基于自适应混沌粒子群优化的低照度彩色图像增强方法与流程

本发明涉及彩色图像处理技术领域，尤其涉及一种低照度条件下图像增强方法及系统。

背景技术：

现实生活中，彩色图像增强在数字图像处理中比灰度图像增强起更加关键作用，因为彩色图像具有三种感知属性(包括色调，饱和度和图像强度)的色彩表达。由于彩色图像在许多场景中的广泛应用，图像和视频增强已经成为重要的研究领域，近年来它一直是一个研究热点。彩色图像常常会出现的问题之一是，由于照明或某些其他条件(如成像装置限制和天气的变化)，经常造成图像暗部区域模糊不清、图像对比度低等现象，这样的图像首先给人带来视觉上的不舒适，同时也不利于后续的图像处理工作。尽管图像捕获设备获得极大的改进，但仍然存在各种自然和人工伪影，这导致所捕获图像的质量较差。因此，针对原始捕获彩色图像的视觉效果和质量的改进是图像预处理必不可少的部分。增强低照度、模糊或不完整图像等的色彩仍然是一个悬而未决的问题。低照度彩色图像有两种来源：夜间和不平衡的光线。本发明主要增强不平衡光线下的低照度彩色图像。

低照度图像增强非常重要。现有增强方法分为三类：基于视网膜理论的方法、直方图均衡化方法和使用dehaze模型的方法，这些方法的出现都是为了尽可能地改善图像质量。其中基于直方图均衡化的方法和基于retinex理论的方法尤其受到很多学者的关注。直方图均衡化方法主要关注增强图像对比度，但是常常由于过度增强图像产生了不自然的效果，这类方法存在诸如过度增强、图像变白、图像亮度无法保留等问题。retinex理论自提出以来就吸引了许多学者的兴趣，它主要关注提高图像亮度，假设图像是照明和反射的相互作用，通过消除照明效果，可以增强低照度图像。retinex理论随后发展成为单尺度retinex算法(single-scaleretinex，ssr)、多尺度retinex算法(multi-scaleretinex，msr)和带色彩恢复的多尺度retinex增强算法(msrcr)。虽然这些方法增强了诸如边缘和角落的高频信息，可以使细节增强，但它们分别处理rgb通道中的图像，当原始图像不符合“灰色世界假设”时，它们可能会导致颜色失真，甚至出现“光晕伪影”的现象，而且它们无法有效避免对比度不均匀情况的出现。因此，研究一种不平衡光线下的低照度彩色图像增强方法，是急需解决的问题。

技术实现要素：

针对照度不均、整体亮度低的彩色图像，为了解决现有方法对图像增强时出现的暗部区域细节增强不明显以及局部亮区域的过度增强问题，本发明提出了一种基于自适应混沌粒子群优化的低照度彩色图像增强算法，它可以提高对比度并保持低照度彩色图像的自然效果。利用对比度受限的自适应直方图均衡化(contrastlimitedadaptivehistogramequalization，clahe)方法处理l*a*b*色彩空间的l*通道图像、增强对比度，采用提出的自适应混沌粒子群优化算法(adaptivechaoticparticleswarmoptimization，acpso)寻找出最优伽马值代入伽马校正函数对hsv色彩空间v通道进行处理、增强亮度，利用构建的自适应拉伸函数对s通道进行拉伸、增强饱和度，最终得到增强的彩色图像。有效改善了低照度彩色图像的亮度和对比度低、饱和度不高，图像细节信息不清晰的问题，明显改善图像中的高亮区域。处理后的图像清晰度高、增强结果自然。

本发明所要解决的技术问题在于克服现有技术的不足，提供一种低照度条件下彩色图像增强方法，解决现有图像增强技术针对低照度且不平衡光线环境下的低照度彩色图像进行增强所产生的图像局部亮区域过度增强以及暗部细节增强效果不佳等问题。

本发明具体采用以下技术方案解决上述技术问题：

s1、读入低照度彩色图像；

s2、将rgb彩色图像转换至l*a*b*色彩空间，得到亮度分量l*、色度分量a*和b*；

s3、采用clahe对l*a*b*色彩空间的l*分量处理得到对比度增强的分量l1*；

s4、将亮度分量l1*和色度分量a*、b*组合得到l*a*b*色彩空间图像，并转换至rgb色彩空间；

s5、将步骤s4得出的图像从rgb色彩空间转换成hsv色彩空间，得到色调分量h、饱和度分量s和亮度分量v；

s6、采用acpso寻找出最优伽马值，代入伽马校正函数，对步骤s5得出的亮度分量v进行伽马校正处理，得到亮度调整的v1分量；

s7、使用一种自适应非线性拉伸函数对hsv色彩空间的s分量拉伸，得到饱和度增强的s1分量；

s8、将亮度分量v1、饱和度分量s1和色调分量h组合得到hsv彩色图像，并进行反变换至rgb色彩空间；

s9、最后获得经过增强后的彩色图像；

优选的，所述s2的从rgb色彩空间到l*a*b*色彩空间之间没有简单的转换公式，rgb色彩空间需要先转为ciexyz色彩空间，然后再由ciexyz色彩空间转为ciel*a*b*色彩空间，转换过程具体包括：

s21、将rgb色彩空间转换到ciexyz色彩空间，使用的转换公式如下所示：

其中，x、y、z分别为ciexyz图像中x分量、y分量、z分量的值。r、g、b分别为rgb图像中r分量、g分量、b分量的值。

s22、ciexyz色彩空间转换到l*a*b*色彩空间，使用的转换公式如下所示：

其中，l*、a*、b*分别为l*a*b*图像中l*分量、a*分量、b*分量的值，xn，yn，zn是标准d65照明白点，取值为xn＝0.950456，yn＝1.000000，zn＝1.088754。

优选的，所述s4的从l*a*b*色彩空间重新反转换为rgb色彩空间的具体步骤为：

s41、l*a*b*色彩空间转换到ciexyz色彩空间，使用的转换公式如下所示：

这里，分别为转换之后ciexyz图像中x分量、y分量、z分量的值，g(t)是f(t)的反函数f^-1(t)，表达形式为：

s42、ciexyz色彩空间转换到rgb色彩空间，使用的转换公式如下所示：

其中，分别为转换之后rgb图像中r分量、g分量、b分量的值。

优选的，所述s5的从rgb色彩空间转换成hsv色彩空间，使用的转换公式如下所示：

其中，h、s、v分别为hsv图像中的分量，h代表色调，s代表饱和度，v代表亮度，为步骤s42所得值。

优选的，所述s6采用acpso寻找出最优伽马值，代入伽马校正函数，对步骤s5得出的亮度分量v进行伽马校正处理，具体步骤为：

s61、提取步骤s5所得v通道图像；

s62、设置粒子群优化算法参数并初始化每个粒子的位置和速度，利用评价函数的初始值初始化个体历史最优适应度值和群体历史最优适应度值，利用粒子初始位置初始化粒子个体最优位置和群体最优位置；

s63、自适应调整每个粒子的惯性权重，从而更新每个粒子的速度和位置；

s64、利用每个粒子的位置作为校正参数，带入伽马校正，对步骤s5所得v通道图像进行处理，得到各个粒子的中间增强图像；

s65、将中间增强图像的信息作为评价函数的输入信息，得到每个粒子的适应度值fitness；

s66、利用每个粒子的适应度值fitness更新个体历史最优适应度值，并将个体历史最优适应度值对应的粒子位置存储在个体最优位置中；

s67、利用所有粒子的适应度值的最大值更新群体历史最优适应度值，并将群体历史最优适应度值对应的粒子位置存储在群体最优位置中；

s68：采用logistic映射产生混沌序列对粒子位置进行优化；

s69、判断是否满足迭代寻优终止条件，若满足，执行步骤s610，否则，执行步骤s63，继续迭代；

s610、输出粒子群的群体最优位置，结束迭代过程；

s611、使用步骤s610得到的群体最优位置作为校正参数带入伽马校正，对v通道图像进行校正，得到增强后的图像。

优选的，所述步骤s62的评价函数为每个粒子的适应度值，即：其中，v′是步骤s5所得v通道图像通过伽马校正转换得到的增强图像，v″由canny算法处理增强图像v′得到边缘化图像，h(v′)为增强图像v′熵值，n_edges(v″)是增强图像v′经过canny边缘检测算子所得的边缘像素的数量，t是增强图像v′中的总像素数，e(v″)是由canny算法得到的边缘化图像v″中灰度像素的总和。

优选的，所述伽马校正的实现方法为：其中，lmax为步骤s5所得v通道图像中最大的像素值，l∈[0，lmax]为步骤s5所得v通道图像的实际像素值，校正参数γ的取值为迭代过程中所得的粒子位置，t(l)为步骤s5所得v通道图像中像素值为l的灰度值经过伽马校正后得到的增强图像的灰度值。

优选的，所述步骤s62的初始化过程为：

s621：初始化参数：初始化粒子群粒子个数为n，最大迭代次数为tmax，学习因子c1和c2，混沌系数μ；

s622：初始化每个粒子的位置和速度：随机产生一个种群，初始化各粒子的位置和速度，将粒子的位置和速度限制在一定区间内，将初始化粒子位置作为校正参数γ的值代入伽马校正函数得到初步增强图像，计算各个粒子的适应度值的初始值fitness0；

s623：初始化个体最优值和群体最优值：引用步骤s622中每个粒子的适应度值fitness0初始化该粒子个体历史最优适应度值fitnesspbest，并将该粒子的初始随机位置存储为个体最优位置pbest；用各粒子适应度值fitness0中的最大值初始化群体历史最优适应度值fitnessgbest，并将第一个粒子的位置初始化存储为群体最优位置gbest。

优选的，所述步骤s63中的惯性权重、速度和位置的更新方法为：

这里，ωmax和ωmin分别是惯性权重的最大值和最小值，所有粒子ω的最大值和最小值分别设置为0.9和0.4。fitnessmin为当前整个种群适应度值的最小值，fitnessmean是当前整个种群适应度值的平均值，fitnessi为当前第i个粒子的适应度值，i＝(1，2，...，m)。

粒子群中粒子i的速度和位置：

vi(t+1)＝ωtvi(t)+c1r1[pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)]，

xi(t+1)＝xi(t)+vi(t+1)，

其中，ωt表示更新后的惯性权重，r1和r2是[0，1]内的随机数，vi(t+1)和xi(t+1)分别表示粒子i的更新后的速度和位置，xi(t+1)将作为进入下一次迭代时步骤s64对应粒子i的伽马校正的校正参数，pbest(t)为t次迭代时的个体最优位置，gbest(t)为t次迭代时的群体最优位置。

优选的，所述步骤s64中将更新后的粒子位置xi作为校正参数γ的值代入伽马校正处理步骤s5所得亮度分量v，得到中间增强图像为vi′。

优选的，所述步骤s65的每个粒子的适应度值fitness的计算步骤为：

s651：由canny算法处理中间增强图像vi′得到边缘图像v″，计算边缘图像v″像素强度之和e(vi″)；

s652：计算中间增强图像vi′中的边缘像素的数量n_edges(vi″)，则中间增强图像vi′的边缘内容为

s653：中间增强图像vi′的熵值hi为：其中，p(j)是中间增强图像vi′灰度值为j的像素所占的比例，其中，ti是中间增强图像vi′中的像素总数，kj为中间增强图像vi′中灰度值为j的像素点的数量，i的范围为i＝1，2，…，n，n为粒子群粒子个数；

s654：粒子i的适应度值fitnessi为：

优选的，所述步骤s66的粒子群中每个粒子的个体历史最优适应度值和个体最优位置的更新方法为：若个体历史最优适应度值fitnessgbest小于步骤s654中粒子i的适应度值fitnessi，则更新个体历史最优适应度值fitnesspbest，即将粒子i的适应度值fitnessi赋值给个体历史最优适应度值fitnesspbest，并将该个体历史最优适应度值fitnesspbest对应的粒子的位置作为该粒子的个体最优位置pbest。

优选的，所述步骤s67的粒子群的群体历史最优适应度值和群体最优位置的更新方法为：若群体历史最优适应度值fitnessgbest小于粒子群的个体适应度值fitnesspbest中的最大值，则更新群体历史最优适应度值fitnessgbest，即将粒子群所有粒子个体历史最优适应度值fitnesspbest中的最大值赋值给群体历史最优适应度值fitnessgbest，并将该群体历史最优适应度值fitnessgbest对应的粒子的位置作为群体最优位置gbest。

优选的，所述步骤s68中利用logistic混沌序列扰动粒子群，其步骤包括：

s681：将初始粒子根据公式映射到[0，1]范围内，其中，gbest∈[ci，di]，ci为粒子i的位置最小值，di为粒子i的位置最大值，t为迭代次数。

s682：根据logistic公式生成序列：

其中，当μ接近4时，logistic处于混沌状态。可以使用该公式得到n个混沌的解空间。

s683：将步骤s682中生成的混沌空间中的向量根据式xi＝ci+yi(di-ci)映射到原始解空间范围内，得到向量组x＝{x1，x2，...，xn}。

优选的，所述步骤s69的迭代寻优终止条件为：迭代次数已达到最大迭代次数tmax。

优选的，所述s7的所使用的自适应非线性拉伸函数公式为：

式中，s为非线性拉伸前图像饱和度，s1为非线性拉伸后图像饱和度，和分别为步骤s42所得rgb色彩空间对应像素点的颜色分量的最大值、最小值和平均值。

优选的，所述s8中由hsv色彩空间重新变换回rgb色彩空间，使用的变换公式如下所示：

式中，c是色度，x是具有这种颜色的第二大成分的中间值。

本发明所达到的有益效果：本发明是一种低照度彩色图像增强方法，通过对l*a*b*色彩空间中的亮度l*进行局部处理来提高图像对比度，对hsv色彩空间中的亮度分量v、饱和度分量s进行处理，来消除图像整体亮度偏低、亮度不均、暗处细节不清晰以及饱和度低等问题，解决了图像局部亮区域的过度增强以及暗部细节增强效果不佳的技术问题。与he，bpdhe，msr，msrcr，npea，agcwd和kanmani等人提出的方法进行比较，其中观察到所提出的方法提供了更好的性能，本发明输出的图像亮度分布均匀，图像色彩更加饱满和自然，清晰度和对比度显著提高。

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中记载的一些实施例，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为本发明中低照度彩色图像增强方法流程图；

图2为使用acpso的亮度增强算法的流程示意图；

图3为本发明一较佳实施例中的彩色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bpdhe的输出结果，(d)为msr的输出结果，(e)为msrcr的输出结果，(f)为npea的输出结果，(g)为agcwd的输出结果，(h)为kanmani提出方法的输出结果，(i)为本发明的输出结果。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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。

一种低照度彩色图像增强方法流程图如图1所示，采用clahe对l*通道图像进行处理以提高图像对比度，利用acpso优化的伽马校正函数对hsv色彩空间中v通道的亮度进行调整，伽马校正可有效提高图像的亮度，提供非常清晰、低噪声的图像。而且，对图像中低亮度区域的亮度提升作用更大，这正好可以弥补clahe对于彩色图像暗部细节增强效果不佳的缺点。使用一种自适应拉伸函数对hsv色彩空间的s分量进行拉伸，以提高图像饱和度，增强非均匀照明彩色图像，包括如下步骤：

s1、输入并读取低照度条件下彩色图像i，具体实现为：利用matlab中的函数imread读取输入的原始彩色图像；

s2、将rgb彩色图像i转换至l*a*b*色彩空间，得到亮度分量l*、色度分量a*和b*，从rgb色彩空间到l*a*b*色彩空间之间没有简单的转换公式，rgb色彩空间需要先转为ciexyz色彩空间，然后再由ciexyz色彩空间转为ciel*a*b*色彩空间，具体转换步骤为：

s21、将rgb色彩空间转换到ciexyz色彩空间，具体是实施时使用的转换公式如下所示：

其中，x、y、z分别为ciexyz图像中x分量、y分量、z分量的值。r、g、b分别为rgb图像中r分量、g分量、b分量的值。

s22、ciexyz色彩空间转换到l*a*b*色彩空间，具体是实施时使用的转换公式如下所示：

其中，l*、a*、b*分别为ciel*a*b*图像中l*分量、a*分量、b*分量的值，xn，yn，zn是标准d65照明白点，取值为xn＝0.950456，yn＝1.000000，zn＝1.088754。

s3、采用对比度受限直方图均衡方法(clahe)对l*a*b*色彩空间的l*分量处理得到对比度增强的亮度分量l1*，具体实现为：利用matlab中的函数adapthisteq将图像l*灰度化进行限制对比度直方图均衡化；

s4、将亮度分量l1*和色度分量a*、b*组合得到l*a*b*色彩空间图像，并转换至rgb彩色图像i1，从l*a*b*色彩空间重新反转换为rgb色彩空间的具体步骤为：

s41、l*a*b*色彩空间转换到ciexyz色彩空间，具体是实施时使用的转换公式如下所示：

这里，分别为转换之后ciexyz图像中x分量、y分量、z分量的值，g(t)是f(t)的反函数f^-1(t)，表达形式为：

s42、ciexyz色彩空间转换到rgb色彩空间，得到rgb彩色图像i1，具体是实施时使用的转换公式如下所示：

其中，分别为转换之后rgb图像中r分量、g分量、b分量的值；

s5、将图像i1从rgb色彩空间转换成hsv色彩空间，得到色调分量h、饱和度分量s和亮度分量v，具体是实施时将彩色图像i1转换成hsv色彩空间使用的转换公式如下所示：

其中，h、s、v分别为hsv图像中的分量，h代表色调，s代表饱和度，v代表亮度，为步骤s42所得值。

s6、图2为使用acpso的亮度增强算法的流程示意图，本发明采用acpso寻找出最优伽马值代入伽马校正函数对hsv色彩空间的v分量进行伽马校正处理得到亮度调整的v1分量，具体步骤如下：

s61、提取步骤s5所得v通道图像，具体实现为：利用matlab中的v＝hsv(：，：，3)语句提取hsv颜色空间中v通道图像；

s62、设置粒子群优化算法参数并初始化每个粒子的位置和速度，利用评价函数的初始值初始化个体历史最优适应度值和群体历史最优适应度值，利用粒子初始位置初始化粒子个体最优位置和群体最优位置；

s621：初始化参数：初始化粒子群粒子个数n＝20，最大迭代次数tmax＝100，惯性权重ω最大值ωmax＝0.9，惯性权重ω最小值ωmin＝0.4，学习因子c1＝2，学习因子c2＝2，控制参数μ＝4；

s622：初始化每个粒子的位置和速度：随机产生一个种群，初始化各粒子的位置和速度，将粒子的位置和速度限制在一定区间内，将所有粒子位置x随机设置在[0，1]之间，所有粒子速度v随机设置在[-1，1]之间；

s623：利用评价函数计算每个粒子的适应度值，即：

其中，v′是原始v通道图像通过伽马校正转换得到的增强图像，v″由canny算法处理增强图像v′得到，h(v′)为图像v′熵值，n_edges(v″)是增强图像v′经过canny边缘检测算子所得的边缘像素的数量，t是增强图像v′中的总像素数，e(v″)是由canny算法得到的图像v″中灰度像素的总和；利用matlab中函数nnz得出；图像熵值、图像边缘内容和图像边缘强度这三个测试函数可以较为全面的反映粒子群算法在各种场景设置下的优化性能，因此，粒子适应度值越大表示作为伽马校正参数的粒子位置越好；粒子适应度值的初始化：在区间[0，1]范围内随机产生粒子位置x0，将粒子位置x0作为伽马值(γ)代入伽马校正函数获取增强图像并计算获得粒子的适应度值的初始值为fitness0；

s624：初始化个体最优值和群体最优值：引用步骤s23中每个粒子的适应度值fitness0初始化该粒子个体历史最优适应度值fitnesspbest，并将该粒子的初始随机位置存储为个体最优位置pbest；用各粒子适应度值fitness0中的最大值初始化群体历史最优适应度值fitnessgbest，并将第一个粒子的位置初始化存储为群体最优位置gbest。

s63、自适应调整每个粒子的惯性权重和学习因子，从而更新每个粒子的速度和位置；

s631：惯性权重：

其中，ωmax和ωmin分别是惯性权值的最大值和最小值，fitnessmin为当前整个种群适应度值的最小值，fitnessmean是当前整个种群适应度值的平均值，fitnessi为当前第i个粒子的适应度值，i＝(1，2，...，m)。

s632：粒子群中粒子i的速度和位置：

vi(t+1)＝ωtvi(t)+c1r1[pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)]，

xi(t+1)＝xi(t)+vi(t+1)，

其中，ωt表示更新后的惯性权重，r1和r2是[0，1]内的随机数，vi(t+1)和xi(t+1)分别表示粒子i的更新后的速度和位置，xi(t+1)将作为进入下一次迭代时步骤s64对应粒子i的伽马校正的校正参数，pbest(t)为t次迭代时的个体最优位置，gbest(t)为t次迭代时的群体最优位置。

s64、利用每个粒子的位置作为校正参数带入伽马校正对步骤s5所得v通道图像进行处理，得到各个粒子的中间增强图像vi′，伽马校正的实现方法为：其中，lmax为步骤s5所得v通道图像的灰度最大的像素值，可通过matlab中函数max来获取，l∈[0，lmax]为步骤s5所得v通道图像的实际像素值，校正参数γ的取值为迭代过程中所得的粒子位置，首次迭代时校正参数γ取粒子初始化位置，t(l)为步骤s5所得v通道图像中像素值为l的灰度值经过伽马校正后得到的增强图像的灰度值。

s65、将中间增强图像vi′的信息作为评价函数的输入信息，得到每个粒子的适应度值fitness，粒子种群的粒子i的适应度值fitnessi的具体步骤为：

s651：由canny算法处理中间增强图像vi′得到边缘化图像v″，计算边缘化图像v″像素强度之和e(vi″)；

s652：计算中间增强图像vi′的边缘内容为其中，n_edges(vi″)表示中间增强图像vi′经过canny边缘检测算子所得的边缘像素的数量，具体为先调用canny函数将增强图像vi′边缘化，利用matlab函数sum针对边缘化后的图像计算出所有边缘像素的数量n_edges(vi″)，ti是中间增强图像vi′中的像素总数；

s653：中间增强图像vi′的熵值hi为：其中，p(j)是中间增强图像vi′灰度值为j的像素所占的比例，其中，ti是中间增强图像vi′中的像素总数，对于大小为n×m的中间增强图像vi′，中间增强图像vi′的像素总数为n×m，也即，ti＝n×m，kj为中间增强图像vi′中灰度值为j的像素点的数量，i的范围为i＝1，2，…，n，v为粒子群粒子个数；

s654：粒子i的适应度值fitnessi为：

s66、利用每个粒子的适应度值fitness更新个体历史最优适应度值，并将个体历史最优适应度值对应的粒子位置存储在个体最优位置中；具体为：若个体历史最优适应度值fitnessgbest小于步骤s654中粒子i的适应度值fitnessi，则更新个体历史最优适应度值fitnesspbest，即将粒子i的适应度值fitnessi赋值给个体历史最优适应度值fitnesspbest，并将该个体历史最优适应度值fitnesspbest对应的粒子的位置(伽马校正参数)作为该粒子的个体最优位置pbest。

s67、利用所有粒子的适应度值的最大值更新群体历史最优适应度值，并将群体历史最优适应度值对应的粒子位置存储在群体最优位置中；具体为：若群体历史最优适应度值fitnessgbest小于粒子群的个体适应度值fitnesspbest中的最大值，则更新群体历史最优适应度值fitnessgbest，即将粒子群所有粒子个体历史最优适应度值fitnesspbest中的最大值赋值给群体历史最优适应度值fitnessgbest，并将该群体历史最优适应度值fitnessgbest对应的粒子的位置(伽马校正参数)作为群体最优位置gbest。

s68：采用logistic映射产生混沌序列对粒子位置进行优化，其步骤包括：

s681：将初始粒子根据公式映射到[0，1]范围内，其中，gbest∈[ci，di]，ci为粒子i的位置最小值，di为粒子i的位置最大值，t为迭代次数。

s682：根据logistic公式生成序列：

其中，当μ接近4时，logistic处于混沌状态。可以使用该公式得到n个混沌的解空间。

s683：将步骤s682中生成的混沌空间中的向量根据式xi＝ci+yi(di-ci)映射到原始解空间范围内，得到向量组x＝{x1，x2，...，xn}。

s69、判断是否满足迭代寻优终止条件，若满足，执行步骤s610，否则，执行步骤s63；迭代寻优终止条件为：迭代次数已达到最大迭代次数tmax。

s610、输出粒子群的群体最优位置gbest，结束迭代过程；

s611、使用步骤s610得到的群体最优位置gbest作为校正参数γ带入伽马校正对步骤s5所得v通道图像进行校正，得到增强后的图像v1。本步骤中伽马校正的方法同步骤s64，只需选择不同的校正参数(群体最优位置gbest)即可，校正参数γ控制图像拉伸程度。

s7、使用一种自适应非线性拉伸函数对hsv色彩空间的s分量拉伸得到饱和度增强的s1分量，本发明所构建的自适应非线性拉伸函数定义为：

式中，s为非线性拉伸前图像饱和度，s1为非线性拉伸后图像饱和度，和分别为步骤s42所得rgb色彩空间对应像素点的颜色分量的最大值、最小值和平均值。

s8、将亮度分量v1、饱和度分量s1和色调分量h组合得到hsv彩色图像，并进行反变换成rgb彩色图像，具体是实施时使用的变换公式如下所示：

式中，c是色度，x是具有这种颜色的第二大成分的中间值。

s9、最后获得经过增强后的彩色图像iout；

在本发明的一种实施例中，从大量低照度彩色图像中选取一个场景来进行实验，图像大小为468×262，可验证本发明的适用性与有效性。原始图像的可观测性比较差，采用本发明方法对彩色图像进行增强处理，并与有代表性的对比度增强方法如直方图均衡化(he)、亮度保持的动态直方图均衡(bpdhe)、多尺度retinex算法(msr)、带彩色恢复的多尺度retinex算法(msrcr)、非均匀照明图像的自然保持增强算法(npea)、基于加权分布的自适应伽马校正的有效对比度增强(agcwd)和kanmani等人提出的方法进行增强效果对比，对比结果如图3所示。

图像为一群人在街头游行的场景，在这个图像中，由于建筑物和树木的遮挡，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和亮度。从增强结果图像可以看出，he算法对光亮处存在过度增强现象，这影响了原始光亮区域信息，如红色条幅和白色条幅上的标语经过he处理后均变得模糊不清。bpdhe对图像的亮度有一定提升，但是提升能力不足，图像整体亮度仍然很低，暗部细节仍然不清晰。msr和msrcr处理图像亮度明显提升，但是亮度提升过度而对比度较低，导致msr处理的图像泛白，msrcr结果则呈现蓝白色调。npea处理图像整体偏暗。agcwd在图像中间光照处出现过度增强现象。kanmani等人提出方法的增强效果非常明显，增强后图像的平均亮度也是所有算法中最高的，但是这也带来了增强过度的问题，图像中出现过曝和失真现象，如条幅和人群信息过度增强。本发明提出方法的增强清晰度最好，同时能够平衡处理图像整体亮度和图像细节。

为了对本发明提出的方法在处理彩色图像方面进行有效的客观量化评价，分别采用均值(meanvalue)、评估函数值(evaluationfunction)、熵(entropy)和平均梯度(meangradient)四种评价指标对实验结果进行评估。

图像亮度为一副图像给人的一种直观感受，对于彩色图像，则跟灰度值有关。均值(mean)反映了图像的平均亮度，值越高则图像越亮，如果图像亮度值较低的话，画面太黑什么都看不清，而画面过亮常常会令人感觉不适。均值适中(灰度值在128附近)，表明视觉效果良好。均值采用下面公式计算：

式中，m×n为图像大小，g(x，y)为图像x行y列处像素灰度值。

评估函数值为增强图像的熵值、边缘强度平均值和边缘数三个性能指标的综合，值越大图像增强效果越好，评估函数值(ef)计算由下面公式给出：

平均梯度(meangradient)反映了图像的清晰度和纹理变化，值越大说明图像越清晰，平均梯度值mg采用下面公式计算：

其中，m×n为图像大小，表示水平方向梯度，为垂直方向梯度。

灰度均值(graymeanvalue)反映了图像的平均亮度，值越大说明图像亮度越大。

熵(entropy)可以衡量图像所携带的信息量，图像的熵值越大，代表图像所含的信息量越大，细节越丰富，熵值采用下面公式计算：

其中，p(i)某个灰度值(i)在该图像中出现的概率。

在本发明的一种实施例中，分别采用指标meanvalue(mean)、entropy、evaluationfunction(ef)和meangradient(mg)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。

表1不同增强方法对测试图像的meanvalue、entropy、evaluationfunction和meangradient值定量比较

经过各种方法处理后，本发明方法和he均值靠近128，亮度得到很大改善，he方法会对高亮度区域过度增强，影响高亮度区域细节观察，因此熵值(entropy)较低。bpdhe处理图像之后，均值较低，说明bpdhe对图像亮度提高不明显。npea处理图像平均亮度大于bpdhe，但是数值仍与128差别较大，图像整体亮度仍然偏低。msr、msrcr和kanmani的方法处理图像均值都很大，说明图像过亮。agcwd同样会出现平均亮度过小现象。本发明方法的entropy指标在所有比较算法中排名第一，这说明相比其他方法，经本发明方法增强后图像的细节更丰富。本发明方法评估函数值最优，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。在清晰度的对比中，本发明方法的mg指标最优，说明本发明方法可提高图像清晰度。因此整体而言本发明所提出的图像增强方法增强效果明显优于其他方法。

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。