本发明涉及图像增强
技术领域：
，特别是涉及一种改进的图像增强方法方法。
背景技术：
：图像增强的目的在于：①采用一系列技术改善图像的视觉效果，提高图像的清晰度；②将图像转换成一种更适合于人或机器进行分析处理的形式。图像增强包括灰度级和对比度处理，噪声消除，边缘突起和锐化，滤波，插值和放大，以及伪色彩处理等。目前常用的增强技术可分为空域图像增强法和频域图像增强法两种。前者对图像像素直接处理，而后者先对图像进行傅里叶变换之后再进行处理。空域增强法包括灰度变换，直方图变换，图像中的脉冲噪声模型，邻域平均法，中值滤波和图像锐化等。频率域增强法通常包括频率域法通常分为高、低通滤波、频率带通和带阻滤波、同态滤波等。遗传算法由于具有高效、鲁棒性强，且不容易陷入局部最优等优点，许多学者也将其应用到图像增强中。有研究者将遗传算法用于图像增强，使用图像的参数模型。将图像增强转化为参数的优化；有研究者基于染色体结构划分寻优空间对遗传算法进行改进，达到提高图像对比度的目的；有研究者利用fibonacci数列对遗传算法的交叉概率及变异概率进行了改进,实现了在模糊域中利用遗传算法进行图像增强。有研究者基于人工免疫原理,采用针对图像质量评价效果的新适应度函数，包括方差、信息熵、紧致度、信噪改变量以及像素差别五要素，以上对图像增强的各种改进虽然都取得了一定的效果，但它们的共同点是改进都是单方面的，也就是说各种改进都是从不同的角度进行的，所以效果也不尽相同。而且大都存在适用面较窄、需要预先设置阀值、计算量较大等不足之处。因此，建立一种能够在复杂环境中保持图像中的细节信息及纹理特征，具备良好的自适应性及抗噪能力的图像增强算法，具有积极的意义。技术实现要素：为了克服上述现有技术的不足，本发明提供了一种改进的图像增强方法方法。本发明所采用的技术方案是：一种改进的图像增强方法，其特征在于，包括以下步骤：s1、原图像像素灰度为f(x,y)，然后对其进行归一化处理得到n(x,y)；其中采用改进后的归一化处理方式：其中lmin和lmax分别为原图像灰度值的最小值和最大值，n(x,y)∈[0,1]；s2、按照aiga抗体编码方法对待优化的两个参数进行编码，随机产生一组初始个体构成初始种群，并输入控制参数交叉概率pc、变异概率pm、群体规模n和最大运行代数g；进行运算，产生种群x(t)；所述初始种群的初始化方法，设一个抗体中变量个数为n，初始抗体规模为m，ai和bi分别为变量xi的取值上限和下限，为第i个初始个体：式中为第i个个体的第j个分量的初始值，j∈{1,2,…,n}；令rij为与第i个体第j个分量，是[0，1]区间内服从均匀分布的随机数，则初始抗体可按下式产生：其中：s3、判断种群x(t)进化代数t是否等于最大运行代数g，若符合则算法结束，输出最优解；否则转向下一步；s4、用适应度函数计算个体适应度；采用轮盘赌策略从种群x(t)中选择m个个体，对选中的m个个体按照aiga算法遗传操作中的交叉和变异方法进行交叉和变异操作；s5、按aiga算法疫苗选取方法选取两个疫苗，然后选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，同时，对接种后的种群采用最优个体保留策略；s6、一组对应一个非线性变换函数f(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)。进一步的，所述的aiga抗体编码，设参数取值范围为[u1,u2]，用长度为k的二进制编码符号来表示，可产生2k种不同的编码，其编码方式如下：其中：进一步的，对所述编码进行解码：假设某一个抗体的编码为bkbk-1bk-2…b2b1，则对应的解码公式为：进一步的，对所述编码进行解码：假设某一个抗体的编码为bkbk-1bk-2…b2b1，则对应的解码公式为：进一步的，所述的适应度函数计算个体适应度方法为利用图像的信息熵e、图像方差fac、紧致度c、信噪改变量inc，达到图像的整体与局部，结构与细节协调平衡；适应度函数如下：fitness(·)＝e·inc·[fac+2.5c]其中：pi为第i级灰度出现的概率，当pi＝0时，定义pilog2pi＝0。inc表示灰度为h的像素个数大于给定阀值th的数量。inc越大，表明图像增强后损失的越少，保留下来的层次越多。对于传统的fac计算方式进行改进算法，其中，m、n为图像的长度和宽度，n＝m×n，fac越大，图像对比度越大。紧致度c表示周长p的平方与面积a的比：p、a定义如下：进一步的，所述的采用轮盘赌策略从种群x(t)中选择m个个体，采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例；赌盘按照群体中个体数的值进行相应次数的旋转，从而始终保持群体的大小不变，个体被选中的概率取决于个体的相对适应度，公式如下：其中pi为个体i被选中的概率，fi为个体i的适应度，为群体的累加适应度。进一步的，所述的对选中的m个个体按照aiga算法遗传操作中的交叉和变异方法进行交叉和变异操作，所述交叉操作：采用均匀交叉形成新个体，其过程是在交叉概率相同的前提下，交换配对个体对应的基因，其过程如下：随机生成屏蔽字w＝(w1,w2,w3,···,wl)，其中l为个体编码串的相应长度；按照下述的规则将一对父代染色体的基因进行交换：若wi＝0，则两个父代染色体的第i个基因不变；若wi＝1，则两个父代染色体的第i个基因相互交换生成新一代个体；所述变异操作：变异是以小概率对个体编码上的某个位置进行改变，进而生成新个体；对于给定的染色体位串s'＝a1'a'2…a'l，具体步骤如下：给定变异概率pm，随机产生xi∈(0,1)；按照以下原则生成新的个体s'＝a1'a'2…a'l，其中xi是对应于每一个基因位产生的均匀随机变量xi∈(0,1)。进一步的，所述按aiga算法疫苗选取方法选取两个疫苗，包含以下步骤：1计算种群x(t)＝(x1(t),x2(t),...,xn(t))中个体xi(t)的适应度为f(xi(t))；2令x(t)中最优个体的下标为k1，即f(xk1(t))取得最大值；3遍历整个种群x(t)，令p＝f(xk1(t))-f(xi(t))，记使p的值取得最小且不为0的个体下标为k2，则为种群x(t)中的次优解；4选取和为两个疫苗。进一步的，所述的选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，包含以下步骤：t1、接种个体的选择，对种群x(t)中的个体适应度f(xi(t))排序，计算种群平均适应度：随机选择低于平均适应度的个体作为接种个体；t2、接种个体数和接种点数的选择，接种个体数：其中，t表示当前代数，n表示当前代种群的个体数；接种点数：p(t)＝l*e-tl表示个体编码长度；t3、接种后抗体的选择方法，选取xk1(t)和xk2(t)为两个疫苗，假设选取的待接种个体为xm(t)，通过在接种点的周围选取最近的点注入疫苗，接种后产生两个抗体分别为和选取f(xm(t))，中大者为抗体。进一步的，所述步骤s5中的一组对应一个非线性变换函数f(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)；其中：g(x,y)＝lmin+(lmax-lmin)f(n(x,y))或与现有技术相比，本发明的有益效果是：通过用一种改进的图像增强处理，发明了一种新的非线性图像增强方法。利用新的免疫疫苗选择策略和免疫操作方法，自动寻找图像非线性增强函数的最佳变换参数，从而增强图像的对比度和细节，达到图像增强的效果。附图说明图1为一种改进的图像增强方法方法的流程图。具体实施方式下面结合附图对本发明进一步说明。本发明所采用的技术方案是：一种改进的基于自适应免疫遗传算法的图像增强方法包括：s1、假设原图像像素灰度为f(x,y)，然后进行归一化处理得到n(x,y)；其中采用改进后的归一化处理方式：其中lmin和lmax分别为原图像灰度值的最小值和最大值，显然n(x,y)∈[0,1]；采用改进后的归一化处理，使的图像的细节更加明显，为图像增强做好了充分的前提。s2、按照aiga抗体编码及种群初始化方法，初始化算法各参数，对待优化的两个参数进行编码，随机产生一组初始个体构成初始种群，并输入控制参数交叉概率pc、变异概率pm、群体规模n和最大运行代数g等，进行运算，得到种群x(t)，判断种群x(t)的进化代数t是否等于最大运行代数g，若符合则算法结束，输出最优解；否则转向下一步；s3、用适应度函数计算个体适应度；采用轮盘赌策略在种群x(t)中选择m个个体，对选中的m个个体按照aiga算法遗传操作中的交叉和变异方法进行交叉和变异操作；s4、按aiga算法疫苗选取方法选取两个疫苗，然后选取待接种个体数和接种点数进行免疫操作，并做出接种后的免疫选择，同时，对接种后的种群采用最优个体保留策略；s5、一组都对应一个非线性变换函数f(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)；aiga抗体编码，包含以下步骤：编码：设参数取值范围为[u1,u2]，用长度为k的二进制编码符号来表示，可产生2k种不同的编码，其编码方式如下：其中：解码：假设某一个抗体的编码为bkbk-1bk-2…b2b1，则对应的解码公式为：为了更好的进行解码，在上述的解码公式基础上针对矿下的特殊环境，给出改进后的解码公式：种群初始化方法：设一个抗体中变量个数为n，初始抗体规模为m，ai和bi分别为变量xi的取值上限和下限，为第i个初始个体：式中为第i个个体的第j个分量的初始值，j∈{1,2,…,n}。令rij为与第i个体第j个分量，是[0，1]区间内服从均匀分布的随机数，则初始抗体可按下式产生：其中：适应度函数计算个体适应度：利用图像的信息熵e、图像方差fac、紧致度c、信噪改变量inc，达到图像的整体与局部，结构与细节协调平衡。适应度函数如下：fitness(·)＝e·inc·[fac+2.5c]其中：pi为第i级灰度出现的概率，当pi＝0时，定义pilog2pi＝0。inc表示灰度为h的像素个数大于给定阀值th的数量。inc越大，表明图像增强后损失的越少，保留下来的层次越多。对于传统的fac计算方式进行改进算法，其中，m、n为图像的长度和宽度，n＝m×n，fac越大，图像对比度越大。紧致度c表示周长p的平方与面积a的比：p、a定义如下：用改进后的计算公式计算周长，这样可以去掉很多多余的噪声点，这样更加的提高了周长的精确度。采用轮盘赌策略选择m个个体：采用的是轮盘赌策略,每个个体用圆形赌盘的一块来代表其适应度的比例。赌盘按照群体中个体数的值进行相应次数的旋转，从而始终保持群体的大小不变。个体被选中的概率取决于个体的相对适应度，公式如下：其中pi为个体i被选中的概率，fi为个体i的适应度，为群体的累加适应度。显然，个体适应度愈高，被选中的概率愈大。但是，适应度小的个体也有可能被选中，以便增加下一代群体的多样性。对选中的m个个体按照aiga算法遗传操作中的交叉和变异方法进行交叉和变异操作：交叉算子：采用均匀交叉形成新个体，其过程是在交叉概率相同的前提下，交换配对个体对应的基因，其主要过程如下：1)随机生成屏蔽字w＝(w1,w2,w3,···,wl)，其中l为个体编码串的相应长度；2)按照下述的规则将一对；父代染色体的基因进行交换：若wi＝0，则两个父代染色体的第i个基因不变；若wi＝1，则两个父代染色体的第i个基因相互交变异算子：变异是以小概率对个体编码上的某个位置进行改变，进而生成新个体。对于给定的染色体位串s'＝a1'a'2…a'l，具体步骤如下：1)给定变异概率pm，随机产生xi∈(0,1)；2)按照以下原则生成新的个体其中xi是对应于每一个基因位产生的均匀随机变量xi∈(0,1)。为了保持种群多样性，本文还设计出如下自适应变异率：其中：t表示当前代数；pm表示预先设定的突变率，一般pm∈[0.010.1]；f(t-1)表示上一代种群的最佳适应度值；f(t)表示当代种群的最佳适应度值；ne表示自上次进化以来至当前代为止连续未进化的代数，即当f(t-1)＝f(t)时，ne＝ne+1。按aiga算法疫苗选取方法选取两个疫苗：由于适应度相同或相差不大的个体其包含的模式可能相差极大，一般情况下，仅选择当代最优个体作为疫苗，在对种群进化方向进行指导的同时，会以较大的概率带来误导作用，易使种群搜索陷入局部最优解。因此针对其不足，本方法选取当代种群中两个较优个体作为注射疫苗，这样可以使得接种后的个体即抗体包含有用的模式，使其向优良个体的方向靠拢，对搜索具有一定的指导作用，从而能够加快收敛速度，有效抑制由于单个疫苗带来的误差作用，为抗体的进化提供多个方向，具体步骤如下：1计算种群x(t)＝(x1(t),x2(t),...,xn(t))中个体xi(t)的适应度f(xi(t))2令x(t)中最优个体的下标为k1，即f(xk1(t))取得最大值。3遍历整个种群x(t)，令p＝f(xk1(t))-f(xi(t))，记使p的值取得最小且不为0的个体下标为k2，则为种群x(t)中的次优解。4选取xk1(t)和为两个疫苗。免疫操作将选出的优良疫苗对种群中的个体进行接种，以增强种群的整体性能。免疫操作有两种类型：全免疫和目标免疫。要找到适用于整个抗原(即全局问题求解)的疫苗极为困难，本方法采用目标免疫，即考虑局部最佳调整，在某一处或几处发生免疫反应。接种个体的选择：对种群x(t)中的个体适应度f(xi(t))排序，计算种群平均适应度：随机选择低于平均适应度的个体作为接种个体。接种个体数和接种点数的选择：在aiga遗传操作初期，为加快算法的收敛速度，进行免疫操作时，应当适当增加注射点的个数，尽快淘汰适应度较差的个体，同时为了保持种群多样性，接种点数目应适当减少。到进化中后期，为保证种群收敛，注射点数应适当减少，同时，为了避免算法停滞，待接种个体数应适当增加。接种个体数：其中，t表示当前代数，n表示当前代种群的个体数接种点数：p(t)＝l*e-tl表示个体编码长度。接种后抗体的选择方法：选取xk1(t)和xk2(t)为两个疫苗，假设选取的待接种个体为xm(t)，通过在接种点的周围选取最近的点注入疫苗，接种后产生两个抗体分别为和选取f(xm(t))，中大者为抗体。一组对应一个非线性变换函数f(u)，用非线性变换函数进行图像灰度变换，得到输出图像g(x,y)；其中：g(x,y)＝lmin+(lmax-lmin)f(n(x,y))。当然，所述的输出图像g(x,y)还可以为：这样输出的图像更加精准，图像的增强效果更加明显。算法的参数设置如下：最大进化代数g＝100，种群规模n＝30，交叉概率为0.95，变异概率为0.05。采用本文算法分别对井下低亮度、高亮度、低对比度和高对比度的四幅图像进行增强处理，并进行对比分析，目的是改善井下图像的主观和客观效果，保持图像中的细节信息及纹理特征，同时验证本文算法的有效性和稳定性。为了验证本文算法的性能，将基于本文自适应免疫遗传算法(aiga)与传统免疫遗传算法(iga)的图像增强进行对比，见表1。表1iga和aiga图像增强适应度值对比进化代数10203040506070aiga72.171.370.670.069.769.068.6iga68.967.967.467.567.166.466.4表1中的iga与aiga对比，可见aiga能更快更稳定地收敛到最优解，可见自适应免疫遗传算法能够实现井下复杂环境下的图像增强，较好地改变原免疫遗传算法的全局搜索性能，大大提高了算法收敛速度，能够在实际应用中取得良好效果。通过用一种自适应免疫遗传算法应用到图像的增强处理，发明了一种新的非线性图像增强方法。利用新的免疫疫苗选择策略和免疫操作方法，自动寻找图像非线性增强函数的最佳变换参数，从而增强图像的对比度和细节，达到图像增强的效果。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。当前第1页12