本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體地，涉及一種參數(shù)最優(yōu)的灰度圖像增強(qiáng)處理系統(tǒng)。

背景技術(shù)：

在圖像處理中，圖像增強(qiáng)技術(shù)對(duì)于提高圖像的質(zhì)量起著重要的作用。它通過(guò)有選擇地強(qiáng)調(diào)圖像中某些信息而抑制掉另一些信息，以改善圖像的視覺(jué)效果,將原圖像轉(zhuǎn)換成一種更適合于人眼觀察和計(jì)算機(jī)進(jìn)行分析處理的形式。

灰度變換是圖像增強(qiáng)的重要手段之一，通過(guò)擴(kuò)大或改變灰度的值域范圍，提高清晰度，使特征更加明顯。它主要利用點(diǎn)運(yùn)算來(lái)修正像素灰度，通?？煞譃榫€性變換、分段線性變換、非線性變換。線性變換對(duì)于灰度范圍較窄的圖像可以較好的改善圖像，對(duì)于其他一些圖像增強(qiáng)效果并不明顯。分段線性變換對(duì)于目標(biāo)和背景可以明確區(qū)別的圖像，可以借助圖像的灰度直方圖來(lái)確定分段區(qū)間的灰度范圍，但是一般為了準(zhǔn)確確定變換區(qū)間，需要反復(fù)調(diào)整區(qū)間范圍，很多情況下只能根據(jù)經(jīng)驗(yàn)來(lái)確定。在某些情況下，應(yīng)用非線性變換可以獲得比線性變換更好的增強(qiáng)效果，如在圖像過(guò)暗或過(guò)亮的情況下，利用指數(shù)變換或?qū)?shù)變換的效果可能比線性變換更好，然而它們?nèi)菀资箞D像過(guò)增強(qiáng)或欠增強(qiáng)，同時(shí)參數(shù)也較難控制。

技術(shù)實(shí)現(xiàn)要素：

為了克服目前用非線性變換增強(qiáng)灰度圖像時(shí)參數(shù)難以控制的不足，本發(fā)明目的在于提供一種參數(shù)智能尋優(yōu)的灰度圖像增強(qiáng)處理系統(tǒng)。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：一種參數(shù)最優(yōu)的灰度圖像增強(qiáng)處理系統(tǒng)，該系統(tǒng)由圖像讀入模塊、圖像預(yù)處理模塊、參數(shù)尋優(yōu)模塊、圖像增強(qiáng)與輸出模塊組成；其中：

圖像讀入模塊讀入一幅像素為m×n的灰度圖像i，并將其輸入圖像預(yù)處理模塊；灰度圖像i＝{f(x,y)}，其中x＝1,2,…,m，y＝1,2,…,n，f(x,y)代表像素點(diǎn)(x,y)的灰度值，f(x,y)∈[lmin,lmax]，lmin,lmax分別表示讀入的灰度圖像的灰度值的最小值和最大值；

圖像預(yù)處理模塊對(duì)讀入的灰度圖像進(jìn)行歸一化處理后，將結(jié)果輸入?yún)?shù)尋優(yōu)模塊；像素點(diǎn)(x,y)經(jīng)過(guò)歸一化以后的像素值為f'(x,y)：

參數(shù)尋優(yōu)模塊初始化種群規(guī)模為ns的粒子群，隨機(jī)生成維度為2的粒子i的初始位置xi＝(xi1,xi2)和初始速度vi＝(vi1,vi2)，i＝1,2,...,ns；其中xi1,xi2∈[0,10]，vi1,vi2∈[-10,10]，種群規(guī)模ns＝30～100；然后按以下方法進(jìn)行迭代，初始時(shí)迭代計(jì)數(shù)t＝0：

(1)按公式(2)對(duì)每個(gè)像素點(diǎn)進(jìn)行圖像增強(qiáng)變換：

其中，f(x,y)為像素點(diǎn)(x,y)經(jīng)過(guò)增強(qiáng)變換以后的像素值；u為讀入的灰度圖像歸一化后的灰度值，即u＝f'(x,y)，u∈[0,1]；a,b為待優(yōu)化的參數(shù)，用粒子的位置狀態(tài)表示，a＝xi1，b＝xi2，a,b∈[0,10]；q為灰度增強(qiáng)變換公式中的積分變量；

(2)按照公式(3)獲取所有粒子的適應(yīng)度值fitness(a,b)：

其中，f²(x,y)為像素點(diǎn)(x,y)增強(qiáng)變換后的灰度值f(x,y)的平方；適應(yīng)度值最大的粒子為全局最優(yōu)粒子pbest＝(pbest1,pbest2)；

(3)對(duì)所有粒子進(jìn)行分群操作，包括以下子步驟：

(3.1)將所有粒子按照適應(yīng)度值大小從大到小排序，選取適應(yīng)度值最大的粒子作為一個(gè)子群中心；

(3.2)在剩下的粒子中選取適應(yīng)度值最大的粒子，依次計(jì)算該粒子與各個(gè)子群中心的歐幾里得距離；粒子i與粒子j的歐幾里得距離dist(i,j)定義為：

其中，xi＝(xi1,xi2)代表粒子i的位置，xj＝(xj1,xj2)代表粒子j的位置，i,j＝1,2,...,ns；若該粒子與某一個(gè)子群中心的歐幾里得距離小于半徑r，則將該粒子歸為該子群中心所在的子群，并不再計(jì)算該粒子與剩下的子群中心的歐幾里得距離；若該粒子與所有子群中心的距離都大于半徑r，則將該粒子置為一個(gè)新的子群中心；半徑r＝1～3；

(3.3)重復(fù)步驟(3.2)，直到處理完所有粒子，則分群完成，且每個(gè)子群中心為該子群中適應(yīng)度值最大的粒子；

(4)確定種群的進(jìn)化狀態(tài)；首先，定義每個(gè)粒子與其所在子群的子群中心的距離的絕對(duì)值之和dg：

其中，pig＝(pig1，pig2)為粒子i所在子群的子群中心的位置；其次，定義每個(gè)粒子與其所在子群的子群中心的距離之和的絕對(duì)值dg：

定義進(jìn)化因子δ為：

由定義可知進(jìn)化因子δ∈[0,1]；

(5)按照式(8)(9)更新每個(gè)粒子的速度與位置：

vid(t)＝w·vid(t-1)+c1r1·(pid-xid(t-1))+c2r2·(pigd-xid(t-1))(8)

xid(t)＝xid(t-1)+vid(t)(9)

其中，w為慣性權(quán)重；c1,c2為加速度因子，c1＝c2＝2；r1,r2為0到1之間均勻分布的隨機(jī)數(shù)；pi＝(pi1，pi2)為粒子i的歷史最優(yōu)位置，pig＝(pig1，pig2)為粒子i所在子群的子群中心的位置；d為維度變量，d＝1,2；慣性權(quán)重按照式(10)變換：

若更新后xid<0，則令xid＝0；若更新后xid>10，則令xid＝10；

(6)迭代計(jì)數(shù)累加，t＝t+1；

(7)重復(fù)步驟(1)到(6)，直到迭代計(jì)數(shù)達(dá)到最大迭代計(jì)數(shù)tmax則停止迭代，tmax＝100～2000；

種群全局最優(yōu)粒子所在的位置pbest＝(pbest1,pbest2)即優(yōu)化后的參數(shù)a,b，即a＝pbest1,b＝pbest2；參數(shù)尋優(yōu)模塊將優(yōu)化后的參數(shù)a,b輸入圖像增強(qiáng)與輸出模塊，圖像增強(qiáng)與輸出模塊按照公式(2)進(jìn)行圖像增強(qiáng)變換，并將增強(qiáng)后的圖像的灰度值按照公式(11)擴(kuò)展到[l'min,l'max]范圍并輸出：

f'(x,y)＝(l'max-l'min)×f(x,y)(11)。

本發(fā)明的有益效果主要表現(xiàn)在：本發(fā)明利用改進(jìn)的智能優(yōu)化方法對(duì)灰度圖像增強(qiáng)變換過(guò)程中的參數(shù)進(jìn)行尋優(yōu)，能夠找到使增強(qiáng)效果最好的參數(shù)；改進(jìn)的智能優(yōu)化方法添加了分群操作，能夠防止優(yōu)化過(guò)程陷入局部最優(yōu)；根據(jù)進(jìn)化狀態(tài)自適應(yīng)變化的慣性權(quán)重提高了算法的收斂性，加快了系統(tǒng)的運(yùn)行速度。本發(fā)明能夠快速準(zhǔn)確地確定最優(yōu)參數(shù)對(duì)灰度圖像進(jìn)行增強(qiáng)操作，增強(qiáng)效果好，運(yùn)行效率高。

附圖說(shuō)明

圖1是本發(fā)明的結(jié)構(gòu)示意圖；

圖2是本發(fā)明的流程圖；

圖3是本發(fā)明中慣性權(quán)重w隨進(jìn)化因子δ的變化圖。

具體實(shí)施方式

下面根據(jù)附圖具體說(shuō)明本發(fā)明。

參照?qǐng)D1，一種參數(shù)最優(yōu)的灰度圖像增強(qiáng)處理系統(tǒng)，包括四個(gè)模塊：圖像讀入模塊1、圖像預(yù)處理模塊2、參數(shù)尋優(yōu)模塊3以及圖像增強(qiáng)與輸出模塊4；其中：

圖像讀入模塊1讀入一幅像素為m×n的灰度圖像i，并將其輸入圖像預(yù)處理模塊2?；叶葓D像i＝{f(x,y)}，其中x＝1,2,…,m，y＝1,2,…,n，f(x,y)代表像素點(diǎn)(x,y)的灰度值，f(x,y)∈[lmin,lmax]，lmin,lmax分別表示讀入的灰度圖像的灰度值的最小值和最大值。

圖像預(yù)處理模塊2對(duì)讀入的灰度圖像進(jìn)行歸一化處理后，將結(jié)果輸入?yún)?shù)尋優(yōu)模塊3。將圖像歸一化處理是為了適應(yīng)后續(xù)的圖像增強(qiáng)變換。像素點(diǎn)(x,y)經(jīng)過(guò)歸一化以后的像素值為f'(x,y)：

參數(shù)尋優(yōu)模塊3初始化種群規(guī)模為ns的粒子群，隨機(jī)生成維度為2的粒子i的初始位置xi＝(xi1,xi2)和初始速度vi＝(vi1,vi2)，i＝1,2,...,ns。其中xi1,xi2∈[0,10]，vi1,vi2∈[-10,10]，種群規(guī)模ns＝30～100。然后按以下方法進(jìn)行迭代，初始時(shí)迭代計(jì)數(shù)t＝0：

(1)按公式(2)對(duì)每個(gè)像素點(diǎn)進(jìn)行圖像增強(qiáng)變換：

其中，f(x,y)為像素點(diǎn)(x,y)經(jīng)過(guò)增強(qiáng)變換以后的像素值；u為讀入的灰度圖像歸一化后的灰度值，即u＝f'(x,y)，u∈[0,1]；a,b為待優(yōu)化的參數(shù)，用粒子的位置狀態(tài)表示，a＝xi1，b＝xi2，a,b∈[0,10]；q為灰度增強(qiáng)變換公式中的積分變量，無(wú)實(shí)際意義。

(2)按照公式(3)獲取所有粒子的適應(yīng)度值fitness(a,b)：

其中，f²(x,y)為像素點(diǎn)(x,y)增強(qiáng)變換后的灰度值f(x,y)的平方。適應(yīng)度值越大，則圖像對(duì)比度越高，圖像的增強(qiáng)效果越好。適應(yīng)度值最大的粒子為全局最優(yōu)粒子pbest＝(pbest1,pbest2)。

(3)對(duì)所有粒子進(jìn)行分群操作。相較于傳統(tǒng)的粒子群方法，基于分群的粒子群優(yōu)化方法能防止優(yōu)化過(guò)程陷入局部最優(yōu)，從而尋找到使圖像增強(qiáng)效果最好的全局最優(yōu)參數(shù)。具體包括以下子步驟：

(3.1)將所有粒子按照適應(yīng)度值大小從大到小排序，選取適應(yīng)度值最大的粒子作為一個(gè)子群中心；

(3.2)在剩下的粒子中選取適應(yīng)度值最大的粒子，依次計(jì)算該粒子與各個(gè)子群中心的歐幾里得距離。粒子i與粒子j的歐幾里得距離dist(i,j)定義為：

其中，xi＝(xi1,xi2)代表粒子i的位置，xj＝(xj1,xj2)代表粒子j的位置，i,j＝1,2,...,ns。若該粒子與某一個(gè)子群中心的歐幾里得距離小于半徑r，則將該粒子歸為該子群中心所在的子群，并不再計(jì)算該粒子與剩下的子群中心的歐幾里得距離；若該粒子與所有子群中心的距離都大于半徑r，則將該粒子置為一個(gè)新的子群中心。根據(jù)搜索空間的大小，半徑r＝1～3。

(3.3)重復(fù)步驟(3.2)，直到處理完所有粒子，則分群完成，且每個(gè)子群中心為該子群中適應(yīng)度值最大的粒子。

(4)確定種群的進(jìn)化狀態(tài)。隨著粒子的更新，種群共經(jīng)歷四種進(jìn)化狀態(tài)，即探索期、開(kāi)拓期、聚合期以及跳出期。下面利用進(jìn)化因子來(lái)表示進(jìn)化狀態(tài)。首先，定義每個(gè)粒子與其所在子群的子群中心的距離的絕對(duì)值之和dg：

其中，pig＝(pig1，pig2)為粒子i所在子群的子群中心的位置。其次，定義每個(gè)粒子與其所在子群的子群中心的距離之和的絕對(duì)值dg：

在進(jìn)化初始階段，dg取值略小于dg；在進(jìn)化收斂階段，dg取值遠(yuǎn)小于dg；在跳出階段，dg取值接近于dg。因此，定義進(jìn)化因子δ為：

由定義可知進(jìn)化因子δ∈[0,1]。

(5)按照式(8)(9)更新每個(gè)粒子的速度與位置：

vid(t)＝w·vid(t-1)+c1r1·(pid-xid(t-1))+c2r2·(pigd-xid(t-1))(8)

xid(t)＝xid(t-1)+vid(t)(9)

其中，w為慣性權(quán)重；c1,c2為加速度因子，c1＝c2＝2；r1,r2為0到1之間均勻分布的隨機(jī)數(shù)；pi＝(pi1，pi2)為粒子i的歷史最優(yōu)位置，pig＝(pig1，pig2)為粒子i所在子群的子群中心的位置；d為維度變量，d＝1,2。

慣性權(quán)重w越大，算法的搜索能力越強(qiáng)，反之亦然。在探索期，希望慣性權(quán)重大一些，在聚合期，希望慣性權(quán)重小一些。由于進(jìn)化因子可以反映進(jìn)化狀態(tài)，參照?qǐng)D3，慣性權(quán)重按照式(10)變換：

其中，δ為進(jìn)化因子。由于進(jìn)化因子δ∈[0,1]，因此慣性權(quán)重w∈[0.4,0.9]。進(jìn)化因子大，表示為初始階段，大的慣性權(quán)重能擴(kuò)大搜索范圍；進(jìn)化因子小，表示為收斂階段，小的慣性權(quán)重能精確搜索。跟隨進(jìn)化狀態(tài)而變化的慣性權(quán)重能夠根據(jù)實(shí)際情況隨時(shí)調(diào)整，提高了算法的搜索能力與收斂速度。

若更新后xid<0，則令xid＝0；若更新后xid>10，則令xid＝10。

(6)迭代計(jì)數(shù)累加，t＝t+1。

(7)重復(fù)步驟(1)到(6)，直到迭代計(jì)數(shù)達(dá)到最大迭代計(jì)數(shù)tmax則停止迭代，tmax＝100～2000。

種群全局最優(yōu)粒子所在的位置pbest＝(pbest1,pbest2)即優(yōu)化后的參數(shù)a,b，即a＝pbest1,b＝pbest2。參數(shù)尋優(yōu)模塊3將優(yōu)化后的參數(shù)a,b輸入圖像增強(qiáng)與輸出模塊4，圖像增強(qiáng)與輸出模塊4按照公式(2)進(jìn)行圖像增強(qiáng)變換，并將增強(qiáng)后的圖像的灰度值按照公式(11)擴(kuò)展到[l'min,l'max]范圍并輸出：

f'(x,y)＝(l'max-l'min)×f(x,y)(11)。

上述實(shí)施例用來(lái)解釋說(shuō)明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍。