矿浮选泡沫图像进行增强处理，如图4所示，泡沫(图4中的(a))进行NSST分解后，得到一个低频子带图像4中的(b)和3个尺度高频子带(如图4中的(d)-(f))。增强处理后的低频子带图像如图4中的(c)，各尺度高频子带处理后效果如图4中的(g)-(i)所示，然后进行NSST重构，增强后的图像如图4中的(j)所示。可以看出，图像的整体亮度提高，气泡内部平滑效果好，气泡亮点对比度高，边缘细节明显。采用其他方法对浮选泡沫图像进行增强，其增强结果分别如图4中的(k)-(o)所示。

为了更好地说明本实施例方法的性能，各种方法增强后的图像的定量比较如表1所示。同态滤波方法的对比度和清晰度都有提高，但是信息熵稍有降低；小波变换方法的信息熵稍有降低，对比度和清晰度只有小幅度地增大，增强效果不明显；Retinex算法的对比度和清晰度都有明显提升，但是信息熵有所降低；Contourlet变换方法的信息熵大幅度提升，但是对比度和清晰度变化不大；NSCT域方法的对比度和清晰度都有明显提升，但是信息熵有所降低。本实施例的对比度是接近原图像的两倍，图像信息量增大，图像整体亮度提升，边缘细节更加明显，视觉效果更好。综上所述，采用基于量子和声搜索模糊集的NSST域图像增强算法对泡沫图像进行处理，既增强图像的边缘细节，又提升了图像亮度，增强效果最佳。

表1泡沫图像增强效果的定量比较

为了验证本实施例对泡沫图像的去噪及边缘增强效果，将浮选泡沫图像叠加均值为0、方差为0.005的高斯白噪声，再分别运用其他增强方法以及本发明方法处理噪声图像，其处理后的图像如图5所示，不同方法的峰值信噪比和纹理相关性统计结果如表2所示。

表2 PSNR和纹理保留率的比较(浮选泡沫噪声图像)

可以看出，同态滤波法、Retinex算法增强后仍存在大量噪声，PSNR较低，丢失大量纹理细节；小波变换法去除部分噪声，但丢失大量边缘信息；Contourlet变换方法去除较多噪声，但图像模糊；NSCT域方法保留较多的边缘信息，但去噪效果差，且亮度变低；本发明方法去噪效果明显，且保留大部分边缘信息，峰值信噪比和纹理相关性最高。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

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2^l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u_mn为：

式中，m＝1,2,3,...,M；n＝1,2,3,...,N,参数F_p表示指数型模糊因子，F_e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，X_max表示图像中最大的灰度值，X_mn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F_p、F_e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，其特征在于，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。

5.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，σ_n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，σ_n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。