基于自适应学习粒子群优化的列车车轮踏面图像增强方法与流程

本发明涉及图像处理技术领域，具体是一种基于自适应学习粒子群优化的列车车轮踏面图像增强方法。

背景技术：

随着铁路事业的发展，作为列车行驶重要组成部件的车轮踏面的检测与维护越来越受到重视。目前，以冲击载荷法为主的接触式测量和人工目视法检测是实际应用中的主要手段，而这两种检测方法在实际应用中都存在检测效率、工作效率低下的问题。采用图像处理的方法以其无接触、快速、高效、稳定的特点，可以达到目视检测的作用，在无损检测领域得到了广泛应用。在实际拍摄处于运动状态的踏面图像时，很容易受到拍摄环境与条件的影响，造成图像低对比度和纹理细节不清晰等，背景对比度低，这使得它很难辨认原始图像中的背景与目标物体，传统处理方法如直方图法的效果不佳。因此，需要研究一种针对列车车轮踏面图像的高效图像增强算法。

技术实现要素：

本发明解决的技术问题是：提供一种列车车轮踏面图像的增强方法，解决现有方法对原始图像增强后细节等级效果不佳的问题。

为了达到上述目的，本发明采用下述技术方案：

基于自适应学习粒子群优化的列车车轮踏面图像增强方法，其特征在于，使用粒子群优化算法选择的自适应伽马校正因子对列车车轮踏面图像进行增强处理；包括以下步骤：

步骤1输入车轮踏面图像；

步骤2初始化种群和参数；初始化种群个数n、粒子位置x和速度v、惯性权重ω、学习因子c1a、c1b、c2a、c2b、最大迭代数tmax等；

步骤3对输入原始图像进行伽马校正；

步骤4评价粒子；分别计算熵值h和边缘内容s，计算灰度标准方差std；计算客观评价函数fitness；

步骤5更新粒子最优值；若更新后适应度值大于原来个体最优值pbest，则将该粒子位置作为个体最优pbest，若更新后粒子适应度值大于原来全局最优值gbest，则将该粒子位置作为全局最优gbest；

步骤6判断是否达到迭代停止条件，若未达到，则更新学习因子c1、c2的值，更新每个粒子的速度与位置，跳转到步骤3；若满足迭代停止条件，退出循环；

步骤7使用迭代中存储下来的最优伽马值(gbest)增强图像。

使用粒子群优化(pso)选择的自适应伽马校正因子来改善熵并增强列车车轮踏面图像的细节。伽马校正是一种比较成熟的技术，可以保留图像的平均亮度，通过选择最佳伽马因子产生更自然的图像。提出基于多目标粒子群优化算法确定的最佳伽马值校正增强原始图像，所提出方法流程图如图5所示。通过优化的粒子群算法找出增强列车车轮踏面图像的最佳伽马值。一组粒子值即伽马值被定义为n个粒子:γ＝{γ1，γ2，…，γn}。

评价函数的选取很重要，每个粒子对应评价函数的值是评价增强图像效果的重要参考标准。列车车轮踏面图像具有低对比度和纹理细节不清晰等特点，很难辨认原始图像中的背景与目标物体。传统方法针对灰度图像，可使增强图像中熵或信息内容最大化，但未考虑对比度问题，这种缺陷会导致增强后的图像视觉效果不佳。因此利用优化的粒子群算法对图像进行对比度增强时，增强图像应具有信息量大、纹理清晰、对比度高等特点。在所提出的方法中，将灰度标准方差融入评价函数，边缘内容、熵和灰度标准方差被用作每个粒子的目标函数，因此，客观评价函数是三种性能测度的综合，即熵值、边缘内容和灰度标准方差。

一般情况下，学习因子c1和c2为固定值2，即粒子群在寻优过程中自身认知项和社会认知项所占权重等同，算法寻优具有局限性，粒子群容易陷入局部最优。对于目标与背景对比度低的车轮踏面图像，寻找全局最优解尤为重要。本发明采用学习因子可变方法，将学习因子与迭代次数相关联，使c1和c2可变，迭代开始时c1较大，c2较小，即粒子多向自身学习。随着迭代次数增加c1逐渐减小，c2逐渐增大，此时粒子多向全局最优解靠拢。经实验表明，可避免粒子群陷入局部最优问题发生，防止粒子群出现早熟收敛现象。

本发明具有以下有益效果：

(1)通过自适应调整学习因子，提高了标准粒子群算法的寻优效果；

(2)结合了伽马校正算法，提高了对列车车轮踏面图像增强的细节等级和对比度。

附图说明

图1为一种列车车轮踏面的原始图像示意图；

图2为使用he算法的列车车轮踏面的增强图像示意图；

图3为使用ahe算法的列车车轮踏面的增强图像示意图；

图4为本发明基于自适应学习粒子群优化的列车车轮踏面算法的增强图像示意图；

图5为基于多目标粒子群优化算法确定的最佳伽马值校正增强图像的方法流程图；

图6为本发明客观评价函数的计算流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

粒子群算法(pso)是一种基于群体进化的非线性优化算法，它依据鸟群在一定区域内搜索食物的原理，把每一个粒子作为一只鸟，使用多个粒子在搜索空间内依据粒子的个体行为和群体行为自动寻找目标函数f(x):rⁿ→r的最优解。粒子变量x∈rⁿ，则搜索目标可以表示为：

在每一时刻k，第i个粒子依据以下两式来调整自身搜索行为，分别对位置和速度进行调整：

c1为粒子个体认知加速常数，c2为群体认知加速常数，参数c1和c2分别代表了个体自身行为和群体行为对个体影响的大小；为[0,1]之间的随机数，代表了粒子的随机行为；代表了第i个粒子个体的在当前进化代数下的最优值；代表了整个粒子群体在当前进化代数下的最优值：

ω为惯性系数，代表了粒子的运动惯性，按照运动惯性随进化代数逐渐减小的原则，其表达式为：

式中：wmax和wmin分别为w的最大值与最小值；kmax为最大进化代数。

标准pso算法包含如下执行步骤：

[步骤1]在搜索空间内随机初始化每个粒子的位置并计算目标函数，分别确定和

[步骤2]若满足算法停止条件，则获得当前目标函数最优值对应的粒子位置，即算法停止；否则转步骤3；

[步骤3]依据式(1)和式(2)调整粒子的位置和速度，确定当前进化代数的和设置进化代数k＝k+1。

在步骤2中，算法的停止条件可以是目标函数f(x)达到期望的极值，也可以是达到预先设定的最大终止进化代数kmax。

伽马校正是一种直方图修正技术，其中使用称为伽马(γ)的自适应参数实现图像增强，这是一种非线性操作。伽马校正是图像灰度变换过程最常用的一种方式，这种方法可有效提高图像的亮度和对比度。伽马校正的基本形式如式(3)所示。

式(3)中:l∈[0,lmax]，表示输入图像实际灰度值；t(l)表示输出图像实际灰度值；lmax表示输入图像灰度最大值；校正参数γ控制图像拉伸程度，不同γ将产生不同的拉伸效果。γ＝1，意味着输入图像的真实再现；γ＜1，增强的图像将比原始图像更亮；γ＞1，增强的图像将比原始图像更暗。

一张图片中γ一定，则图片中每个像素都将表现为相同强度变化。例如，γ＝1.5，lmax＝245，当l＝145则增强后对应的灰度值为t(l)＝245×(145/245)1.5＝111。因此对于全局伽马校正而言有必要选择一个最佳的伽马值，以便产生更好质量的图像。

基于pso的图像增强算法

主要工作是使用粒子群优化(pso)选择的自适应伽马校正因子来改善熵并增强列车车轮踏面图像的细节。伽马校正是一种比较成熟的技术，可以保留图像的平均亮度，通过选择最佳伽马因子产生更自然的图像。提出基于多目标粒子群优化算法确定的最佳伽马值校正增强原始图像，所提出方法流程图如图3所示。通过优化的粒子群算法找出增强列车车轮踏面图像的最佳伽马值。一组粒子值即伽马值被定义为n个粒子:γ＝{γ1，γ2，…，γn}。

评价函数的选取很重要，每个粒子对应评价函数的值是评价增强图像效果的重要参考标准。列车车轮踏面图像具有低对比度和纹理细节不清晰等特点，很难辨认原始图像中的背景与目标物体。传统方法针对灰度图像，可使增强图像中熵或信息内容最大化，但未考虑对比度问题，这种缺陷会导致增强后的图像视觉效果不佳。因此利用优化的粒子群算法对图像进行对比度增强时，增强图像应具有信息量大、纹理清晰、对比度高等特点。在所提出的方法中，将灰度标准方差融入评价函数，边缘内容、熵和灰度标准方差被用作每个粒子的目标函数，因此，客观评价函数是三种性能测度的综合，即熵值、边缘内容和灰度标准方差。本发明提出评价函数计算流程如图4所示。多目标优化技术通常应用称为帕累托最优的方法，处理多目标优化问题的有效方法是将整体目标函数构建为多目标函数的线性排列。客观评价函数fitness可以写为

fitness＝α1h+α2s+α3std(4)

式(4)中:fitness为粒子适应度值；α1、α2和α3为常数，代表目标函数的相对重要性。将熵值h、边缘内容s和灰度标准方差std等同取值，即α1＝α2＝α3＝1/3。

图像的熵值h越大，代表图像所含的信息量越大，细节越丰富。其定义式如下:

式(5)中:p(i)代表增强图像灰度值为i的像素所占的比例。s代表由canny边缘检测算子计算的测试图像的边缘内容，其值越大，代表测试图像包含的边缘信息越多，图像对比度越好。其定义式如下:

式(6)中:nedges(e)表示由canny边缘检测算子检测到的增强图像中的边缘像素的数量；t表示增强图像中的像素总数。

std为测试图像的灰度标准方差，一般情况下，std值越大，所测图像的对比度就越好，越适合人眼观察。

一般情况下，学习因子c1和c2为固定值2，即粒子群在寻优过程中自身认知项和社会认知项所占权重等同，算法寻优具有局限性，粒子群容易陷入局部最优。对于目标与背景对比度低的车轮踏面图像，寻找全局最优解尤为重要。本发明采用学习因子可变方法，将学习因子与迭代次数相关联，使c1和c2可变，迭代开始时c1较大，c2较小，即粒子多向自身学习。随着迭代次数增加c1逐渐减小，c2逐渐增大，此时粒子多向全局最优解靠拢。经实验表明，可避免粒子群陷入局部最优问题发生，防止粒子群出现早熟收敛现象。学习因子更新如式(7)、式(8)所示

式中:c1a、c2a为学习因子c1和c2的迭代初始值；c1b和c2b为他们的迭代最终值；t为当前迭代次数。初始化的参数值为c1a＝2.75、c1b＝1.25、c2a＝0.5、c2b＝2.25。

本发明的一种基于自适应学习粒子群优化的列车车轮踏面图像增强方法的算法流程步骤包括：

步骤1输入车轮踏面图像。

步骤2初始化种群和参数。初始化种群个数n、粒子位置x和速度v、惯性权重ω、学习因子c1a、c1b、c2a、c2b、最大迭代数tmax等。

步骤3对输入原始图像进行伽马校正。

步骤4评价粒子。根据式(5)和式(6)分别计算熵值h和边缘内容s，计算灰度标准方差std。根据式(4)计算客观评价函数fitness。

步骤5更新粒子最优值。若更新后适应度值大于原来个体最优值pbest，则将该粒子位置作为个体最优pbest，若更新后粒子适应度值大于原来全局最优值gbest，则将该粒子位置作为全局最优gbest。

步骤6判断是否达到迭代停止条件，若未达到，则由式(7)和式(8)更新学习因子c1、c2的值，由式(1)和式(2)更新每个粒子的速度与位置，跳转到步骤3。若满足迭代停止条件，退出循环。

步骤7使用迭代中存储下来的最优伽马值(gbest)增强图像。

本发明应用对象为列车车轮踏面图像。原始图像的可观测性比较差，为满足需求，从现有图像中随机选取原始踏面图像，采用上述改进算法对图像进行处理。原始图像对比度低，纹理细节不清晰。在对比试验中，与传统对比度增强方法直方图均衡化(he)、自适应直方图均衡(ahe)法进行了比较。将本发明方法与以上传统方法进行比较，实验结果如图1-图4所示。从增强结果图像可以看出，传统直方图均衡he和ahe均存在亮度过度增强问题，整体结果不够自然，本发明算法增强图像观看舒适度和细节可辨识度更高。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。本发明未涉及的技术均可通过现有技术加以实现。