CN110298807A - 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 - Google Patents
基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 Download PDFInfo
- Publication number
- CN110298807A CN110298807A CN201910604910.3A CN201910604910A CN110298807A CN 110298807 A CN110298807 A CN 110298807A CN 201910604910 A CN201910604910 A CN 201910604910A CN 110298807 A CN110298807 A CN 110298807A
- Authority
- CN
- China
- Prior art keywords
- nsct
- quantum
- frequency sub
- algorithm
- infrared image
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000006872 improvement Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 6
- 241000894006 Bacteria Species 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 230000001976 improved effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000002096 quantum dot Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009329 sexual behaviour Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000588724 Escherichia coli Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 201000005630 leukorrhea Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003389 potentiating effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 206010046901 vaginal discharge Diseases 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，首先采用NSCT变换对红外图像进行多尺度多方向分解，得到低频子带和高频子带；接着采用改进Retinex算法对低频子带系数进行增强；然后将非线性自适应旋转门的量子更新策略引入菌群算法，并用于优化分数阶微分的参数，结合Bayes Shrink阈值对高频子带进行去噪及增强；最后对处理后的低频子带系数和高频子带系数进行NSCT反变换得到增强图像。本发明在红外图像的对比度、清晰度和信息熵方面都有较大的改观，增强了红外图像的细节，为后续的红外图像处理提供更有利的红外增强图像。
Description
技术领域
本发明涉及红外图像增强技术领域，特别是一种基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法。
背景技术
红外技术具有抗干扰能力强、环境适应能力强、隐蔽性好及识别能力强等优点，广泛应用于军事侦查、医学诊断、工业检测及资源勘探等领域。由于复杂的成像环境和探测器自身固有特性的限制，导致红外图像普遍存在对比度低、边缘模糊、信噪比低等缺陷，造成部分图像细节难以被人眼察觉。这时候需要用图像增强技术对红外图像进行处理，可以提高红外图像的视觉效果，为后续的工作做准备。
目前红外图像增强的方法主要分两种：一种是在空间域上对红外图像进行增强，有直方图均衡化、中值滤波、反锐化掩模等等。关于直方图均衡化在提高图像分辨率及改善整体视觉效果方面效果鲜明，但常常也会因灰度级过度合并而导致细节丢失、过增强及噪声被放大现象。关于中值滤波在消除孤立噪声的同时能保护图像尖锐的边缘与细节，对消除脉冲噪声及椒盐噪声尤为有效，但该方法在处理弱纹理及微小细节方面效果不太理想。关于反锐化掩模在一定程度上能提高图像的边缘和细节轮廓信息，但它对噪声异常敏感且容易让突变剧烈的边缘产生过增强现象。另一种是在频域上对红外图像进行增强，其主要是对红外图像进行多尺度处理后增强，如：Wavelet变换、Contourlet变换及非下采样Contourlet变换(NSCT)等多尺度变换。关于Wavelet变换能从多个尺度上面提取图像信息，但是它的方向性有限，只能从垂直和水平方向上来刻画图像细节，不能有效的捕捉图像的边缘细节、容易导致微弱细节丢失。关于Contourlet变换能在任意尺度上进行任意方向的分解，且其采用“长条形”的支撑区间来表示图像的轮廓和方向性纹理特征信息，但是下釆样处理会不可避免的产生频谱混叠失真现象，进而造成图像的分解会大打折扣。关于基于非下采样Contourlet变换的增强算法，并结合直方图均衡化，能有效提高图像的整体效果，同时能抑制噪声的放大，但对局部的增强不太理想。
综上，现有的红外图像在时域上的增强方法提高了红外图像的对比度，但是容易导致细节丢失、对噪声处理不好、过增强等现象。在频域上的增强方法提高了红外图像的边缘纹理和亮度均匀性，但是容易产生部分边缘失真和噪声放大等现象。
发明内容
有鉴于此，本发明的目的是提出一种基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，在红外图像的对比度、清晰度和信息熵方面都有较大的改观，增强了红外图像的细节，为后续的红外图像处理提供更有利的红外增强图像。
本发明采用以下方案实现：一种基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，具体包括以下步骤：
步骤S1：采用NSCT变换对红外图像进行多尺度多方向分解，得到低频子带和高频子带；
步骤S2：采用改进Retinex算法对低频子带系数进行增强；
步骤S3：将非线性自适应旋转门的量子更新策略引入菌群算法，并用于优化分数阶微分的参数，结合Bayes Shrink阈值对高频子带进行去噪及增强；
步骤S4：对处理后的低频子带系数和高频子带系数进行NSCT反变换得到增强图像。
进一步地，步骤S2具体包括以下步骤：
步骤S21：借助非线性的双边滤波函数估计低频子带系数的照度分量，通过空间邻域滤波器和值域滤波器进行光照强度的改变；
步骤S22：进行照度校正；
步骤S23：进行反射校正，得到最终增强后的低频子带系数。
进一步地，步骤S3具体包括以下步骤：
步骤S31：将步骤S1分解得到的高频子带系数进行Bayes Shrink阈值处理，将不同尺度、不同方向上小于阈值的高频子带系数置0，将大于阈值的高频子带系数进行保留；
步骤S32：对保留后的高频子带系数利用改进分数阶微分算法做进一步的增强处理。
进一步地，步骤S31中，所述进行Bayes Shrink阈值处理具体为：由Bayes Shrink阈值函数T构造得：
式中，Zj,k(m,n)为第j尺度、第k方向的NSCT系数；Tj,k(m,n)为第j尺度、第k方向的局部阈值，其计算公式如下：
式中，σj,k为噪声的标准差，为信号的局部标准差，其计算公式分别如下：
式中，w(j,k)表示第j尺度、第k方向的NSCT子带长度和宽度的大小范围，表示该子带在长度和宽度分别为i和l的NSCT系数的平方。
进一步地，步骤S32中，所述改进分数阶微分算法具体为：将非线性自适应旋转门的量子更新策略引入菌群算法，将红外图像的对比度当作自适应量子菌群算法的适应度，在分数阶微分处理中寻找最优的微分的阶次。
进一步地，所述非线性自适应旋转门的量子更新策略具体为：令旋转角为：
θi＝-sgn(Ai)θi；
式中，-sgn(Ai)表示旋转角的方向； 为当前最优细菌的某个量子比特对应的概率幅，为当前细菌的某个量子比特对应的概率幅；为旋转角的大小，其计算方式如下：
式中：θmax为旋转角的最大值；θmin为旋转角的最小值；θ0和θi分别为当前最优细菌和当前细菌的某个量子比特在单位圆上的角度；C为一个常数，表示|θ0-θi|角度差的最大值；m为当前演化步骤的非线性调制指数。
进一步地，所述当前演化步骤的非线性调制指数m的取值为0.7。
与现有技术相比，本发明有以下有益效果：红外图像普遍存在对比度低、边缘模糊、信噪比低等缺陷，造成部分图像细节难以被人眼察觉，不利于对红外细节分析。本发明能更好地增强红外图像的整体对比度，有较为满意的视觉感观及丰富的边缘、纹理等特征信息，丰富了红外图像的细节，为后续红外图像的特征提取奠定了基础。
附图说明
图1为本发明实施例的发明方法示意图。
图2为本发明实施例的NSCT变换分解结构示意图。
图3为本发明实施例的自适应量子菌群流程图。
图4为本发明实施例的二元函数的算法比较示意图。
图5为本发明实施例的红外图像的增强及对比示意图。其中，(a)为红外图像，(b)为CLAHE算法，(c)为MSR算法，(d)为Wavelet变换，(e)为Contourlet变换，(f)为本发明算法。
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1所示，本实施例提供了一种基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，具体包括以下步骤：
步骤S1：采用NSCT变换对红外图像进行多尺度多方向分解，得到低频子带和高频子带；
步骤S2：采用改进Retinex算法对低频子带系数进行增强；
步骤S3：将非线性自适应旋转门的量子更新策略引入菌群算法，并用于优化分数阶微分的参数，结合Bayes Shrink阈值对高频子带进行去噪及增强；
步骤S4：对处理后的低频子带系数和高频子带系数进行NSCT反变换得到增强图像。
较佳的，在本实施例中，步骤S1中，红外图像的NSCT分解结构如图2所示，NSCT去掉了下采样环节使图像具有平移不变性，采用非下采样塔式滤波器进行多尺度分解，而对高频方向子带区域而言，借助的是非下采样方向滤波器进行方向滤波。NSCT具有多分辨率，多方向性，时频局域性及各向异性，能对红外图像的纹理、细节等几何特征进行有效捕获，具有平移不变特性，为红外图像的增强奠定了基础。
在本实施例中，步骤S2具体包括以下步骤：
步骤S21：借助非线性的双边滤波函数估计低频子带系数的照度分量，通过空间邻域滤波器和值域滤波器进行光照强度的改变；
步骤S22：进行照度校正；
步骤S23：进行反射校正，得到最终增强后的低频子带系数。
较佳的，相比于传统的线性、非线性算法只能增强图像的某一特征，Retinex算法可以在颜色恒常、对比增强、动态范围压缩等达到平衡，增强效果尤为显著，故本实施例采用Retinex算法，并加以改进。
首先借助非线性的双边滤波函数估计其的照度分量。通过空间邻域滤波器和值域滤波器进行光照强度的改变，双边滤波算法定义为：
归一化函数表述为：
式中，f(x)表示原始图像在x点处的灰度值，h(x)表示输出图像在点处的灰度值，表示临近点与中心点x之间的距离相似程度，表示临近点与中心点x之间的灰度相似程度。双边滤波的距离相似度和灰度相似度都取成参数为欧氏距离的高斯核，具体如下：
式中，表示与x两点之间的欧式距离。
式中，表示与f2个灰度值之差。
然后进行照度校正。照度分量能表示图像的动态范围，需对处理后的信息进行校正，本实施例采用Gamma校正函数，表示如下：
式中，γavg'为校正后的照度分量，γ1、γ2分别为两滤波器的照度，avg为自变量，avg1、avg2由人为进行设定。
最后进行反射校正。反射分量中也存在许多重要特征信息，适当的校正可以丰富其的层次性，校正公式可以表述为：
式中，α为影响因子，即增强的倍数，为反射分量。
在本实施例中，步骤S3具体包括以下步骤：
步骤S31：将步骤S1分解得到的高频子带系数进行Bayes Shrink阈值处理，将不同尺度、不同方向上小于阈值的高频子带系数置0，将大于阈值的高频子带系数进行保留；
步骤S32：对保留后的高频子带系数利用改进分数阶微分算法做进一步的增强处理。
在本实施例中，步骤S31中，所述进行Bayes Shrink阈值处理具体为：由BayesShrink阈值函数T构造得：
式中，Zj,k(m,n)为第j尺度、第k方向的NSCT系数；Tj,k(m,n)为第j尺度、第k方向的局部阈值，其计算公式如下：
式中，σj,k为噪声的标准差，为信号的局部标准差，其计算公式分别如下：
式中，w(j,k)表示第j尺度、第k方向的NSCT子带长度和宽度的大小范围，表示该子带在长度和宽度分别为i和l的NSCT系数的平方。
在本实施例中，步骤S32中，所述改进分数阶微分算法具体为：将非线性自适应旋转门的量子更新策略引入菌群算法，将红外图像的对比度当作自适应量子菌群算法的适应度，在分数阶微分处理中寻找最优的微分的阶次。
在本实施例中，所述非线性自适应旋转门的量子更新策略具体为：令旋转角为：
θi＝-sgn(Ai)θi；
式中，-sgn(Ai)表示旋转角的方向； 为当前最优细菌的某个量子比特对应的概率幅，为当前细菌的某个量子比特对应的概率幅；为旋转角的大小，其计算方式如下：
式中：θmax为旋转角的最大值；θmin为旋转角的最小值；θ0和θi分别为当前最优细菌和当前细菌的某个量子比特在单位圆上的角度；C为一个常数，表示|θ0-θi|角度差的最大值；m为当前演化步骤的非线性调制指数。
在本实施例中，所述当前演化步骤的非线性调制指数m的取值为0.7。
较佳的，分数阶微分是从整数阶衍生而来,与整数阶微分相比，分数阶微分具有更强的记忆存储功能。假如信号f(t)∈[a,t]，a＜t，a∈R，t∈R具有阶连续微分，若信号f(t)存在m+1阶连续导数，当v＞0时，则f(t)的阶微分表达式为：
式中，为Gamma函数，将一元函数f(t)持续期按h＝1等分可得：借助上式可推导出分数阶微分的差分表达式为：
分数阶微分是数学领域中微分学的一个分支，本质是非整数阶微分，也是分形理论的关键数学基础，由于红外图像信号具有自相似性较高的特性，即像素的灰度值与其邻域的灰度值具备很强大的相关性，同时高自相似性的分形信息通常表现为复杂的纹理细节，所以分数阶能有效的增强边缘与纹理，并能较大程度的保留细节，但如何选定差分微分的阶次v是一个难题。这时候，本实施例引入自适应量子菌群算法，将红外图像的对比度当作自适应量子菌群算法的适应度，在分数阶微分处理中寻找最优的微分的阶次。
特别的，菌群算法是观察人类肠道中大肠杆菌在觅食过程中体现出来的智能行为，研究发现细菌的觅食行为具有四个典型的行为，分别为趋向性行为、聚集性行为、复制行为和迁徙行为，由此提出菌群算法这种智能随机搜索算法。菌群算法具有对初值和参数选择不敏感、鲁棒性强等特点，但是它寻找最优适应度的能力还有待提高，本发明引入量子计算，将量子比特编码和非线性自适应量子旋转门融入菌群算法，提高算法的寻优能力。
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：
量子旋转门是用来更新染色体的位置,选择不同的旋转相位，对算法的收敛速度和寻优能力将产生很大影响。在细菌觅食的实际过程中，旋转角度并不是一个常数，固定的旋转相位不利于算法的收敛，较大的旋转相位有利于探索新的区域，加快收敛速度，较小的旋转相位能促使细菌在局部区域内进行细搜索,寻找最优解。由此，本发明提出一种新的非线性自适应旋转角来改善菌群算法的性能，如上文中所述。
其中，自适应量子菌群算法的具体步骤如下，实现流程如图3所示：
步骤1、初始化参数搜索空间的维数P、细菌种群大小S、细菌进行趋向性行为的次数Nc、趋向性操作中在一个方向上前进的最大步数Ns、细菌进行复制性行为的次数Nre、细菌进行迁徙性行为的次数Ned、迁徙概率Ped、向前游动的步长C(i)(i＝1，2，...，S)。
步骤2、迁徙操作循环l＝l+1。
步骤3、复制操作循环k＝k+1。
步骤4、趋向操作循环j＝j+1。
(1)令细菌i如下趋向一步，i＝1，2，...，S。
(2)计算适应度值函数J(i，j，k，l)使用如下公式计算。
J(i，j，k，l)＝J(i，j，k，l)+Jcc(θi(j，k，l)，P(j，k，l))；
(3)令Jlast＝J(i，j，k，l)，存储为细菌i目前最好的适应值。
(4)旋转：生成一个随机向量Δ(i)∈RP，其每一个元素Δm(i)，(i＝1，2，...，p)，都是分布在[-1，1]上的随机数。
(5)移动：令
其中，C(i)为细菌沿旋转后随机产生的方向游动一步大小。
(6)计算J(i，j+1，k，l)，且令
J(i，j+1，k，l)＝J(i，j，k，l）+Jcc(θi(j+1，k，l)，P(j+1，k，l))；
(7)游动：首先令m＝0；然后保证m＜Ns，令m＝m+l，若J(i，j+1，k，l)＜Jlast，令Jlast＝J(i，j+1，k，l)且返回第(6)步，用此θi(j+1，k，l)计算新的J(i，j+1，k，l)；否则，令m＝Ns。
(8)返回第(2)步，处理下一个细菌i+1。
步骤5、若j＜Nc，返回步骤4进行趋向性操作。
步骤6、复制：对给定的k，l及每个i＝1，2，...，S，将细菌能量值Jbealth按从小到大的顺序排序。淘汰掉个能量较小的细菌，选择Sr个能量较大的细菌引入量子计算，将这些细菌使用量子比特编码，并且进行非线性自适应量子旋转门操作。
步骤7、若k＜Nre，返回步骤3。
步骤8、迁徙：菌群经过若干代复制操作后，每个细菌以概率Ped背重新随机分布到寻优空间中。若l＜Ned，则返回步骤2，否则结束寻优。
接下来，为了验证本实施例提出自适应量子菌群算法的参数寻优性能，特意选取一个复杂二元非线性函数进行求最大值。二元非线性函数如下所示：
max f(x,y)＝xsin(4πx)+ysin(20πy)；
其中，x和y两个数值范围如下：
在使用上述二次函数和相同阈值的情况下，将量子菌群算法与遗传算法和量子遗传算法进行测试，通过测试函数对这三种算法进行测试实验，获取的结果如图4所示。
由图4可以发现自适应量子菌群算法的收敛速度相对量子遗传算法和菌群算法快了很多，并且收敛效果也好于量子遗传算法、遗传算法和菌群算法，同时自适应量子菌群算法的收敛精度相比量子遗传算法、遗传算法和菌群算法好很多。采用这四种算法分别进行了10次的测试实验，计算出这三种算法的最优解平均值和终止代数平均值，得到的结果如下：遗传算法的两个数值为16.7503和50.1，量子遗传算法的两个数值为17.3503和96.9，菌群算法的两个数值为17.0012和65.3，自适应量子菌群算法的两个数值为17.8024和94.8。该二元函数的最大值为17.9213，从上述的结果可以看出量子菌群算法求出的最优解平均值是最接近二元函数的最大值，并且收敛速度快的同时不易陷入局部最优解，这在一定程度上可以说明自适应量子菌群算法不仅可以比较好地逼近全局最优解，收敛速度也有所提升，具有更高的鲁棒性。
基于改进Retinex及量子菌群算法做如下的实例，从Athena摄像机系统注册的数据库图像中，选取一幅红外图像进行仿真实验，结果如图5所示。其中，小波变换采用的是“db4”小波包进行4层分解，而Contourlet变换以及NSCT变换均采用的金字塔滤波器为“9-7”滤波器，方向滤波器组采用的是“dmaxflat”滤波器，分解的尺度均设定为3级，且每一级分解后所对应的子带方向数分别为：2、4、8。实验过程中，为了更好的评判所提出的算法是否具有优越性，本实施例将此算法与CLAHE算法、MSR算法、基于Wavelet变换算法、基于Contourlet变换算法进行对比实验，首先从人眼视觉感知的主观角度进行效果描述，然后再借助对比度(CR)、清晰度(AG)以及信息熵(IE)来进行客观分析。
通过图5可以发现，相比于原始图像(a)，(b)图能较好的去除“白雾”，有一定的增强效果，房屋、树木及栅栏较清晰，但路面的纹路丢失严重；(c)图中的云层、房屋、树木以及栅栏清晰可见，路面纹理也有一定的凸显，但顶部背景信息偏暗；(d)图和(e)均取得了一定的效果，纹路也较为细腻，但动态压缩范围还有待提高。相比较本发明算法整体效果更为清晰可见，且道路纹理、道路中的白带及屋顶的乌云边缘等纹理均能很好的展现给观察者。从客观角度出发，表1的数据可以发现，本实施例算法的对比度、清晰度及信息熵也均高于其他几种增强算法。
表1红外图像增强效果的定量比较
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 (7)
1.一种基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，其特征在于，包括以下步骤：
步骤S1：采用NSCT变换对红外图像进行多尺度多方向分解，得到低频子带和高频子带；
步骤S2：采用改进Retinex算法对低频子带系数进行增强；
步骤S3：将非线性自适应旋转门的量子更新策略引入菌群算法，并用于优化分数阶微分的参数，结合Bayes Shrink阈值对高频子带进行去噪及增强；
步骤S4：对处理后的低频子带系数和高频子带系数进行NSCT反变换得到增强图像。
2.根据权利要求1所述的基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，其特征在于，步骤S2具体包括以下步骤：
步骤S21：借助非线性的双边滤波函数估计低频子带系数的照度分量，通过空间邻域滤波器和值域滤波器进行光照强度的改变；
步骤S22：进行照度校正；
步骤S23：进行反射校正，得到最终增强后的低频子带系数。
3.根据权利要求1所述的基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，其特征在于，步骤S3具体包括以下步骤：
步骤S31：将步骤S1分解得到的高频子带系数进行Bayes Shrink阈值处理，将不同尺度、不同方向上小于阈值的高频子带系数置0，将大于阈值的高频子带系数进行保留；
步骤S32：对保留后的高频子带系数利用改进分数阶微分算法做进一步的增强处理。
4.根据权利要求3所述的基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，其特征在于，步骤S31中，所述进行Bayes Shrink阈值处理具体为：由Bayes Shrink阈值函数T构造得：
式中，Zj,k(m,n)为第j尺度、第k方向的NSCT系数；Tj,k(m,n)为第j尺度、第k方向的局部阈值，其计算公式如下：
式中，σj,k为噪声的标准差，为信号的局部标准差，其计算公式分别如下：
式中，w(j,k)表示第j尺度、第k方向的NSCT子带长度和宽度的大小范围，表示该子带在长度和宽度分别为i和l的NSCT系数的平方。
5.根据权利要求3所述的基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，其特征在于，步骤S32中，所述改进分数阶微分算法具体为：将非线性自适应旋转门的量子更新策略引入菌群算法，将红外图像的对比度当作自适应量子菌群算法的适应度，在分数阶微分处理中寻找最优的微分的阶次。
6.根据权利要求5所述的基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，其特征在于，所述非线性自适应旋转门的量子更新策略具体为：令旋转角为：
θi＝-sgn(Ai)θi；
式中，-sgn(Ai)表示旋转角的方向； 为当前最优细菌的某个量子比特对应的概率幅，为当前细菌的某个量子比特对应的概率幅；为旋转角的大小，其计算方式如下：
式中：θmax为旋转角的最大值；θmin为旋转角的最小值；θ0和θi分别为当前最优细菌和当前细菌的某个量子比特在单位圆上的角度；C为一个常数，表示|θ0-θi|角度差的最大值；m为当前演化步骤的非线性调制指数。
7.根据权利要求6所述的基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法，其特征在于，所述当前演化步骤的非线性调制指数m的取值为0.7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604910.3A CN110298807A (zh) | 2019-07-05 | 2019-07-05 | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604910.3A CN110298807A (zh) | 2019-07-05 | 2019-07-05 | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298807A true CN110298807A (zh) | 2019-10-01 |
Family
ID=68030498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910604910.3A Pending CN110298807A (zh) | 2019-07-05 | 2019-07-05 | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298807A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145114A (zh) * | 2019-12-19 | 2020-05-12 | 腾讯科技（深圳）有限公司 | 一种图像增强的方法、装置及计算机可读存储介质 |
| CN113592729A (zh) * | 2021-06-30 | 2021-11-02 | 国网吉林省电力有限公司延边供电公司 | 基于nsct域的电力设备红外图像增强方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204509A (zh) * | 2016-07-07 | 2016-12-07 | 西安电子科技大学 | 基于区域特性的红外与可见光图像融合方法 |
| CN106327459A (zh) * | 2016-09-06 | 2017-01-11 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合算法 |
| CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
| US20180007285A1 (en) * | 2016-07-04 | 2018-01-04 | Yuan-Ting Fang | Image fusion method for multiple lenses and device thereof |
| CN109472762A (zh) * | 2017-09-07 | 2019-03-15 | 哈尔滨工大华生电子有限公司 | 基于nsct和非线性增强的红外双波段图像融合算法 |
-
2019
- 2019-07-05 CN CN201910604910.3A patent/CN110298807A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180007285A1 (en) * | 2016-07-04 | 2018-01-04 | Yuan-Ting Fang | Image fusion method for multiple lenses and device thereof |
| CN106204509A (zh) * | 2016-07-07 | 2016-12-07 | 西安电子科技大学 | 基于区域特性的红外与可见光图像融合方法 |
| CN106327459A (zh) * | 2016-09-06 | 2017-01-11 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合算法 |
| CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
| CN109472762A (zh) * | 2017-09-07 | 2019-03-15 | 哈尔滨工大华生电子有限公司 | 基于nsct和非线性增强的红外双波段图像融合算法 |
Non-Patent Citations (7)
| Title |
|---|
| FEI ZHOU等: ""Method of Improved Fuzzy Contrast Combined Adaptive Threshold in NSCT for Medical Image Enhancement"", 《BIOMED RESEARCH INTERNATIONAL》 * |
| 付华栋等: ""基于NSCT及改进Canny的图像边缘检测"", 《微型机与应用》 * |
| 刘璐等: ""非线性动态自适应旋转角的量子菌群算法"", 《控制与决策》 * |
| 吕笃良等: ""基于NSST与引导滤波结合的遥感图像增强"", 《计算机应用》 * |
| 周飞等: ""基于NSCT和改进模糊的遥感图像增强方法"", 《计算机工程与应用》 * |
| 李建奇等: ""基于多尺度Retinex和NSCT的泡沫图像增强方法"", 《高技术通讯》 * |
| 金佩芬等: ""基于改进Retinex算法的红外图像增强处理"", 《激光杂志》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145114A (zh) * | 2019-12-19 | 2020-05-12 | 腾讯科技（深圳）有限公司 | 一种图像增强的方法、装置及计算机可读存储介质 |
| CN113592729A (zh) * | 2021-06-30 | 2021-11-02 | 国网吉林省电力有限公司延边供电公司 | 基于nsct域的电力设备红外图像增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
| CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
| CN109815893B (zh) | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 | |
| Fu et al. | Removing rain from single images via a deep detail network | |
| Fan et al. | Homomorphic filtering based illumination normalization method for face recognition | |
| Celik | Two-dimensional histogram equalization and contrast enhancement | |
| Hu et al. | Singular value decomposition and local near neighbors for face recognition under varying illumination | |
| CN108122206A (zh) | 一种低照度图像降噪方法及装置 | |
| CN107798661B (zh) | 一种自适应的图像增强方法 | |
| CN112801846B (zh) | 一种水印嵌入、提取方法、装置、计算机设备和存储介质 | |
| Park et al. | Single image haze removal with WLS-based edge-preserving smoothing filter | |
| CN110807742A (zh) | 一种基于一体式网络的微光图像增强方法 | |
| Lepcha et al. | A deep journey into image enhancement: A survey of current and emerging trends | |
| Kaur et al. | Review and analysis of various image enhancement techniques | |
| CN113592729A (zh) | 基于nsct域的电力设备红外图像增强方法 | |
| CN110298807A (zh) | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 | |
| CN111815550A (zh) | 一种基于灰度共生矩阵的红外与可见光图像融合方法 | |
| CN112184646A (zh) | 基于梯度域导向滤波和改进pcnn的图像融合方法 | |
| Han et al. | Low contrast image enhancement using convolutional neural network with simple reflection model | |
| Pu et al. | Fractional-order retinex for adaptive contrast enhancement of under-exposed traffic images | |
| CN105528772B (zh) | 一种基于指导性滤波的图像融合方法 | |
| Yu et al. | Decolorization algorithm based on contrast pyramid transform fusion | |
| Guan et al. | DiffWater: Underwater Image Enhancement Based on Conditional Denoising Diffusion Probabilistic Model | |
| CN116051444A (zh) | 一种有效的红外与可见光图像自适应融合方法 | |
| Kubiak et al. | Silt: Self-supervised lighting transfer using implicit image decomposition |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
| RJ01 | Rejection of invention patent application after publication |