本发明涉及图像处理技术领域，具体涉及一种基于混沌和声搜索的图像增强方法、计算机存储介质及处理装置。
背景技术：
图像增强技术可以有效克服数字图像中对比度较差、亮度不均和和曝光过度等问题，其目标函数往往表现出不连续和不可导等数学特性，因此利用目标函数实现数字图像增强时难以有效地改善数字图像的视觉效果。当前，可以采用启发式搜索算法，如和声搜索算法对数字图像进行图像增强，其不需要目标函数满足连续和可导等数学特性，是一种可行度较高的图像增强技术。和声搜索算法虽然已经广泛应用于通信、语音识别和新能源预测等多种工程领域中，但其应用于图像增强时容易出现局部搜索能力不足的缺点，影响最终的图像增强效果。
技术实现要素：
为了解决现有技术中的上述问题，即为了解决如何实现快速且有效地进行图像增强的技术问题，本发明提供了一种基于混沌和声搜索的图像增强方法、计算机存储介质及处理装置。
在第一方面，本发明中基于混沌和声搜索的图像增强方法包括基于和声搜索算法对目标图像进行图像增强，具体为：
步骤s1：随机生成初始和声库，然后计算和声库中每个个体的适应值，其中，所述个体为包含非完全beta函数的参数α和β的编码信息；
步骤s2：采用logistic混沌映射算法生成混沌权值，并依据所生成的混沌权值执行混沌搜索，得到一个新个体；其中，“依据所生成的混沌权值执行混沌搜索，得到一个新个体”的步骤具体包括：
步骤s211：设置计数值kj的初值为1；
步骤s212：判断计数值kj是否大于预设的优化参数个数d，若是则转到步骤s3，若否则转到步骤s213；
步骤s213：在预设的第三数值区间内生成两个不相等的第四随机数ni和第五随机数nk；
步骤s214：在所述预设的第一数值区间内生成第六随机数thr；
步骤s215：判断所述第六随机数thr是否小于预设库取概率hmcr，若是则转到步骤s216，若否则转到步骤s224；
步骤s216：选取所述和声库中个体编号为所述第四随机数ni的个体
步骤s217：在所述预设的第一数值区间内生成第七随机数tpk；
步骤s218：判断所述第七随机数tpk是否小于预设扰动概率par，若是则转到步骤s219，若否则转到步骤s226；
步骤s219：在预设的第四数值区间内生成第八随机数tpn；
步骤s220：选取所述和声库中前tpn个优秀个体，并计算所选取优秀个体的均值tpm；
步骤s221：按照下式所示的方法计算精英采样值ev：
其中，所述
步骤s222：依据所计算的精英采样值ev，并按照下式所示的方法对所述新个体ut中第kj个维度的值
其中，所述tpmkj为均值tpm中第kj个维度的值，所述sr为搜索因子，所述
步骤s223：转到步骤s226；
步骤s224：按照下式所示的方法计算随机采样值rv：
rv＝xlkj+rand(0,1)×(xukj-xlkj)
其中，所述xlkj为第kj个优化参数值的下界，所述xukj为第kj个优化参数值的上界；
步骤s225：依据所计算的随机采样值rv，并按照下式所示的方法对新个体ut中第kj个维度的值
步骤s226：更新所述计数值kj＝kj+1，并转到步骤s212；
步骤s3：计算所述新个体的适应值，并依据所计算的适应值与所述和声库中每个个体的适应值对所述和声库进行更新；
步骤s4：获取所述更新后的和声库中的最优个体，然后判断是否满足终止条件，若不满足，则转到步骤s2，否则转到步骤s5；
步骤s5：对所述最优个体进行解码得到非完全beta函数的参数α和β，并利用所述非完全beta函数对所述目标图像进行非线性变换，得到增强后的目标图像。
进一步地，本发明提供的一个优选技术方案为：
“采用logistic混沌映射算法生成混沌权值”的步骤具体包括：
步骤s231：在预设的第一数值区间内生成第一随机数ir；
步骤s232：在预设的第二数值区间内生成第二随机数te；
步骤s233：按照下式所示的方法对迭代因子tr进行赋值：
tr＝ir
步骤s234：在所述预设的第一数值区间内生成第三随机数pe；
步骤s235：判断所述第三随机数pe是否小于所述第二随机数te：若是则转到步骤s236，若否则依据混沌权值lg执行混沌搜索，得到一个新个体；
步骤s236：按照下式所示的方法更新混沌权值lg：
lg＝n1×tr×(n2-tr)
其中，所述n1和n2分别为预设的常数。
步骤s237：按照下式所示的方法对迭代因子tr进行赋值，然后转到步骤s234：
tr＝lg
步骤s238：转到步骤s234。
进一步地，本发明提供的一个优选技术方案为：
“依据所计算的适应值与所述和声库中每个个体的适应值对所述和声库进行更新”的步骤具体包括：
选取所述和声库中的最差个体；
依据所述新个体的适应值，以及所述最差个体的适应值，判断所述新个体是否优于所述最差个体：若是则利用所述新个体替换所述最差个体，若否则保持和声库不变。
进一步地，本发明提供的一个优选技术方案为：
所述预设的第一数值区间为实数区间[0,1]；
所述预设的第二数值区间为实数区间[0.5,0.9]；
所述预设的第三数值区间为实数区间[1,hms]，其中，所述hms为所述和声库中个体的总数；
所述预设的第四数值区间为实数区间[2,hms×0.2]。
在第二方面，本发明中的计算机存储介质，存储有多条程序，所述程序适于由处理器加载并执行以实现上述技术方案所述的基于混沌和声搜索图像增强方法。
在第三方面，本发明中的处理装置包括：
处理器，适于执行各条程序；以及
存储设备，适于存储多条程序；
所述程序适于由处理器加载并执行以实现：上述技术方案所述的基于混沌和声搜索图像增强方法。
与最接近的现有技术相比，上述技术方案至少具有以下有益效果：
1、本发明中的图像增强方法，采用logistic混沌映射算法生成混沌权值，并依据所生成的混沌权值执行混沌搜索，得到一个新个体，其混沌搜索过程中将混沌权值融合到最优个体和精英个体的均值中以引导新个体的产生，从而能够加快和声搜索算法的收敛速度。
2、本发明中的图像增强方法，利用优化设计的非完全beta函数对目标图像进行非线性变换，得到增强后的目标图像，通过优化设计非完全beta函数可以提高增强图像的视觉效果。
附图说明
图1是本发明实施例中图像增强方法的主要步骤示意图；
图2是本发明实施例中利用混沌搜索获取新个体的主要步骤示意图；
图3是本发明实施例中目标图像的示意图；
图4是本发明实施例中采用图像增强方法对图3所示目标图像增强后的图像示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
参阅附图1，图1示例性示出了本实施例中基于混沌和声搜索图像增强方法的主要步骤。如图1所示，本实施例中可以基于和声搜索算法对目标图像进行图像增强，具体步骤如下：
步骤s1：和声库初始化。
具体地，本实施例中对和声搜索算法进行迭代初始化包括：设定迭代次数t的初始值为0，优化参数个数d＝2，设定最大迭代次数mitn。本实施例中对和声库进行初始化包括：设置和声库的大小hms、库取概率hmcr和扰动概率par，其中，和声库pt如下式(1)所示：
公式(1)中参数
步骤s2：计算和声库中每个个体的适应值。
步骤s3：采用logistic混沌映射算法生成混沌权值，并依据所生成的混沌权值执行混沌搜索，得到一个新个体。
具体地，本实施例中可以按照下述步骤生成混沌权值：
步骤s311：在预设的第一数值区间内生成第一随机数ir。
步骤s312：在预设的第二数值区间内生成第二随机数te。
步骤s313：按照下式(2)所示的方法对迭代因子tr进行赋值：
tr＝ir(2)
步骤s314：在预设的第一数值区间内生成第三随机数pe。
步骤s315：判断第三随机数pe是否小于第二随机数te：若是则转到步骤s316，若否则依据混沌权值lg执行混沌搜索，得到一个新个体。
步骤s316：按照下式(3)所示的方法更新混沌权值lg：
lg＝n1×tr×(n2-tr)(3)
公式(3)中参数n1和n2分别为预设的常数，在本实施例的一个优选实施方案中，预设的第一数值区间为实数区间[0,1]，预设的第二数值区间为实数区间[0.5,0.9]，n1＝4.0，n2＝1.0，并且第一随机数为不等于0.25、0.5和0.75的实数。
步骤s317：按照下式(4)所示的方法对迭代因子tr进行赋值，然后转到步骤s314：
tr＝lg(4)
步骤s318：转到步骤s314。
继续参阅附图2，图2示例性示出了本实施例中获取新个体的主要步骤。如图2所示，本实施例中可以按照下述步骤依据所生成的混沌权值执行混沌搜索，以得到一个新个体：
步骤s321：设置计数值kj的初值为1。
步骤s322：判断计数值kj是否大于预设的优化参数个数d。具体地，若前迭代的计数值kj大于优化参数个数d则转到步骤s4，若前迭代的计数值kj小于优化参数个数d则转到步骤s323。
步骤s323：在预设的第三数值区间内生成两个不相等的第四随机数ni和第五随机数nk。
步骤s324：在预设的第一数值区间内生成第六随机数thr。
步骤s325：判断第六随机数thr是否小于和声库的库取概率hmcr。具体地，若第六随机数thr小于预设和声库的库取概率hmcr则转到步骤s326，若第六随机数thr不小于预设和声库的库取概率hmcr否则转到步骤s333。
步骤s326：选取和声库中个体编号为第四随机数ni的个体
步骤s327：在预设的第一数值区间内生成第七随机数tpk。
步骤s328：判断第七随机数tpk是否小于和声库的扰动概率par。具体地，若第七随机数tpk小于预设和声库的扰动概率par则转到步骤s329，若第七随机数tpk不小于预设和声库的扰动概率par则转到步骤s335。
步骤s329：在预设的第四数值区间内生成第八随机数tpn。
步骤s330：选取和声库中前tpn个优秀个体，并计算所选取优秀个体的均值tpm。
步骤s331：按照下式(5)所示的方法计算精英采样值ev：
公式(5)中各参数含义为：
步骤s332：依据所计算的精英采样值ev，并按照下式(6)所示的方法对新个体
公式(6)中各参数含义为：
tpmkj为均值tpmtpm中第kj个维度的值，sr为搜索因子，
步骤s333：按照下式(7)所示的方法计算随机采样值rv：
rv＝xlkj+rand(0,1)×(xukj-xlkj)(7)
公式(7)中各参数含义为：
xlkj为第kj个优化参数值的下界，xukj为第kj个优化参数值的上界。
步骤s334：依据所计算的随机采样值rv，并按照下式(8)所示的方法对重新赋值后的新个体ut中第kj个维度的值
步骤s335：更新计数值kj＝kj+1，并转到步骤s322。
步骤s4：计算新个体的适应值，并依据所计算的适应值与和声库中每个个体的适应值对和声库进行更新。
具体地，本实施例中可以按照下述步骤对和声库进行更新：
步骤s41：选取和声库中的最差个体wbt。
步骤s42：依据新个体ut的适应值，以及最差个体wbt的适应值，判断新个体ut是否优于最差个体wbt：若是则利用新个体ut替换最差个体wbt，若否则保持和声库不变。
步骤s5：获取更新后的和声库中的最优个体。
步骤s6：判断是否满足终止条件。具体地，若满足终止条件则转到步骤s7，若不满足终止条件则转到步骤s3。
步骤s7：对最优个体进行解码得到非完全beta函数的参数α与β。
步骤s8：利用非完全beta函数对目标图像进行非线性变换，得到增强后的目标图像。
继续参阅附图3和4，图3示例性示出了本实施例中目标图像，图4示例性示出了本实施例中采用上述实施例中图像增强方法对目标图像进行增强后得到的图像。通过图3和4可以得到，本发明公开的图像增强方法，能够提高图像增强的视觉效果。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
基于上述方法实施例，本发明还提供了一种计算机存储介质，该计算机存储介质中存储有多条程序，并且这些程序可以适于由处理器加载并执行以实现上述方法实施例所述的基于混沌和声搜索图像增强方法。进一步地，基于上述方法实施例，本发明还提供了一种处理装置，该处理装置包括处理器和存储设备。其中，处理器可以适于执行各条程序，存储设备可以适于存储多条程序，并且这些程序可以适于由处理器加载并执行以实现上述方法实施例所述的基于混沌和声搜索图像增强方法。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的pc来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。