CN111242878B - 基于布谷鸟搜索的矿井下图像增强方法 - Google Patents

Abstract

本发明公开了一种基于布谷鸟搜索的矿井下图像增强方法，采用布谷鸟搜索算法结合本发明提出的BGDPH算法对图像进行增强处理，其步骤为：先将矿井下图像转换到HSV颜色空间、并对饱和度分量S进行自适应非线性拉伸处理；接着初始化布谷鸟搜索算法参数和种群，就每个鸟巢位置对亮度分量V进行BGDPH算法处理得到中间图像；然后通过对中间图像的熵值、亮度差值和灰度标准方差的加权融合计算该鸟巢的适应度值，并采用Levy飞行的规则化方式迭代更新最佳鸟巢位置、最终的最优位置代入BGDPH算法来增强分量V；最后将HSV图像转换回RGB空间得到最终增强图像。本发明相比其它方法增强图像效果好、明显改善了矿井下图像的视觉效果。

Description

基于布谷鸟搜索的矿井下图像增强方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于布谷鸟搜索的矿井下图像增强方法。

背景技术

自2001年煤炭行业蓬勃发展起，煤矿企业数量和煤炭产量都在逐年上升，但是矿井安全形势相当严峻，大的事故频繁出现，给社会经济带来巨大的损失。当然，这些事故的发生有多种原因，但其中一个主要原因是煤矿环境治理措施未能正确使用。因此，当环境条件发生变化时，相关人员无法从视频监控系统捕获的图像中及时、正确地评价和发现危险，然后迅速向有关人员反映，最终导致灾难的发生。所以，在煤矿生产中，有必要对矿井下图像进行图像增强处理，以提高此类图像的视觉效果和图像质量。

图像增强方法中比较成熟的经典算法直方图均衡类算法主要关注增强图像对比度，可进一步分为全局直方图均衡和局部直方图均衡两类。直方图均衡(HE)由于其简单直接的实现而受到了相当多的关注，它属于全局增强，主要是重新映射灰度，从而使直方图服从均匀分布。然而，它只能处理与由图像的色调、饱和度和强度(亮度)特征组成的RGB颜色不兼容的灰度级。因此，许多研究人员提出了局部增强的方法，如自适应直方图均衡(AHE)和限制对比度的自适应直方图均衡算法(CLAHE)，AHE在增强图像时考虑了局部信息，能够突出细节和纹理，使图像能够包含更尖锐的边缘，但缺点是产生了很大的噪声；CLAHE在AHE的基础上，对每个子块直方图做了限制，很好的控制了AHE带来的噪声，图像对比度会更自然，但是其放大了平坦区域的噪声，并在强边缘产生环形伪影。为了克服亮度问题，研究者们提出了一些基于直方图的改进方法，如递归均值分割直方图均衡化(RMSHE)和保持亮度的动态直方图均衡化(BPDHE)方法。尽管这些方法在输出时保持输入图像亮度，但它们可能无法生成具有自然外观的图像。矿井下图像具有亮度低、对比度差等特点，以上基于直方图类的方法在处理图像时无法兼顾全局亮度增强和细节信息增强，导致图像增强效果不理想。

发明内容

针对现有方法无法兼顾全局亮度增强和细节信息增强，导致图像增强效果不理想的技术问题，本发明提出了一种基于布谷鸟搜索的矿井下图像增强方法，将群体智能技术与改进的图像增强技术相结合，将图像转换到HSV颜色空间，保持H分量不变，对S分量进行自适应非线性拉伸处理，对V分量采用布谷鸟搜索算法与本发明中结合双伽马变换和双平台直方图均衡化的优点提出的BGDPH方法进行自适应处理，并将图像灰度标准方差、熵值和亮度差值相融合构建评价函数，通过规则化的方式不断寻优以找到最优参数值来增强矿井下图像。

本发明的技术方案是这样实现的：

基于布谷鸟搜索的矿井下图像增强方法，其步骤如下：

步骤一、输入并读取原始矿井下图像，将原始RGB图像转换至HSV颜色空间；

步骤二、保持H分量不变、对饱和度S分量进行自适应非线性拉伸处理；

步骤三、设置布谷鸟搜索算法参数并初始化群体，随机产生N个鸟巢的初始位置；

步骤四、使用每个鸟巢的位置信息作为参数代入BGDPH算法对矿井下图像的V分量进行处理，得到中间图像；

步骤五、将中间图像的信息作为目标函数的输入信息，得到每个鸟巢的适应度值，并记录当前的最优鸟巢位置和该位置的适应度值fitness1；

步骤六、保留原来群体的最优鸟巢位置，通过规则化方式更新其他鸟巢位置，使用新的鸟巢位置信息对V分量图像进行BGDPH算法处理并计算鸟巢的适应度值，记录最优位置和该位置的适应度值fitness2；

步骤七、判断是否进行群体替换，若fitness1＜fitness2，则用新的群体替换原来的群体同时更新最优鸟巢位置及其适应度值；

步骤八、判断当前群体鸟巢位置的布谷鸟蛋是否被发现，若被发现，则通过规则化的方式更新鸟巢位置，若未被发现则保留鸟巢位置；

步骤九、判断是否达到迭代停止条件，若未达到，则跳转到步骤四，若达到迭代停止条件，则退出循环，保存最优鸟巢位置信息；

步骤十、使用步骤九得到的最优位置信息参数作为BGDPH算法的参数对矿井下图像的V分量进行处理；

步骤十一、将经过处理的HSV分量进行反转至RGB颜色空间得到最终增强图像。

优选的，所述步骤二的自适应非线性拉伸的实现方法为：

其中，S为非线性拉伸前图像饱和度，S′为非线性拉伸后图像饱和度，max(R，G，B)、min(R，G，B)和mean(R，G，B)分别为图像在RGB颜色空间，对应像素点的R、G、B颜色分量的最大值、最小值和平均值。

优选的，所述步骤三的初始化方法为：

S31：初始化参数：初始化鸟巢个数为N，鸟巢位置信息的维度为D，布谷鸟蛋被发现的概率Pa以及最大迭代次数为T；

S32：初始化每个鸟巢的位置：随机产生一个群体，初始化各鸟巢的位置，将其限制在一定区间内，在一定区间内随机产生一组解集。

优选的，所述步骤四的BGDPH算法的实现方法为：

其中，V_en为增强后亮度分量，V_he为通过双平台直方图均衡算法处理原始图像V分量得到的图像，V_ge为双伽马扩展图像，V_gc为双伽马压缩图像，a、b是可调节变量，用于调整图像增强效果好坏，其取值为迭代过程中所得的鸟巢位置。所述V_ge和V_gc的实现方法为：V_ge＝x^c，V_gc＝1-(1-x)^c，其中，x是归一化之后输入图像的灰度值，c是可调节变量，用于调整图像增强程度，其取值为迭代过程中所得的鸟巢位置信息。所述对分量V进行双平台直方图均衡处理具体步骤为：

S41：统计直方图信息，即统计每个灰度级的像素点个数h(r_k)，其中，r_k是第k级灰度值；

S42：将统计得到的灰度级信息修正，修正公式如下：

其中，H(r_k)为图像的双平台直方图值，h(r_k)为图像的统计直方图值，L为图像的灰度级数，T₁为上限平台，T₂为下限平台；

S43：将S42得到的灰度级信息累计，累计公式如下：

S44：通过累计直方图对图像的灰度进行重新分配，得到均衡化的灰度值D(r_k)：

D(r_k)＝[(L-1)F(r_k)/F(r_L-1)]，式中，[]表示取整；

S45：对双直方图均衡后的灰度级数目进行统计，令：

其中，M_k-1为双平台直方图均衡后图像实际有效的灰度级数；

S46：直方图灰度间距均衡处理，变换函数为：

其中，V_k为灰度级进行等间距排列之后第k级灰度值，从而获得连续的图像V_he。

优选的，所述步骤五的鸟巢适应度值fitness的计算步骤为：

S51：中间图像V_i的熵值H_i为：

其中，p(j)是中间图像V_i灰度值为j的像素所占的比例，

其中，T_i是中间图像V_i中的像素总数，k_j为中间图像V_i中灰度值为j的像素点的数量，i的范围为i＝1，2，L，N，N为群体鸟巢个数；

S52：计算中间图像V_i的灰度标准方差Std_i；

S53：中间图像V_i的亮度差值Md_i为：

其中，M×N为图像大小，g_i(x，y)为图像x行y列处像素灰度值；

S54：鸟巢i的适应度值fitness_i为：fitness_i＝α₁×H_i+α₂×Std_i+α₃×Md_i，其中，α₁、α₂和α₃为常数。

优选的，所述步骤五的最优鸟巢位置获取方法为：通过比较各鸟巢位置的适应度值大小、选择适应度值最大对应的鸟巢位置作为最优鸟巢位置，并保存为当前最优。

优选的，所述步骤六的鸟巢位置更新方法为：

其中，x_i ^(t)表示第i个鸟巢在第t次迭代的位置，

表示点对点乘法，α表示步长因子，用来控制步长大小，通常取值为1，Levy(λ)为服从参数λ的Levy飞行产生的一个随机搜索路径。

优选的，所述步骤八的布谷鸟蛋是否被发现的判断方法为：通过发现概率Pa来判断鸟巢位置是否会被发现从而被抛弃。

优选的，所述步骤八的被发现鸟巢的位置更新方法为：同步骤六鸟巢位置更新方法一致。

优选的，所述步骤九的迭代停止条件为：判断当前迭代次数t是否达到最大迭代次数T。

本发明的有益效果：与直方图均衡化算法(HE)、自动色彩增强算法(ACE)、多尺度Retinex算法(MSR)、带彩色恢复的多尺度Retinex算法(MSRCR)、带有色彩保护的多尺度Retinex(MSRCP)、Kanmani等人提出方法以及Al-Ameen提出方法相比，本发明对矿井下图像进行增强时综合考虑了图像亮度、对比度及其细节信息，实现图像增强时不发生细节信息丢失和产生过增强现象。本发明对矿井下图像进行增强，能使增强后图像细节清晰、对比度强、颜色饱满，在图像亮度提升的同时颜色状态也得到了很好的自然恢复，明显改善了矿井下图像的视觉效果，对矿井下图像处理具有重要意义。

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为本发明的流程图。

图2为本发明的评价函数计算流程图。

图3为本发明具体实施例中的矿井下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ACE的输出结果，(d)为MSR的输出结果，(e)为MSRCR的输出结果，(f)为MSRCP的输出结果，(g)为Kanmani等人提出方法的输出结果，(h)为A1-Ameen提出方法的输出结果，(i)为本发明方法的输出结果。

具体实施方式

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。

如图1所示，基于布谷鸟搜索的矿井下图像增强方法，将原始输入的矿井下图像转换到HSV颜色空间，保持H分量不变，对S分量进行自适应非线性拉伸处理，对V分量采用布谷鸟搜索算法与提出的BGDPH方法进行自适应处理，并将图像灰度标准方差、熵值和亮度差值相融合构建评价函数，通过规则化的方式不断寻优以找到最优参数值来增强矿井下图像，具体步骤如下：

步骤一、输入并读取原始矿井下图像，将原始RGB图像转换至HSV颜色空间，将图像的H分量(色调)、S分量(饱和度)和V分量(亮度)分离。具体实现为：利用matlab中的函数imread读取输入的原始矿井下图像，并使用函数rgb2hsv将输入原始矿井下图像转换至HSV空间得到图像的H、S、V各分量以便对其进行单独处理。

步骤二、保持H分量不变、对饱和度S分量进行自适应非线性拉伸处理增强图像饱和度，本发明所构建的自适应非线性拉伸函数定义为：

其中，S为非线性拉伸前图像饱和度，S′为非线性拉伸后图像饱和度，max(R，G，B)、min(R，G，B)和mean(R，G，B)分别为图像在RGB颜色空间、对应像素点的R、G、B颜色分量的最大值、最小值和平均值，max(R，G，B)可通过matlab中函数max来获取，min(R，G，B)可通过matlab中函数min来获取，mean(R，G，B)则可通过计算图像三通道各像素点的像素值总和除以图像总的像素点数来获取。

步骤三、设置布谷鸟搜索算法参数并初始化群体，随机产生N个鸟巢的初始位置。

S31：初始化参数：初始化鸟巢个数为N＝30，鸟巢位置信息的维度为D＝3，布谷鸟蛋被发现的概率Pa＝0.25，以及最大迭代次数为T＝36；

S32：初始化每个鸟巢的位置：随机产生一个群体，初始化各鸟巢的位置，将其限制在一定区间内，将所有鸟巢的第一维位置信息随机设置在[0，1]之间，第二维位置信息设置在[1，3]之间，第三维信息设置在[2，4]之间，在区间内随机产生一组解集。

步骤四、使用每个鸟巢的位置信息作为参数代入BGDPH算法对矿井下图像的V分量进行处理，得到中间图像，BGDPH算法的实现方法为：

其中，a、b是变量参数，用于调整图像增强效果，其取值为迭代过程中所得的鸟巢位置信息，V_en为增强后亮度分量，V_he为原图像V分量通过双平台直方图均衡算法处理得到的图像，V_ge为双伽马扩展图像，V_gc为双伽马压缩图像，具体实施时使用的V_ge和V_gc公式如下所示：

式中，x是归一化之后输入图像的灰度值，c是可调节变量，用于调整图像增强程度，其取值为迭代过程中所得的鸟巢位置信息参数；

具体实施时对分量V进行双平台直方图均衡处理步骤为：

S41：统计直方图信息，即统计每个灰度级的像素点个数h(r_k)，其中，r_k是第k级灰度值；

S42：将统计得到的灰度级信息修正，修正公式如下：

其中，H(r_k)为图像的双平台直方图值，h(r_k)为图像的统计直方图值，L为图像的灰度级数，T₁为上限平台，本发明取值为6000，T₂为下限平台，本发明取值为300；

S43：将S42得到的灰度级信息累计，累计公式如下：

S44：通过累计直方图对图像的灰度进行重新分配，得到均衡化的灰度值D(r_k)：

D(r_k)＝[(L-1)F(r_k)/F(r_L-1)]，式中，[]表示取整；

S45：对双直方图均衡后的灰度级数目进行统计，令：

其中，M_k-1为双平台直方图均衡后图像实际有效的灰度级数；

S46：直方图灰度间距均衡处理，变换函数为：

其中，V_k为灰度级进行等间距排列之后第k级灰度值，从而获得连续的图像V_he。

步骤五、将中间图像的信息作为目标函数的输入信息，得到每个鸟巢的适应度值，并记录当前的最优位置和该位置的适应度值fitness1，鸟巢适应度值fitness的计算步骤为：

S51：中间图像V_i的熵值H_i为：

其中，p(j)是中间图像V_i灰度值为j的像素所占的比例，

其中，T_i是中间图像V_i中的像素总数，对于大小为n×m的中间增强图像V_i，中间增强图像V_i的像素总数为n×m，也即，T_i＝n×m，k_j为中间图像V_i中灰度值为j的像素点的数量，i的范围为i＝1，2，L，N，N为群体鸟巢个数；

S52：中间图像V_i的灰度标准方差Std_i：利用matlab中的函数std2对中间图像V_i计算标准差，然后求平方即为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V_i转换为double型图像O_i，再去计算标准差，否则无法计算相关统计量；

S53：中间图像V_i的亮度差值Md_i为：

其中，M×N为图像大小，g_i(x，y)为图像x行y列处像素灰度值，在matlab中可通过sum函数来对各像素点的灰度值进行求和；

S54：鸟巢i的适应度值fitness_i为：fitness_i＝α₁×H_i+α₂×Std_i+α₃×Md_i，其中，α₁、α₂和α₃为常数，典型的将α₁＝α₂＝α₃＝1/3；

S55：最优鸟巢位置获取方法为：通过比较各鸟巢位置的适应度值大小、选择适应度值最大对应的鸟巢位置作为最优鸟巢位置，并保存为当前最优fitness1。

步骤六、保留原来群体的最优鸟巢位置，通过规则化方式更新其他鸟巢位置，使用新的鸟巢位置信息对V分量图像进行BGDPH算法处理并计算鸟巢的适应度值，记录最优位置和该位置的适应度值fitness2，鸟巢位置更新方法为：

其中，x_i ^(t)表示第i个鸟巢在第t次迭代的位置，

表示点对点乘法，α表示步长因子，用来控制步长大小，通常取值为1，Levy(λ)为服从参数λ的Levy飞行产生的一个随机搜索路径，它的移动步长服从Levy稳定分布：

Levy～μ＝t^-λ，1＜λ≤3，其中，μ服从正态分布，λ为幂次系数，通常取λ＝1.5。

步骤七、判断是否进行群体替换，具体为通过比较新的群体中最优位置的适应度值fitness2和原来群体中最优位置的适应度值fitness1的大小，若fitness1＜fitness2，则用新的群体替换原来的群体同时更新最优鸟巢位置及其适应度值，否则保持原来的群体不更换。

步骤八、判断当前群体鸟巢位置的布谷鸟蛋是否被发现，当前鸟巢中布谷鸟蛋被发现的概率为Pa＝0.25，在这一概率条件下被发现的鸟巢将被寄主鸟抛弃，寄主鸟将会选择新的位置新建鸟巢，在这里，新建鸟巢位置的选择通过与步骤六相同的位置更新规则来选取，对于未被发现的鸟巢，鸟巢位置及其信息将被保留。

步骤九、判断是否达到迭代停止条件，若当前迭代次数t未达到设置的最大迭代次数T时，则跳转到步骤四，若当前迭代次数t达到设置的最大迭代次数T时，则退出循环，保存当前的最优鸟巢位置信息为最终的最优位置；

步骤十、使用步骤九得到的最优位置信息参数作为BGDPH算法的参数a、b、c，对矿井下图像的V分量进行处理，得到最终增强的V分量，本步骤中BGDPH算法的操作方法同步骤四一致，只是BGDPH算法的参数a、b、c会根据鸟巢位置变化有所不同。

步骤十一、将经过处理的HSV分量进行反转至RGB颜色空间得到最终增强图像，可通过matlab中的函数hsv2rgb来实现。

在本发明的一种实施例中，从大量低照度矿井下图像中选取了三个不同场景来进行实验，这三个场景中原始矿井下图像均亮度低、对比度差、纹理细节不清晰、可观测性较弱，采用本发明方法对矿井下图像进行增强处理，并与直方图均衡化算法(HE)、自动色彩增强算法(ACE)、多尺度Retinex算法(MSR)、带彩色恢复的多尺度Retinex算法(MSRCR)、带有色彩保护的多尺度Retinex算法(MSRCP)、Kanmani提出方法以及Al-Ameen提出方法进行增强效果对比，对比结果如图3所示。

图3(a)为输入的原始图像，观察可得，原始矿井下图像由于光照不足，暗处细节及颜色信息被隐藏，不能清晰的观察所有人和建筑物等背光面信息，需要同时提高图像对比度、饱和度和亮度；图3(b)为采用HE算法获取增强后的图像，从增强结果图可以看出对比度和亮度明显提高，在灯光等较亮区域存在过度增强问题，且亮区域扩大，影响亮度区域周围信息。而且，颜色与原始图像存在较大差别，画面失真明显，呈现效果较差；图3(c)显示了ACE的图像增强的结果，由图可知此方法对亮区域抑制效果较好，但与原始图像颜色信息仍然存在偏差，且增强结果不够清晰；图3(d)、图3(e)和图3(f)分别显示出了使用MSR、MSRCR和MSRCP方法增强彩色图像的结果，MSR、MSRCR和MSRCP亮度改善较为明显，但是图像对比度极低，尤其是MSR呈现灰蒙蒙的状态，视觉效果不清晰。经过MSRCR和MSRCP处理之后，图像颜色失真严重，此外，测试图像2和测试图像3经过MSRCP处理之后色调偏红，增强结果不自然；由图3(g)可见，Kanmani提出方法可以使图像亮度大幅度提高，但图像对比度很低，增强结果不自然；图3(h)是采用Al-Ameen提出方法获取的增强后图像效果，由图3(h)可见，图像亮度大大提高，对于高亮区域存在过度增强，严重影响了原始图像结构信息。由图3(i)可见，本发明方法细节清晰、对比度强、颜色饱满，图像亮度提升的同时颜色状态比原图得到明显改善，无色彩失真，图像中事物交界明显，能清晰分辨出不同景物的细节。综合对比结果得出，本发明算法处理矿井下图像，具有最好的视觉效果。

为了对本发明提出的方法在处理矿井下图像方面进行有效的客观量化评价，分别采用特征相似度(FSIM)、峰值信噪比(PSNR)、熵(H)、对比度改善指数(CII)四种评价指标对实验结果进行评估。

FSIM是指输入图像和输出图像之间的特征相似度，FSIM的值越大，参考图像和待测图像越相似，待测图像的质量越高，反之，待测图像的质量越差。若g₁(x)代表原始图像，g₂(x)表示增强图像，FSIM定义为：

S_L(x)＝S_PC(x)·S_G(x)

PC_m(x)＝max(PC₁(x)，PC₂(x))

其中，Ω表示整个空域，S_PC(x)表示图像g₁(x)和g₂(x)的特征相似性，S_L(x)表示像素位置处g₁(x)和g₂(x)的局部相似性，S_G(x)表示图像g₁(x)和g₂(x)的梯度相似性，PC₁和PC₂分别表示图像g₁(x)和g₂(x)的相位一致性信息，G₁(x)和G₂(x)分别表示表示参考图像g₁(x)和待测图像g₂(x)的梯度幅值，T₁和T₂为常量。

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，z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，m为图像高度，n为图像宽度。R(p，q)指原始图像第p行q列像素点的灰度值，F(p，q)为处理后图像第p行q列像素点的灰度值。

H为测试图像的熵值，其值越大，则图像所含的信息量越大，细节越丰富，其定义式如下：

其中p(i)是测试图像灰度值为i的像素所占的比例。

对比度改善指数(CII)是比较著名的图像增强测量指标，用于评估处理图像的对比度增益效果，其定义为：

它通过将图像分成3×3的小块图像，其中C是用3×3窗口测量的局部对比度的平均值，C_enhancement和C_original分别是输出和原始图像中局部对比度的平均值，对比度定义如下：

其中，max为该块图像灰度值的最大值，min为该块图像灰度值的最小值。

在本发明的一种实施例中，分别采用指标FSIM、PSNR、H和CII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1-4。

表1 测试图像FSIM值的定量比较

表2 测试图像PSNR值的定量比较

表3 测试图像的H值的定量比较

表4 测试图像CII值的定量比较

由表1可知经过各种方法处理后，本发明方法FSIM的值均明显大于其他方法得出的FSIM值，说明本发明方法处理图像失真相对较小，且更接近原始图像，增强效果自然；由表2可知，本发明方法处理后图像的PSNR值均大于其他算法处理后的图像的PSNR值，而HE和MSR的PSNR值都很低，说明HE和MSR在抑制噪声方面的性能较差；由表3可知，本发明方法和ACE熵值在所有结果中均最优，说明本发明提出方法校正后图像中所包含的信息量进一步变大，进而可以从中提取到更多的信息，利于图像细节观察；由表4可知，本文算法的CII指标在所有图片上排名第一，表明本发明方法对比度增加较多。这充分表明本发明方法处理图像能够呈现更多图片细节，对比度较高，增强效果最好。

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 (9)

1.基于布谷鸟搜索的矿井下图像增强方法，其特征在于，采用布谷鸟搜索算法结合提出的BGDPH算法对图像进行增强处理，通过图像的熵值、亮度差值和灰度标准方差的加权融合计算鸟巢的适应度值，并采用规则化的方式迭代更新种群和鸟巢位置，通过不断迭代寻优找到最终的最优位置作为最优参数值来增强图像，其步骤如下：

步骤一、输入并读取原始矿井下图像，将原始RGB图像转换至HSV颜色空间；

步骤二、保持H分量不变、对饱和度S分量进行自适应非线性拉伸处理；

步骤三、设置布谷鸟搜索算法参数并初始化群体，随机产生N个鸟巢的初始位置；

步骤四、使用每个鸟巢的位置信息作为参数代入BGDPH算法对矿井下图像的V分量进行处理，得到中间图像；

所述步骤四中的BGDPH算法的实现方法为：

其中，V_en为增强后亮度分量，V_he为原始图像V分量通过双平台直方图均衡算法处理得到的图像，V_ge为双伽马扩展图像，V_gc为双伽马压缩图像，a、b是参数变量，它们的取值为迭代过程中所得的鸟巢位置信息；

所述V_ge和V_gc的计算方法为：

x是归一化之后输入图像的灰度值，c是可调节变量，用于调整图像增强程度，其取值为迭代过程中所得的鸟巢位置信息；

所述双平台直方图均衡算法计算步骤为：

S41：统计直方图信息，即统计每个灰度级的像素点个数h(r_k)，其中，r_k是第k级灰度值；

S42：将统计得到的灰度级信息修正，修正公式如下：

其中，H(r_k)为图像的双平台直方图值，h(r_k)为图像的统计直方图值，L为图像的灰度级数，T₁为上限平台，T₂为下限平台；

S43：将S42得到的灰度级信息累计，累计公式如下：

S44：通过累计直方图对图像的灰度进行重新分配，得到均衡化的灰度值D(r_k)：

D(r_k)＝[(L-1)F(r_k)/F(r_L-1)]，式中，[]表示取整；

S45：对双直方图均衡后的灰度级数目进行统计，令：

其中，M_k-1为双平台直方图均衡后图像实际有效的灰度级数；

S46：直方图灰度间距均衡处理，变换函数为：

其中，V_k为灰度级进行等间距排列之后第k级灰度值，从而获得连续的图像V_he；

步骤五、将中间图像的信息作为目标函数的输入信息，得到每个鸟巢的适应度值，并记录当前的最优位置和该位置的适应度值fitness1；

步骤六、保留原来群体的最优鸟巢位置，通过规则化方式更新其他鸟巢位置，使用新的鸟巢位置信息对V分量图像进行BGDPH算法处理并计算鸟巢的适应度值，记录最优位置和该位置的适应度值fitness2；

步骤七、判断是否进行群体替换，若fitness1＜fitness2，则用新的群体替换原来的群体，同时更新最优鸟巢位置及其适应度值；

步骤八、判断当前群体鸟巢位置的布谷鸟蛋是否被发现，若被发现，则通过规则化的方式更新鸟巢位置，若未被发现则保留鸟巢位置；

步骤九、判断是否达到迭代停止条件，若未达到，则跳转到步骤四，若达到迭代停止条件，则退出循环，保存最优鸟巢位置信息；

步骤十、使用步骤九得到的最优位置作为最佳参数组合代入BGDPH算法对矿井下图像的V分量进行处理；

步骤十一、将经过处理的HSV分量进行反转至RGB颜色空间得到最终增强图像；

所述步骤六、步骤十中BGDPH算法的实现方法同步骤四中一致，只是BGDPH算法的参数a、b、c会根据鸟巢位置变化有所不同。

2.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤二的自适应非线性拉伸的实现方法为：

其中，S为非线性拉伸前图像饱和度，S′为非线性拉伸后图像饱和度，max(R，G，B)、min(R，G，B)和mean(R，G，B)分别为图像在RGB颜色空间，对应像素点的R、G、B颜色分量的最大值、最小值和平均值。

3.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤三的初始化方法为：

S31：初始化参数：初始化鸟巢个数为N，鸟巢位置信息的维度为D，布谷鸟蛋被发现的概率Pa以及最大迭代次数为T；

S32：初始化每个鸟巢的位置：随机产生一个群体，初始化各鸟巢的位置，将其限制在一定区间内，在一定区间内随机产生一组解集。

4.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤五的鸟巢适应度值fitness的计算步骤为：

S51：中间图像V_i的熵值H_i为：

其中，p(j)是中间图像V_i灰度值为j的像素所占的比例，

其中，T_i是中间图像V_i中的像素总数，k_j为中间图像V_i中灰度值为j的像素点的数量，i的范围为i＝1，2，L，N，N为群体鸟巢个数；

S52：计算中间图像V_i的灰度标准方差Std_i；

S53：中间图像V_i的亮度差值Md_i为：

其中，M×N为图像大小，g_i(x，y)为图像x行y列处像素灰度值；

S54：鸟巢i的适应度值fitness_i为：fitness_i＝α₁×H_i+α₂×Std_i+α₃×Md_i，其中，α₁、α₂和α₃为常数。

5.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤五的最优鸟巢位置获取方法为：通过比较各鸟巢位置的适应度值大小、选择适应度值最大对应的鸟巢位置作为最优鸟巢位置，并保存为当前最优。

6.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤六的鸟巢位置更新方法为：

其中，x_i ^(t)表示第i个鸟巢在第t次迭代的位置，

表示点对点乘法，α表示步长因子，用来控制步长大小，取值为1，Levy(λ)为服从参数λ的Levy飞行产生的一个随机搜索路径。

7.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤八的布谷鸟蛋是否被发现的判断方法为：通过发现概率Pa来判断鸟巢位置是否会被发现从而被抛弃。

8.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤八的被发现鸟巢的位置更新方法为：同步骤六鸟巢位置更新方法一致。

9.根据权利要求1所述的基于布谷鸟搜索的矿井下图像增强方法，其特征在于，所述步骤九的迭代停止条件为：判断当前迭代次数t是否达到最大迭代次数T。

Images