本發(fā)明涉及圖像處理，尤其涉及一種珍珠貝內(nèi)核圖像處理優(yōu)化方法。

背景技術(shù)：

1、珍珠貝內(nèi)核圖像處理是馬氏珍珠貝插核中至關(guān)重要的一步，馬氏珍珠貝使用插核器插核過程中，需要確定珍珠貝核的位置，因此珍珠貝內(nèi)部的核位置圖像越清晰，位置越精確，插核越準(zhǔn)，珍珠貝的存活率越高，珍珠品質(zhì)越好；但是，珍珠貝體內(nèi)環(huán)境復(fù)雜，且光線條件往往不理想且肉體表面有水層，這導(dǎo)致獲取的圖像模糊，細(xì)節(jié)不足，影響核位置的精確識(shí)別。

2、歸一化非完全beta函數(shù)（incomplete?beta?function?normalization,?ibfn）是一種圖像增強(qiáng)技術(shù)，它主要用于調(diào)整圖像的對(duì)比度，使圖像的細(xì)節(jié)更加清晰；然而，盡管這種方法在圖像增強(qiáng)應(yīng)用中表現(xiàn)出優(yōu)越性，但歸一化非完全beta函數(shù)的效果很大程度上依賴于參數(shù)α和β的選擇，這些參數(shù)的選擇往往基于經(jīng)驗(yàn)或試錯(cuò)法，需要多次調(diào)整才能達(dá)到最佳效果。

3、利用智能優(yōu)化算法對(duì)圖像增強(qiáng)算法的參數(shù)尋優(yōu)，通過模擬自然過程或人類智能行為，自動(dòng)調(diào)整和優(yōu)化圖像增強(qiáng)參數(shù)，使得圖像增強(qiáng)算法的性能達(dá)到最佳，以提高水下圖像的清晰度和質(zhì)量。幾何平均優(yōu)化算法（gmo），gmo通過單一指標(biāo)同時(shí)評(píng)價(jià)搜索個(gè)體在搜索空間中的適應(yīng)度和多樣性，稱為雙適應(yīng)度指標(biāo)(dual-fitness?index,?dfi)，它模擬了數(shù)學(xué)中幾何均值算子的獨(dú)特性質(zhì)；該算子可以同時(shí)評(píng)估搜索空間中搜索代理的適應(yīng)度和多樣性，具備較好的全局搜索性能；但是幾何平均優(yōu)化算法在局部收斂階段的尋優(yōu)精度較差，使得幾何平均優(yōu)化算法的全局尋優(yōu)平衡性較差，同時(shí)存在容易陷入局部最優(yōu)的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明提供一種珍珠貝內(nèi)核圖像處理優(yōu)化方法，利用改進(jìn)的幾何平均優(yōu)化算法對(duì)歸一化的非完全beta函數(shù)的圖像增強(qiáng)參數(shù)α和β尋優(yōu)，利用最優(yōu)增強(qiáng)參數(shù)的歸一化的非完全beta函數(shù)（wgmo-beta）對(duì)珍珠貝內(nèi)核圖像增強(qiáng)，解決珍珠貝內(nèi)核圖像因水珠和光線問題導(dǎo)致的圖像模糊影響插核操作的問題，解決在馬氏珍珠貝自動(dòng)插核時(shí)插核位置不準(zhǔn)確的問題。

2、為實(shí)現(xiàn)上述目的本發(fā)明所采用的技術(shù)方案是：一種珍珠貝內(nèi)核圖像處理優(yōu)化方法，具體步驟包括：

3、s1、對(duì)珍珠貝內(nèi)核原始圖像進(jìn)行灰度處理得到第一灰度圖像，對(duì)所述第一灰度圖像進(jìn)行預(yù)處理去噪得到第二灰度圖像；

4、s2、利用kapur閾值算法對(duì)所述第二灰度圖像進(jìn)行分割，將珍珠貝內(nèi)部的貝肉和貝核分開，得到第三灰度圖像；

5、s3、利用改進(jìn)的幾何平均優(yōu)化算法整定歸一化的非完全beta函數(shù)的最佳參數(shù)α和β，對(duì)所述第三灰度圖像通過優(yōu)化后的歸一化的非完全beta函數(shù)進(jìn)行增強(qiáng)，輸出增強(qiáng)后的珍珠貝內(nèi)核圖像，所述改進(jìn)的幾何平均優(yōu)化算法，具體改進(jìn)步驟為：

6、step1、構(gòu)建一種最優(yōu)方向?qū)R度策略，通過幾何平均優(yōu)化算法個(gè)體的速度向量與指向全局最優(yōu)個(gè)體位置的對(duì)齊度監(jiān)測幾何平均優(yōu)化算法是否在尋優(yōu)過程中陷入局部最優(yōu)，改進(jìn)幾何平均優(yōu)化算法的尋優(yōu)機(jī)制；

7、step2、通過引入差分變異微擾因子和定標(biāo)因子改進(jìn)幾何平均優(yōu)化算法控制因子w，利用改進(jìn)后的控制因子改進(jìn)幾何平均優(yōu)化算法的速度參數(shù)，通過所述速度參數(shù)改進(jìn)幾何平均優(yōu)化算法的位置更新數(shù)學(xué)模型。

8、具體地，對(duì)珍珠貝內(nèi)核原圖像進(jìn)行灰度處理得到第一灰度圖像具體方法為：計(jì)算rgb三個(gè)分量的加權(quán)平均值將珍珠貝內(nèi)核原圖像從rgb色彩空間轉(zhuǎn)換為灰度空間；所述rgb包括紅色（r）、綠色（g）和藍(lán)色（b），即珍珠貝內(nèi)核圖像每個(gè)像素都由rgb三個(gè)分量組成，基于人眼對(duì)不同顏色敏感度設(shè)置三個(gè)分量的權(quán)重，數(shù)學(xué)模型為：

9、（1）；

10、式（1）中，為珍珠貝內(nèi)核圖像第r個(gè)像素點(diǎn)的灰度值。

11、具體地，對(duì)第一灰度圖像進(jìn)行預(yù)處理去噪得到第二灰度圖像，預(yù)處理采用白平衡顏色矯正方法調(diào)整珍珠貝內(nèi)核圖像，白平衡顏色矯正能夠改善圖像的顏色偏差，通常由于水的吸收和散射特性導(dǎo)致珍珠貝內(nèi)核圖像呈現(xiàn)藍(lán)綠色調(diào)，進(jìn)行白平衡處理可以使珍珠貝內(nèi)核圖像的顏色更加接近于自然色；通過珍珠貝內(nèi)核表面水的平均反射率是中性的灰色，則，其中，、、分別是珍珠貝內(nèi)核圖像紅、綠、藍(lán)通道的平均值；通過計(jì)算各通道與其平均值之間的比例，并用這個(gè)比例去調(diào)整珍珠貝內(nèi)核圖像，以達(dá)到白平衡顏色矯正，數(shù)學(xué)模型為：

12、，，；

13、其中，、、為調(diào)整后的珍珠貝內(nèi)核圖像紅、綠、藍(lán)通道的值，為珍珠貝內(nèi)核圖像中所有像素在所有顏色通道（紅、綠、藍(lán)）上的平均值。

14、具體地，在珍珠貝內(nèi)核圖像中，由于光線的衰減和內(nèi)部表面水的散射效應(yīng)，珍珠貝內(nèi)核往往不易于識(shí)別，利用kapur閾值算法對(duì)第二灰度圖像進(jìn)行分割得到第三灰度圖像，目的是有效區(qū)分珍珠貝內(nèi)核圖像中的核位置，包括將珍珠貝內(nèi)核圖像的核與肉分離出來；具體步驟為：

15、s21、計(jì)算第二灰度圖像的直方圖，即250個(gè)像素值灰度級(jí)出現(xiàn)的次數(shù)；

16、s22、將直方圖轉(zhuǎn)換為概率分布，即每個(gè)灰度級(jí)出現(xiàn)的概率，概率p\left [ {l} \right ]的數(shù)學(xué)模型為：

17、（2）；

18、式（2）中，p\left [ {l} \right ]為第個(gè)灰度級(jí)出現(xiàn)的概率，h\left [ {l} \right ]為第個(gè)灰度級(jí)出現(xiàn)的次數(shù)，為珍珠貝內(nèi)核圖像中的總像素?cái)?shù)；

19、s23、利用累積概率和累積平均灰度級(jí)珍珠貝內(nèi)核圖像的核與肉部分的熵；數(shù)學(xué)模型為：

20、（3）；

21、（4）；

22、式（3）和式（4）中，為灰度級(jí)的總數(shù)，取值為255，為珍珠貝內(nèi)核圖像的核部分在閾值下的累積概率和累積平均灰度級(jí)，為珍珠貝內(nèi)核圖像的肉部分在閾值下的累積概率和累積平均灰度級(jí)，為珍珠貝內(nèi)核圖像的核部分的熵，為珍珠貝內(nèi)核圖像的肉部分的熵；

23、s24、計(jì)算每個(gè)閾值下的總熵，選擇使最大的閾值作為最佳分割閾值，使用所述最佳分割閾值將珍珠貝內(nèi)核圖像分割為核與肉部分，得到第三灰度圖像。

24、具體地，對(duì)幾何平均優(yōu)化算法改進(jìn)，構(gòu)建一種最優(yōu)方向?qū)R度策略，通過個(gè)體的速度向量與指向全局最優(yōu)個(gè)體位置的對(duì)齊度來監(jiān)測算法是否在尋優(yōu)過程中陷入局部最優(yōu)，即局部最優(yōu)聚集；具體方法為：

25、s31、設(shè)計(jì)對(duì)齊度函數(shù)，計(jì)算個(gè)體的速度向量與指向全局最優(yōu)個(gè)體位置的對(duì)齊度，數(shù)學(xué)模型為：

26、（5）；

27、式（5）中，為第t次迭代第i個(gè)個(gè)體的速度向量，為全局最優(yōu)個(gè)體位置，為第t次迭代第i個(gè)個(gè)體的位置；

28、s32、計(jì)算當(dāng)前第t次迭代幾何平均優(yōu)化算法種群個(gè)體的平均對(duì)齊度值（6），若平均對(duì)齊度值avg小于0.2，則說明幾何平均優(yōu)化算法陷入局部最優(yōu)解；

29、式（6）中，為最大種群規(guī)模。

30、具體地，通過引入差分變異微擾因子和定標(biāo)因子改進(jìn)控制因子w，引入差分變異微擾因子和定標(biāo)因子可以使得幾何平均優(yōu)化算法個(gè)體更容易跳出局部最優(yōu)，提高局部最優(yōu)時(shí)的求解最佳參數(shù)α和β的精度，通過正弦函數(shù)穩(wěn)定控制因子步長，利用改進(jìn)的控制因子改進(jìn)幾何平均優(yōu)化算法的速度參數(shù)，使得改進(jìn)后的速度參數(shù)隨幾何平均優(yōu)化算法對(duì)歸一化的非完全beta函數(shù)的最佳參數(shù)α和β尋優(yōu)過程中，自適應(yīng)非線性的調(diào)整尋優(yōu)速度，避免因?yàn)樗俣冗^快導(dǎo)致幾何平均優(yōu)化算法對(duì)歸一化的非完全beta函數(shù)的最佳參數(shù)α和β尋優(yōu)過程中陷入局部最優(yōu)，影響參數(shù)α和β的精確性，從而影響歸一化的非完全beta函數(shù)對(duì)珍珠貝內(nèi)核圖像的增強(qiáng)效果；改進(jìn)后的控制因子數(shù)學(xué)模型為：

31、（6）；

32、式（6）中，為當(dāng)前迭代次數(shù)，為最大迭代次數(shù)，為第t次迭代第i個(gè)個(gè)體的適應(yīng)度值，為第t次迭代種群的平均適應(yīng)度值，為全局最大的適應(yīng)度值，差分變異微擾因子數(shù)學(xué)模型為：，為第t次迭代的全局最優(yōu)個(gè)體位置；定標(biāo)因子數(shù)學(xué)模型為：;式中，為第t次迭代種群中最大適應(yīng)度值。

33、具體地，利用改進(jìn)的控制因子改進(jìn)幾何平均優(yōu)化算法的速度參數(shù)，數(shù)學(xué)模型為：

34、（7）；

35、式（7）中，為第t+1次迭代第i個(gè)個(gè)體的改進(jìn)的速度參數(shù)值，為第t次迭代第i個(gè)個(gè)體的改進(jìn)的速度參數(shù)值，為突變的導(dǎo)向位置，為第t次迭代第i個(gè)個(gè)體的位置，為縮放參數(shù)，數(shù)學(xué)模型為：；式中，rand為取值0到1內(nèi)的隨機(jī)數(shù)。

36、具體地，適應(yīng)度函數(shù)是反映幾何平均優(yōu)化算法對(duì)歸一化的非完全beta函數(shù)的最佳參數(shù)α和β尋優(yōu)性能的評(píng)定函數(shù)，適應(yīng)度值大小，決定對(duì)歸一化的非完全beta函數(shù)的最佳參數(shù)α和β尋優(yōu)性能的好壞，即最佳參數(shù)α和β的精度高低；本發(fā)明適應(yīng)度函數(shù)在方差基礎(chǔ)上加入了像素差別作為獨(dú)立分量，適應(yīng)度值越小，最佳參數(shù)α和β的精度越高；適應(yīng)度函數(shù)的數(shù)學(xué)模型為：

37、（8）；

38、式（8）中，為珍珠貝內(nèi)核圖像信息熵，為珍珠貝內(nèi)核圖像緊致度。

39、具體地，適應(yīng)度函數(shù)中，的數(shù)學(xué)模型為：

40、（9）；

41、式（9）中，為珍珠貝內(nèi)核圖像像素點(diǎn)(?x，y)?的像素值，為珍珠貝內(nèi)核圖像像素的總數(shù)，公式為：，和分別為珍珠貝內(nèi)核圖像長和寬；

42、（10）；

43、式（10）中，為珍珠貝內(nèi)核圖像像素點(diǎn)(?x+2，y)?的像素值。

44、具體地，利用改進(jìn)的幾何平均優(yōu)化算法確定歸一化的非完全beta函數(shù)的最佳參數(shù)α和β的具體步驟為：

45、s21、將用于珍珠貝內(nèi)核圖像增強(qiáng)的歸一化的非完全beta函數(shù)的α和β參數(shù)編碼為2維度向量，將所述α和β參數(shù)向量與改進(jìn)的幾何平均優(yōu)化算法的個(gè)體位置建立映射關(guān)系；

46、s22、隨機(jī)初始化n個(gè)改進(jìn)的幾何平均優(yōu)化算法（wgmo）的個(gè)體初始位置；初始化改進(jìn)的幾何平均優(yōu)化算法的最大迭代次數(shù)，問題維度，α和β參數(shù)值上界和下界以及改進(jìn)后的控制因子的初始值和最大種群規(guī)模；

47、s23、判斷當(dāng)前迭代次數(shù)t是否達(dá)到最大迭代次數(shù)t，若t=t，則退出尋優(yōu)，將全局最小適應(yīng)度值對(duì)應(yīng)的個(gè)體位置解析為歸一化的非完全beta函數(shù)的α和β參數(shù)值，否則執(zhí)行步驟s24；

48、s24、利用適應(yīng)度函數(shù)計(jì)算改進(jìn)的幾何平均優(yōu)化算法當(dāng)前迭代時(shí)種群每個(gè)個(gè)體的適應(yīng)度值，增序排列保留最小適應(yīng)度值和最小適應(yīng)度值對(duì)應(yīng)的個(gè)體位置；

49、s25、模擬幾何均值算子并引入改進(jìn)后的控制因子數(shù)學(xué)模型建立改進(jìn)的幾何平均優(yōu)化算法數(shù)學(xué)模型；更新個(gè)體位置，即更新歸一化的非完全beta函數(shù)的參數(shù)α和β值；

50、s26、利用最優(yōu)方向?qū)R度策略，計(jì)算更新后的每個(gè)個(gè)體的速度向量與指向全局最優(yōu)個(gè)體位置的對(duì)齊度，檢驗(yàn)改進(jìn)的幾何平均優(yōu)化算法在本次迭代是否陷入局部最優(yōu)；

51、s27、若本次迭代改進(jìn)的幾何平均優(yōu)化算法陷入局部最優(yōu)，則利用公式（11）以當(dāng)前最佳個(gè)體為中心進(jìn)行萊維飛行擾動(dòng)更新種群位置，跳出局部最優(yōu)；

52、（11）；

53、式（11）中，為跳出局部最優(yōu)后的第i個(gè)個(gè)體的位置；為全局最優(yōu)個(gè)體位置，為萊維分布函數(shù)，為種群中隨機(jī)a個(gè)體位置，為種群中隨機(jī)b個(gè)體位置；

54、s28、當(dāng)前迭代次數(shù)t執(zhí)行t+1；返回s23。

55、具體地，模擬幾何均值算子并引入改進(jìn)后的控制因子數(shù)學(xué)模型建立改進(jìn)的幾何平均優(yōu)化算法數(shù)學(xué)模型的具體步驟為：

56、s251、參照模糊邏輯的概念，模擬幾個(gè)變量之間的相似性通過將歸屬于這些變量的模糊隸屬函數(shù)值相乘來表示，s個(gè)隸屬度的幾何平均值，公式（12）可以表示：

57、（12）；

58、式（12）中，為第1個(gè)隸屬度值，為第2個(gè)隸屬度值，為第s個(gè)隸屬度值；

59、s252、模擬計(jì)算模糊隸屬函數(shù)，按照公式（13）建立數(shù)學(xué)模型；

60、（13）；

61、式（13）中，為第t次迭代第i個(gè)個(gè)體的模糊隸屬函數(shù)值，和分別為所有第t次迭代中個(gè)人最佳代理的目標(biāo)函數(shù)值的均值和標(biāo)準(zhǔn)差，第t次迭代種群中最佳代理的目標(biāo)函數(shù)值；

62、s253、模擬計(jì)算雙適應(yīng)度指數(shù)值，按照公式（14）建立數(shù)學(xué)模型；

63、（14）；

64、式（14）中，為第t次迭代時(shí)第i個(gè)個(gè)體的雙適應(yīng)度指數(shù)；

65、s254、模擬生成全局引導(dǎo)代理，按照公式（15）建立數(shù)學(xué)模型；

66、（15）；

67、式（15）中，其中，為第t次迭代時(shí)第i個(gè)領(lǐng)導(dǎo)代理的位置，為第t次迭代時(shí)最佳位置，為正數(shù)，取值為0.01；

68、s255、模擬領(lǐng)導(dǎo)代理在改進(jìn)的幾何平均優(yōu)化算法中發(fā)生突變，突變方案選擇高斯突變，按照公式（16）建立數(shù)學(xué)模型；

69、（16）；

70、式（16）中，為突變的導(dǎo)向位置，為第t次迭代時(shí)第i個(gè)領(lǐng)導(dǎo)代理的位置，為由標(biāo)準(zhǔn)正態(tài)分布生成的隨機(jī)值，為截止到第t次迭代時(shí)的最佳個(gè)體最大標(biāo)準(zhǔn)差值，為截止到在第t次迭代時(shí)最佳個(gè)體的標(biāo)準(zhǔn)差值；為突變步長參數(shù)，0到1線性遞減，數(shù)學(xué)模型為：；

71、s256、利用公式（7）建立個(gè)體速度更新數(shù)學(xué)模型，按照公式（17）利用速度數(shù)學(xué)模型建立個(gè)體位置更新數(shù)學(xué)模型；

72、（17）；

73、式（17）中，為第t+1次迭代時(shí)第i個(gè)個(gè)體的位置，為第t次迭代時(shí)第i個(gè)個(gè)體的位置，為第t+1次迭代第i個(gè)個(gè)體的改進(jìn)的速度參數(shù)值。

74、相比現(xiàn)有技術(shù)，本發(fā)明的技術(shù)方案具有如下優(yōu)點(diǎn)和有益效果：本發(fā)明通過差分變異微擾因子和定標(biāo)因子的引入，改進(jìn)控制因子的調(diào)整，使算法在尋優(yōu)過程中能夠自適應(yīng)非線性的調(diào)整尋優(yōu)速度，有效避免局部最優(yōu)陷阱；同時(shí)，可以使得幾何平均優(yōu)化算法個(gè)體更容易跳出局部最優(yōu)，提高局部最優(yōu)時(shí)的求解最佳參數(shù)α和β的精度，通過正弦函數(shù)穩(wěn)定控制因子步長，利用改進(jìn)的控制因子改進(jìn)幾何平均優(yōu)化算法的速度參數(shù)，使得改進(jìn)后的速度參數(shù)隨幾何平均優(yōu)化算法對(duì)歸一化的非完全beta函數(shù)的最佳參數(shù)α和β尋優(yōu)過程中，自適應(yīng)非線性的調(diào)整尋優(yōu)速度，避免因?yàn)樗俣冗^快導(dǎo)致幾何平均優(yōu)化算法對(duì)歸一化的非完全beta函數(shù)的最佳參數(shù)α和β尋優(yōu)過程中陷入局部最優(yōu)，引入最優(yōu)方向?qū)R度策略，通過監(jiān)測算法是否陷入局部最優(yōu)，確保算法在尋優(yōu)過程中的全局搜索能力，避免局部最優(yōu)問題，提高參數(shù)α和β的精確性，從而提高歸一化的非完全beta函數(shù)對(duì)珍珠貝內(nèi)核圖像的增強(qiáng)效果；采用白平衡顏色矯正方法對(duì)圖像顏色進(jìn)行調(diào)整，使珍珠貝內(nèi)核圖像的顏色更加接近自然色，改善了珍珠貝內(nèi)核圖像的視覺效果。