科技通报

PSO约束优化耦合直方图均衡化的图像增强算法

点击数:10    日期:2016-10-24 08:54:23

针对当前图像增强算法中灰度归一化重新分配时产生均值漂移,难以有效保留图像细节信息和亮度保护等问题
  

  摘 要: 针对当前图像增强算法中灰度归一化重新分配时产生均值漂移,难以有效保留图像细节信息和亮度保护等问题,提出了一种基于PSO约束优化与直方图均衡化的图像增强算法。引入最大类间方差法(Otsu),将输入图像分割为目标子图像和背景子图像两部分,并对二者分别均衡化,以提高目标与背景子图像的对比度;并根据阈值加权约束分别计算目标和背景子图像的约束;并引入粒子群优化(PSO)算法,对目标和背景子图像的约束主要参数进行优化,确定最优约束值;联合目标子图像与背景子图像的最优约束值完成图像增强。实验结果表明,与当前增强方法相比,所提出的算法具有更好的亮度保护和对比度增强效果,较好地保留了输入图像的细节信息。
关键词: 直方图均衡化; 最大类间方差法; 对比度增强; 粒子群优化
本文引用《现代电子技术
0 引 言
在图像和影像处理过程中,利用对比度增强技术能够获得更好的视觉感官。在一般情况下,直方图均衡化的对比度增强是通过输入图像强度再分配来实现的,且直方图改变是大多数对比度增强技术的基本方法[1]。因此,将直方图均衡化(HE)运用于输入图像的线性累积直方图,在输入图像的动态强度范围内分布其像素值。目前在医学图像处理、语音识别、纹理合成、卫星图像处理等方面有广泛的应用[2]。
对此,众多学者对图像增强技术进行研究,如P. Shanmugavadivu等在HE基础上提出了基于亮度保持的直方图均衡化方法(BBHE)[3],其依据输入图像的均值将直方图分为两部分:其中一部分从最小灰度值到平均灰度值;另一部分从平均灰度值到最大灰度值,然后使得两直方图均衡独立。实验结果显示该技术能保持原始图像的亮度。Kim等提出了子区域的直方图均衡化(SRHE)[4],该方法利用高斯滤波分割输入图像,平滑亮度值,并输出锐化图像。Wang Q等提出了一种加权阈值直方图均衡化(WTHE)[5]。这种技术提供了一种自适应的机制控制增强过程,该方法能够适应不同的图像,易于控制。
然而,当前图像增强算法中灰度归一化重新分配时产生均值漂移,难以有效保留图像细节信息和亮度保护。对此,本文在直方图均衡化基础上提出了一种PSO约束优化直方图均衡化(POHE)方法。利用最大类间方差法(Otsu)将输入图像直方图分为目标和背景子图像两部分,并分别进行均衡化,同时对图像直方图进行阈值加权约束,并利用粒子群优化算法(PSO)对加权约束优化,并测试了本文算法的增强性能。
1 直方图均衡化技术
在图像处理中,直方图是图像最基本的统计特性,是描述图像中灰度级与出现相应灰度的概率关系。HE是利用图像直方图对对比度进行调整,通过对图像非线性拉伸,重新分配像素值,使一定灰度范围内的像素数量大致相同,用于增强局部对比度而不影响整体的对比度[6]。
2 本文算法设计
本文提出的PSO约束优化直方图均衡化方法(POHE)主要包含三个步骤:首先利用Otsu对图像直方图分割,将目标和背景子图像分离,提高目标子图像与背景子图像的对比度;其次基于阈值的加权约束,分别对目标和背景子图像进行均衡化;最后利用PSO对约束参数进行优化。
2.1 基于Otsu阈值的图像直方图分割
在图像分割算法中,阈值法因为简单快速而被应用广泛[9],本文中运用Otsu阈值将图像分为两个部分:低灰度级的目标和高灰度级的背景。将目标子图像从背景子图像中分离,对目标和背景子图像分别均衡化,提高目标与背景的对比度。
在分配输出的动态范围时,在两个子图像的上限过程被用来避免出现占主导地位的高概率。控制参数[b]和[d]的值在0.1~1.0之间,当超过这个范围时,图像得到增强。参数[a]和[c]为控制增强等级的能量因子。当[a]和[c]小于1.0时,相应的子图像不可能重新分配更多的可能等级。因此,输入图像重要的视觉细节被保留。当这些能量因子的值接近1.0时,POHE效果趋近于传统的直方图均衡化。当这些能量因子的值超过1.0时,更多的权重转移到高概率水平,并且POHE将会比传统的直方图均衡化产生更强的效果。但是,这也将会产生过度增强,然而在高概率的等级(背景)需要加强额外强度的细节特征,该方法仍是有用的。
2.3 基于PSO的约束优化
本文提出的POHE阈值约束中,定义了[a,b,c]和[d]四个主要的参数,本文通过粒子群优化方法(PSO)对这四个参数进行优化[10],PSO是利用一种信息共享机制来寻找最优解的一种方法,假设[M]个粒子在搜索空间飞行,每个粒子都有对应的位置和速度,分别用[Si]和[Vi]表示第[i]个粒子的位置和速度,第[i]个粒子的最优位置为pb,全部粒子的最优位置为pg,在加速粒子群优化算法的基础上,用随机加权加速度在每个时间内趋近pb和pg位置,如图2所示。
图5(a)为暗图像,图5(b)~(d)是用所提出的阈值优化直方图均衡化方法得到的结果,其中依次分别采用了目标子图像约束,背景子图像约束和双子图像约束的方法。从结果可以看到,图5(b)相对图5(c)和图5(d)具有更好的图像加强效果。
图6中给出了原始图像及其阈值优化直方图均衡化处理后的图像。在图6(b)~(d)中,图6(d)表现出较好的对比度增强效果。当给定图像是亮图时,从上面的试验可以显而易见的看到,运用单一的背景子图像优化约束是足够的。在图5(a)给出了暗图像的情况下,仅对目标子图像运用优化约束将明显地改善对比度。当输入具有分布均匀的直方图的图像(见图6)时,那么采用双子图像优化约束效果较好。一旦约束子图像的应用程序完成,两个子图像独立的均衡化和联合会产生一个增强的输出图像。
3 实验与讨论
为了验证提出算法的可行性和优异性,与目前常用的图像增强方法进行对比,对照组有:直方图均衡化(HE),亮度保持双直方图均衡化(BBHE)[3],递归子图像直方图均衡化(RSIHE)[12],图像对比增强双直方图均衡化(RLBHE)[13],子区域的直方图均衡化(SRHE)[4]和加权阈值直方图均衡化(WTHE)[5]。为评价算法的性能,本文通过采用人类视觉感知和离散熵[(DE)][14]以及对比度改进指数[(CII)][15]对图像增强技术进行评估。其中[DE]用于计算图像增强后的信息丰富度,CII为图像对比度改进程度。
图7,图8为各种方法的实验结果。图7(b)~(h)和图8(b)~(h)分别显示由HE,BBHE,RLBHE,SRHE,WTHE,RSIHE和POHE方法得到的加强图像。在图7(b)~(h)中,图像显示了亮度退化和过度增强。相同的亮度退化和过度增强在图8(b)~(h)中也是存在的。虽然RSIHE的结果(图7(g)和图8(g))没有太大的亮度变化,这些图像几乎与原图像相似,但没有发现增强效果。图7(h)和图8(h)显示的阈值优化直方图均衡化结果比其他的直方图技术要更好,并且没有过度增强。阈值优化直方图均衡化产生的结果相对其他测试方法更好。
图9和图10分别显示鹿和猩猩的原始直方图、直方图均衡化和阈值优化直方图均衡化。图9(b)和图10(b)中,由于直方图分布不受控制,导致亮度突变,然而在图9(c)和图10(c)中表现出了受控的分布,产生了预期的对比度增强和亮度保护。
大部分的直方图加强技术,由于强度在归一化过程中重新分配,导致输出图像中的均值偏移。然而,所提出的PSO约束优化直方图均衡化方法可保持图像的平均值。直方图均衡化极大地改变了输入图像的原始平均值,这些原始平均值总是导致亮度退化。但是,本文方法采用控制过程给出的平均值更接近原始平均值。因此POHE可以保持输入图像的亮度。
此外,表1和表2分别给出了通过测量DE和CII对上述方法的图像增强质量进行评估。在表1中,POHE方法得到的DE非常接近于原始离散熵,这说明在增强图像中保留了原始的图像细节。表2中显示的POHE方法CII相对较高,从而也证明POHE是一个很好的对比度增强方法。
4 结 论
一般情况下,输入图像的平均亮度不同于输出图像的直方图均衡化。本文所提出的POHE方法可以有效地解决此类问题,完成了输入图像亮度保持和对比度增强的两个主要目标。该算法运用Otsu算法将输入图像直方图从背景中有效地分割为独立对象(目标)。基于输入图像的直方图的特点提出了加权约束,即粒子群优化算法。通过考虑图像的平均值,确保了在增强图像中细节信息的保护。通过实验结果和DE,CII定量评估,证明了POHE能有效地对不同亮度图像进行增强,并且在保证图像视觉细节没有退化的情况下,POHE可以很好地保持对比度增强图像的亮度。
参考文献
[1] LI Jia. Application of image enhancement method for digital images based on Retinex theory [J]. Optik?international journal for light and electron optics, 2013, 124(23): 5986?5988.
[2] 龚昌来,罗聪,杨冬涛,等.基于加权直方图均衡的红外图像增强方法[J].激光与红外,2013,43(8):956?959.



王编辑
中联论文网编辑
刘编辑
中联论文网编辑
赵编辑
中联论文网编辑
孙编辑
中联论文网编辑
电话
18931176030
固话
0311-80693734
投稿邮箱
ttqikan@163.com
99期刊承诺发表不成功无条件退款!
客服系统