CN111028200B - 基于无参考图像质量评价和msr的图像优化方法 - Google Patents
基于无参考图像质量评价和msr的图像优化方法 Download PDFInfo
- Publication number
- CN111028200B CN111028200B CN201911106156.7A CN201911106156A CN111028200B CN 111028200 B CN111028200 B CN 111028200B CN 201911106156 A CN201911106156 A CN 201911106156A CN 111028200 B CN111028200 B CN 111028200B
- Authority
- CN
- China
- Prior art keywords
- image
- particle
- fitness
- channels
- under
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 claims description 65
- 230000009467 reduction Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000007792 addition Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 210000001525 retina Anatomy 0.000 abstract description 12
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无参考图像质量评价和MSR的图像优化方法，充分利用机器学习进行无参考图像质量评估，然后采用优化的算法，对多尺度视网膜增强算法的大中小三个尺度的权值进行优化，得出一组最优的解，从根本上把多尺度视网膜增强算法进行了优化，得出了最优的图像还原效果；同时本方法还是通用的。
Description
技术领域
本发明涉及图像优化领域，尤其涉及一种基于无参考图像质量评价和MSR的图像优化方法。
背景技术
随着信息化时代的到来，信息技术和信息产业在经济和社会发展中的作用日益加强，而图像作为信息的一种重要载体，发挥着越来越大的作用。然而数字图像在获取、处理、压缩、存储、传输和重构的各个环节中，都会不可避免地出现图像质量下降的问题，为了得到更准确、可靠的图像，各种图像增强算法层出不穷，图像质量评价是评估这些算法优劣的重要手段。因此，建立一种良好的图像质量评价指标具有十分重要的意义。图像质量评价方法分为主观质量评价和客观质量评价两种。
其中，客观质量评价是主流。客观质量评价是指使用一个或多个图像的度量指标，建立与图像质量相关的数学模型并用计算机对图像质量进行评价，其目标是客观评价结果与人的主观感受相一致。这类方法的优点在于是速度快、费用低、应用领域广，不受主观因素的影响，缺点是它往往忽略了人眼的主观感受，结果并不准确。根据图像评价过程中对原始图像的依赖程度，图像客观质量评价可以分为三类，全参考(Full Reference，FR)方法、部分参考(Reduced Reference，RR)方法以及无参考(No Reference，NR)方法。现在常用的图像质量评价方法大多属于全参考和部分参考方法，这两类方法往往需要借助参考图像的全部或部分图像特征，这在实际应用中也很难实现。无参考方法由于无需借助参考图像，普适性强，成为近年来研究的热点。现有无参考算法主要分为三类：
(1)针对特定失真类型，此类方法只适用于待评价图像的失真类型已知的情况，局限较大。
(2)基于自然场景统计特征(Natural Scene Statistics，NSS)，通过自然像特征提取，计算失真图像与自然图像在统计规律上的偏差即可得到图像质量评价结果，但由于自然图像真实的统计特征规律然仍有很多未知，目前对自然图像特征的研究仍有不足，这类方法评价结果不佳。
(3)基于机器学习(Machine Learning，ML)的方法，提取图像特征后，通过机器学习，建立图像质量评价模型。该类方法结果与主观结果一致性较高，而且适用性强，可以根据不同的图像数据库建立相应模型。
多尺度视网膜增强算法(Multi-Scale Retinex，MSR)中的Retinex这个词是由视网膜(Retina)和大脑皮层(Cortex)两个词组合构成的。Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均匀性的影响，具有一致性。根据Retinex理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射。
在Retinex理论的基础上，人们提出了单尺度视网膜增强(Single ScaleRetinex，SSR)；以及多尺度视网膜增强算法(Multi-Scale Retinex，MSR)，MSR中最为经典的就是3尺度的，大、中、小，既能实现图像动态范围的压缩，又能保持色感的一致性较好。同单尺度相比，多尺度视网膜增强算法具有很好的还原效果，受到了科研工作者的追捧，该算法有在计算时步骤有所不同。
但是MSR它的对大、中、小三个尺度的权值设定时，要求各尺度权重之和必须为1，经典的取值为等权重，而没有一个合理的、令人信服的理由，这一点是人们比较难以接受的，受到大家的诟病。
如果有一种算法，能够充分利用机器学习进行无参考图像质量评估，然后采用优化的算法，对多尺度视网膜增强算法的大中小三个尺度的权值进行优化，得出一组最优的解，那么就可以一是从根本上把多尺度视网膜增强算法进行了优化，得出了最优的图像还原效果；二是形成了一套通用的图像还原算法。
查阅现有的专利、论文，并未发现相关的资料。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于无参考图像质量评价和MSR的图像优化方法。
本发明为解决上述技术问题采用以下技术方案：
基于无参考图像质量评价和MSR的图像优化方法，包含以下步骤：
步骤1)，将输入彩色图像分解为红、绿、蓝三个通道下的灰度图，获得三个通道下的灰度图像Si(x，y)，其中i代表第i通道，i为大于等于1小于等于3的整数，第1、第2、第3通道分别代表红、绿、蓝三个通道；x、y分别为图像中像素点的横向坐标、纵向坐标；
步骤2)，对于每个通道下的灰度图像Si(x，y)，计算其平均标准偏差σ1i作为其第一尺度参数，并按下面公式计算其第二尺度参数σ2i、第三尺度参数σ3i：
σ2i＝σ1i+0.5
σ3i＝σ1i+1
步骤3)，用Retinex的方案把灰度图像Si(x，y)在σ1i、σ2i、σ3i三个尺度下进行还原：
式中，
分别为第i个通道的灰度图像在σ1i、σ2i、σ3i三个尺度下的还原结果；/>
分别为第i个通道的灰度图像在σ1i、σ2i、σ3i三个尺度下的高斯滤波函数；
步骤4)，采用粒子群优化算法进行对灰度图像Si(x，y)的三个尺度的权重进行统一优化，即三个尺度权重共同适用于三个通道；
步骤4.1)，设置灰度图像Si(x，y)在σ1i、σ2i、σ3i三个尺度下还原的图像尺度权值W11、W21、W31，其中W31＝1-W11-W21，W11、W21、W31均大于等于0小于等于1，具体设置方法如下：
在0≤1-W11-W21≤1、0≤W11≤1、0≤W21≤1的前提下，随机设置W11和W21，然后根据W11、W21计算出W31；
步骤4.2)，设置当前迭代次数n＝1，设置最大迭代次数Itmax，设置最小适应度函数目标值Fittarget，设置粒子运动步长step，设置粒子数pa；
步骤4.3)，用下式还原每个粒子第n次迭代时在红、绿、蓝三个通道下的图像log(Rin(x，y))；
步骤4.4)，对图像log(Rin(x，y))采用反对数还原，即令
步骤4.5)，将每个粒子在红、绿、蓝三个通道下的图像Rin(x，y)合并成一张彩色图片，采用空间频谱熵的质量指标SSEQ图像质量评价算法对该彩色图片进行图像质量评价，获得三个index(i,n)；然后把三个相加取反，获得适应度函数Fitness(n)：
步骤4.6)，判断是否存在Fitness(n)＜Fittarget的粒子或者n+1>Itmax，如果存在Fitness(n)＜Fittarget的粒子，将第n次迭代时的粒子位置作为最优值并执行步骤5)；如果n+1>Itmax，将最优适应度gbest的位置作为最优值并执行步骤5)；如果不存在Fitness(n)＜Fittarget的粒子且n+1≤Itmax，执行步骤4.7)；
步骤4.7)，以最小为目标，更新记录每个粒子的历史最优适应度pbest和整个粒子群体的最优适应度gbest；
步骤4.8)，依据标准粒子群优化算法的更新算法进行位置更新：
v(n+1)＝v(n)+c1*rand*(pbest-W(n))+c1*rand*(gbest-W(n))
W(n+1)＝W(n)+v(n+1)
其中，v(n+1)为第n+1次的位置更新值；v(n)为第n次的位置更新值；c1、c2分别为预先设定的粒子的历史最优适应度pbest、整个粒子群体的最优适应度gbest对整个更新的影响；rand表示为0～1之间的随机数，用于增加整个算法的随机性，从而提高跳出局部最优的能力；W(n)为第n次迭代时粒子的位置，由第n次迭代时粒子所处位置W1、W2、W3所组成；W(n+1)为第n+1次迭代时粒子的位置；
步骤4.9)，根据W(n+1)计算W1n+1、W2n+1、W3n+1，并令n＝n+1；
步骤4.10)，跳转执行步骤4.3)；
步骤5)，获得取最优值时粒子在σ1i、σ2i、σ3i三个尺度下还原的图像尺度权值W1o、W2o、W3o，o为取最优值时粒子的迭代次数，通过以下公式还原此时粒子在红、绿、蓝三个通道下的图像log(Rio(x，y))；
对图像log(Rio(x，y))采用反对数还原，即令
将此时粒子在红、绿、蓝三个通道下的图像Rio(x，y)合并成一张彩色图片，即为优化后的照片。
所述c1、c2优先设置为0.5。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明能够充分利用机器学习进行无参考图像质量评估，然后采用优化的算法，对多尺度视网膜增强算法的大中小三个尺度的权值进行优化，得出一组最优的解，从根本上把多尺度视网膜增强算法进行了优化，得出了最优的图像还原效果；此外，本发明这种图像还原方法还是一种通用的方法。
附图说明
图1是本发明实施例的MSR图像优化流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。
本发明基于现有的人工智能、机器视觉，提出了一套基于无参考图像质量评价中的基于空间频谱熵的质量指标(Spatial-Spectral Entropy-based Quality index，SSEQ)、多尺度视网膜增强算法(Multi-Scale Retinex，MSR)的用于图像优化的方法。它能够充分利用机器学习进行无参考图像质量评估，然后采用优化的算法，对多尺度视网膜增强算法的大中小三个尺度的权值进行优化，得出一组最优的解，从根本上把多尺度视网膜增强算法进行了优化，得出了最优的图像还原效果；此外，本发明这种图像还原方法还是一种通用的方法。
多尺度视网膜增强方法优化部分中，首先解释MSR原理，Retinex模型可以通过公式表示：S(x，y)＝L(x，y)·R(x，y)，其中，S(x，y)是获得的物体图像，L(x，y)是入射光照射分量，它决定了图像灰度值变化范围，R(x，y)是反射图像，因为物体的反射特性是由物体本质内在属性决定。x，y是图像的横坐标和纵坐标。所以可以通过降低入射光照对图像的影响，得到反射体的本质属性，达到增强图像的目的。
两边取对数可得：
log(R(x，y))＝log(S(x，y))-log(L(x，y))
入射光分量L(x，y)通过高斯滤波方法从原始图像S(x，y)中估计出来：
其中，σ是高斯函数的标准差，也称为尺度常量。λ是归一化常量，λ使得
∫∫G(x，y)dxdy＝1
log(Ri(x，y))＝log(Si(x，y))-log(Si(x，y)*G(x，y))
其中，i代表图像的某个通道，即红绿蓝三通道中的一个，符号*代表的是卷积。
下面给出本发明的详细步骤：
基于无参考图像质量评价和MSR的图像优化方法，包含以下步骤：
步骤1)，将输入彩色图像分解为红、绿、蓝三个通道下的灰度图，获得三个通道下的灰度图像Si(x，y)，其中i代表第i通道，i为大于等于1小于等于3的整数，第1、第2、第3通道分别代表红、绿、蓝三个通道；x、y分别为图像中像素点的横向坐标、纵向坐标；
步骤2)，对于每个通道下的灰度图像Si(x，y)，计算其平均标准偏差σ1i作为其第一尺度参数，并按下面公式计算其第二尺度参数σ2i、第三尺度参数σ3i：
σ2i＝σ1i+0.5
σ3i＝σ1i+1
步骤3)，用Retinex的方案把灰度图像Si(x，y)在σ1i、σ2i、σ3i三个尺度下进行还原：
式中，
分别为第i个通道的灰度图像在σ1i、σ2i、σ3i三个尺度下的还原结果；/>
分别为第i个通道的灰度图像在σ1i、σ2i、σ3i三个尺度下的高斯滤波函数；
步骤4)，采用粒子群优化算法进行对灰度图像Si(x，y)的三个尺度的权重进行统一优化，即三个尺度权重共同适用于三个通道；
步骤4.1)，设置灰度图像Si(x，y)在σ1i、σ2i、σ3i三个尺度下还原的图像尺度权值W11、W21、W31，其中W31＝1-W11-W21，W11、W21、W31均大于等于0小于等于1，具体设置方法如下：
在0≤1-W11-W21≤1、0≤W11≤1、0≤W21≤1的前提下，随机设置W11和W21，然后根据W11、W21计算出W31；
步骤4.2)，设置当前迭代次数n＝1，设置最大迭代次数Itmax，设置最小适应度函数目标值Fittarget，设置粒子运动步长step，设置粒子数pa；
步骤4.3)，用下式还原每个粒子第n次迭代时在红、绿、蓝三个通道下的图像log(Rin(x，y))；
步骤4.4)，对图像log(Rin(x，y))采用反对数还原，即令
步骤4.5)，将每个粒子在红、绿、蓝三个通道下的图像Rin(x，y)合并成一张彩色图片，采用空间频谱熵的质量指标SSEQ图像质量评价算法对该彩色图片进行图像质量评价，获得三个index(i,n)；然后把三个相加取反，获得适应度函数Fitness(n)：
步骤4.6)，判断是否存在Fitness(n)＜Fittarget的粒子或者n+1>Itmax，如果存在Fitness(n)＜Fittarget的粒子，将第n次迭代时的粒子位置作为最优值并执行步骤5)；如果n+1>Itmax，将最优适应度gbest的位置作为最优值并执行步骤5)；如果不存在Fitness(n)＜Fittarget的粒子且n+1≤Itmax，执行步骤4.7)；
步骤4.7)，以最小为目标，更新记录每个粒子的历史最优适应度pbest和整个粒子群体的最优适应度gbest；
步骤4.8)，依据标准粒子群优化算法的更新算法进行位置更新：
v(n+1)＝v(n)+c1*rand*(pbest-W(n))+c1*rand*(gbest-W(n))
W(n+1)＝W(n)+v(n+1)
其中，v(n+1)为第n+1次的位置更新值；v(n)为第n次的位置更新值；c1、c2分别为预先设定的粒子的历史最优适应度pbest、整个粒子群体的最优适应度gbest对整个更新的影响；rand表示为0～1之间的随机数，用于增加整个算法的随机性，从而提高跳出局部最优的能力；W(n)为第n次迭代时粒子的位置，由第n次迭代时粒子所处位置W1、W2、W3所组成；W(n+1)为第n+1次迭代时粒子的位置；
步骤4.9)，根据W(n+1)计算W1n+1、W2n+1、W3n+1，并令n＝n+1；
步骤4.10)，跳转执行步骤4.3)；
步骤5)，获得取最优值时粒子在σ1i、σ2i、σ3i三个尺度下还原的图像尺度权值W1o、W2o、W3o，o为取最优值时粒子的迭代次数，通过以下公式还原此时粒子在红、绿、蓝三个通道下的图像log(Rio(x，y))；
对图像log(Rio(x，y))采用反对数还原，即令
将此时粒子在红、绿、蓝三个通道下的图像Rio(x，y)合并成一张彩色图片，即为优化后的照片。
所述c1、c2优先设置为0.5。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.基于无参考图像质量评价和MSR的图像优化方法，其特征在于，包含以下步骤：
步骤1)，将输入彩色图像分解为红、绿、蓝三个通道下的灰度图，获得三个通道下的灰度图像Si(x,y)，其中i代表第i通道，i为大于等于1小于等于3的整数，第1、第2、第3通道分别代表红、绿、蓝三个通道；x、y分别为图像中像素点的横向坐标、纵向坐标；
步骤2)，对于每个通道下的灰度图像Si(x,y)，计算其平均标准偏差σ1i作为其第一尺度参数，并按下面公式计算其第二尺度参数σ2i、第三尺度参数σ3i：
σ2i＝σ1i+0.5
σ3i＝σ1i+1
步骤3)，用Retinex的方案把灰度图像Si(x,y)在σ1i、σ2i、σ3i三个尺度下进行还原：
式中，
分别为第i个通道的灰度图像在σ1i、σ2i、σ3i三个尺度下的还原结果；/>
分别为第i个通道的灰度图像在σ1i、σ2i、σ3i三个尺度下的高斯滤波函数；
步骤4)，采用粒子群优化算法进行对灰度图像Si(x,y)的三个尺度的权重进行统一优化，即三个尺度权重共同适用于三个通道；
步骤4.1)，设置灰度图像Si(x,y)在σ1i、σ2i、σ3i三个尺度下还原的图像尺度权值W11、W21、W31，其中W31＝1-W11-W21，W11、W21、W31均大于等于0小于等于1，具体设置方法如下：
在0≤1-W11-W21≤1、0≤W11≤1、0≤W21≤1的前提下，随机设置W11和W21，然后根据W11、W21计算出W31；
步骤4.2)，设置当前迭代次数n＝1，设置最大迭代次数Itmax，设置最小适应度函数目标值Fittarget，设置粒子运动步长step，设置粒子数pa；
步骤4.3)，用下式还原每个粒子第n次迭代时在红、绿、蓝三个通道下的图像log(Rin(x,y))；
步骤4.4)，对图像log(Rin(x,y))采用反对数还原，即令
步骤4.5)，将每个粒子在红、绿、蓝三个通道下的图像Rin(x,y)合并成一张彩色图片，采用空间频谱熵的质量指标SSEQ图像质量评价算法对该彩色图片进行图像质量评价，获得三个index(i,n)；然后把三个index(i,n)相加取反，获得适应度函数Fitness(n)：
步骤4.6)，判断是否存在Fitness(n)<Fittarget的粒子或者n+1>Itmax，如果存在Fitness(n)<Fittarget的粒子，将第n次迭代时的粒子位置作为最优值并执行步骤5)；如果n+1>Itmax，将最优适应度gbest的位置作为最优值并执行步骤5)；如果不存在Fitness(n)<Fittarget的粒子且n+1≤Itmax，执行步骤4.7)；
步骤4.7)，以每个粒子的历史最优适应度pbest和整个粒子群体的最优适应度gbest的取值最小为目标，更新记录每个粒子的历史最优适应度pbest和整个粒子群体的最优适应度gbest；
步骤4.8)，依据标准粒子群优化算法的更新算法进行位置更新：
v(n+1)＝v(n)+c1*rand*(pbest-W(n))+c1*rand*(gbest-W(n))
W(n+1)＝W(n)+v(n+1)
其中，v(n+1)为第n+1次的位置更新值；v(n)为第n次的位置更新值；c1、c2分别为预先设定的粒子的历史最优适应度pbest、整个粒子群体的最优适应度gbest对整个更新的影响；rand表示为0～1之间的随机数，用于增加整个算法的随机性，从而提高跳出局部最优的能力；W(n)为第n次迭代时粒子的位置，由第n次迭代时粒子所处位置W1、W2、W3所组成；W(n+1)为第n+1次迭代时粒子的位置；
步骤4.9)，根据W(n+1)计算W1n+1、W2n+1、W3n+1，并令n＝n+1；
步骤4.10)，跳转执行步骤4.3)；
步骤5)，获得取最优值时粒子在σ1i、σ2i、σ3i三个尺度下还原的图像尺度权值W1o、W2o、W3o，o为取最优值时粒子的迭代次数，通过以下公式还原此时粒子在红、绿、蓝三个通道下的图像log(Rio(x,y))；
对图像log(Rio(x,y))采用反对数还原，即令
将此时粒子在红、绿、蓝三个通道下的图像Rio(x,y)合并成一张彩色图片，即为优化后的照片。
2.根据权利要求1所述的基于无参考图像质量评价和MSR的图像优化方法，其特征在于，所述c1、c2均等于0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911106156.7A CN111028200B (zh) | 2019-11-13 | 2019-11-13 | 基于无参考图像质量评价和msr的图像优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911106156.7A CN111028200B (zh) | 2019-11-13 | 2019-11-13 | 基于无参考图像质量评价和msr的图像优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111028200A CN111028200A (zh) | 2020-04-17 |
| CN111028200B true CN111028200B (zh) | 2023-05-23 |
Family
ID=70205605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911106156.7A Active CN111028200B (zh) | 2019-11-13 | 2019-11-13 | 基于无参考图像质量评价和msr的图像优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111028200B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640081B (zh) * | 2020-06-09 | 2023-04-28 | 南京信息工程大学 | 一种基于优化和暗通道的水下图像恢复方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766285A (zh) * | 2015-04-17 | 2015-07-08 | 河海大学常州校区 | 一种水下降质图像的自适应增强方法 |
| CN104915933A (zh) * | 2015-06-01 | 2015-09-16 | 长安大学 | 一种基于apso-bp耦合算法的雾天图像增强方法 |
| CN106780375A (zh) * | 2016-12-02 | 2017-05-31 | 南京邮电大学 | 一种低照度环境下的图像增强方法 |
| CN109829862A (zh) * | 2019-01-22 | 2019-05-31 | 三峡大学 | 一种基于多尺度Retinex的太阳耀斑图像去云方法 |
| CN109872285A (zh) * | 2019-01-21 | 2019-06-11 | 电子科技大学 | 一种基于变分约束的Retinex低照度彩色图像增强方法 |
| CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
| CN110334774A (zh) * | 2019-07-12 | 2019-10-15 | 长春工业大学 | 一种基于权值改进mrmr和pso优化svm的医学图像分类算法 |
-
2019
- 2019-11-13 CN CN201911106156.7A patent/CN111028200B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766285A (zh) * | 2015-04-17 | 2015-07-08 | 河海大学常州校区 | 一种水下降质图像的自适应增强方法 |
| CN104915933A (zh) * | 2015-06-01 | 2015-09-16 | 长安大学 | 一种基于apso-bp耦合算法的雾天图像增强方法 |
| CN106780375A (zh) * | 2016-12-02 | 2017-05-31 | 南京邮电大学 | 一种低照度环境下的图像增强方法 |
| CN109872285A (zh) * | 2019-01-21 | 2019-06-11 | 电子科技大学 | 一种基于变分约束的Retinex低照度彩色图像增强方法 |
| CN109829862A (zh) * | 2019-01-22 | 2019-05-31 | 三峡大学 | 一种基于多尺度Retinex的太阳耀斑图像去云方法 |
| CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
| CN110334774A (zh) * | 2019-07-12 | 2019-10-15 | 长春工业大学 | 一种基于权值改进mrmr和pso优化svm的医学图像分类算法 |
Non-Patent Citations (3)
| Title |
|---|
| HSV色彩空间下三边滤波的Retinex图像增强算法;李志龙;《信息技术与信息化》;20191025(第10期);120-122 * |
| Underwater image enhancement via extended multi-scale Retinex;Shu Zhang et.al;《Neurocomputing》;20170705;Pages 1-9 * |
| 基于生物地理学优化算法的多尺度Retinex权重选择;张北伟等;《信息与控制》;20170815;第46卷(第4期);437-442 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111028200A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
| CN108053374B (zh) | 一种结合双边滤波与Retinex的水下图像增强方法 | |
| Celik | Spatial mutual information and PageRank-based contrast enhancement and quality-aware relative contrast measure | |
| CN111242878B (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
| Liu et al. | Low-light video image enhancement based on multiscale retinex-like algorithm | |
| Cao et al. | Enhancement of blurry retinal image based on non-uniform contrast stretching and intensity transfer | |
| CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
| CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
| CN111028200B (zh) | 基于无参考图像质量评价和msr的图像优化方法 | |
| Lei et al. | A novel intelligent underwater image enhancement method via color correction and contrast stretching✰ | |
| CN112419163B (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
| Liu et al. | Low-light image enhancement based on membership function and gamma correction | |
| Feng et al. | Low-light color image enhancement based on Retinex | |
| CN117611467A (zh) | 一种能同时平衡不同区域细节和亮度的低光图像增强方法 | |
| CN106204476B (zh) | 一种低照度彩色图像增强方法 | |
| CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
| CN117274085A (zh) | 低照度图像增强方法及装置 | |
| Song et al. | Adaptive retinex algorithm based on genetic algorithm and human visual system | |
| CN116563133A (zh) | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 | |
| Lakshmanan et al. | Automatic contrast enhancement for low contrast images: A comparison of recent histogram based techniques | |
| Xi et al. | Enhancement of unmanned aerial vehicle image with shadow removal based on optimized retinex algorithm | |
| Tang et al. | Structure–texture decomposition-based dehazing of a single image with large sky area | |
| Shang | Deep separable convolution neural network for illumination estimation | |
| Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
| CN111179224A (zh) | 一种基于联合学习的航拍图像修复质量的无参考评价方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230728 Address after: Room 1303, 1305, and 1306, 13th floor, Building 8, No. 373 Jiangdong Middle Road, Jianye District, Nanjing City, Jiangsu Province, 210019 Patentee after: Nanjing Baituo Vision Technology Co.,Ltd. Address before: No. 219, ningliu Road, Jiangning District, Nanjing, Jiangsu 210044 Patentee before: Nanjing University of Information Science and Technology |
|
| TR01 | Transfer of patent right |