一种基于杜鹃搜索算法的自适应图像增强方法

摘要

本发明公开了一种基于杜鹃搜索算法的自适应图像增强方法，本发明利用定义的图像质量评价函数，综合考虑增强后的图像的空间统计特征，熵等信息，通过利用杜鹃搜索算法对归一化的非完全Beta函数图像增强应用中最优参数问题优化求解，从而可以快速的获得最优增强参数，可用于数字图像处理相关技术领域中；本发明能够快速的获得归一化的非完全Beta函数图像增强的最优参数，所定义的图像质量评价函数能够客观的评价图像的质量，能够用于偏亮或者偏暗图像增强以后的质量评价，能够满足图像自动增强的要求。

主权项

一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：步骤1：输入待增强原始图像，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像各个像素点的灰度值，统计各个灰度级k，k值范围为0‑255；k出现的次数为G(k)，得到原始图像的灰度直方图；步骤2：利用已经获得图像的灰度直方图，对于k从0到255，扫描G(k)，得到原始图像的最大灰度值G_max和最小灰度值G_min，并将原始图像进行归一化处理记为I’，将图像的灰度值变换到[0,1]区间；步骤3：采用自定义的图像质量评价函数作为原图像增强后图像质量的适应度评价函数，将归一化后的图像灰度值代入归一化的非完全Beta函数中，并利用图像质量评价函数求得归一化的非完全Beta函数最优α,β参数；自定义的图像质量评价函数为：Fitness＝log(E(I_1e)×N_T/Δh)×(sum(h_T)/(M×N))$E\left(I_{\mathrm{le}}\right)=-\underset{0}{\overset{255}{\Sigma }}{e}_i$$e_i=\left\{\begin{array}{cc}{h}_i{\log }_2\left(h_i\right)& \mathrm{while}{h}_i\ne 0\\ 0& \mathrm{other}\end{array}\right.$其中，M为原始图像的宽度，N为原始图像高度，单位是像素，M×N为原始图像的大小；I_1e是对原始图像的灰度值进行归一化处理后，利用归一化的非完全Beta函数对该灰度值进行变换，增强变换后的图像，E(I_1e)为图像I_1e的熵值，e_i是灰度级i的熵；h_i表示第i级灰度级概率密度，N_T为灰度级概率密度大于阈值T的像素个数；sum(h_T)表示灰度级概率密度大于阈值T的所有灰度级概率密度之和；Δh表示灰度级概率密度h_i的均方差；归一化的非完全Beta函数定义为下式：$F(u,\alpha ,\beta )=B^{-1}(\alpha ,\beta ){\int }_0^u{t}^{\alpha -1}{(1-t)}^{\beta -1}\mathrm{dt}$其中,u在这里表示归一化后图像的灰度值变量，是步骤2中的f'(i,j)，t是积分变量，B^‑1(α,β)是B(α,β)的逆变换，β的函数B(α,β)由下式给出：$B(\alpha ,\beta )={\int }_0^1{t}^{\alpha -1}{(1-t)}^{\beta -1}\mathrm{dt}$上式中t是积分变量，α,β是归一化的非完全Beta函数参数，步骤4，利用步骤3中求得最优α,β参数，采用归一化的非完全Beta变换函数F(u,α,β)(0≤u≤1)，对归一化图像进行变换，所述的变换公式如下：g'(i,j)＝F(f'(i,j),α,β)上式中，f'(i,j)表示归一化图像在像素点(i,j)处的灰度值，就是归一化的非完全Beta函数的输入变量u，g'(i,j)表示变换后图像在像素点(i,j)处的灰度值，其中f'(i,j)和g'(i,j)均满足0≤g'(i,j)≤1，0≤f'(i,j)≤1；步骤5，对归一化增强变换后的图像进行反变换处理，其采用的公式为f"(i,j)＝(G'_max‑G'_min)g'(i,j)+G'_min式中，G'_max和G'_min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'_max＝255，G'_min＝0，g'(i,j)是指采用归一化的非完全Beta函数增强后像素点(i,j)的灰度值，f″(i,j)为进行反归一化后像素点(i,j)的灰度值；步骤6，输出增强后图像。