基于多分辨率分析和混沌PSO的图像增强技术

word文档可自由复制编辑编号大学毕业论文题目基于多分辨率分析和混沌PSO的图像增强技术学生姓名学号学院电子信息工程学院专业电子信息科学与技术班级指导教师

大学本科毕业设计（论文）诚信承诺书本人郑重声明：所呈交的毕业设计（论文）（题目：基于多分辨率分析和混沌PSO的图像增强技术）是本人在导师的指导下独立进行研究所取得的成果。尽本人所知，除了毕业设计（论文）中特别加以标注引用的内容外，本毕业设计（论文）不包含任何其他个人或集体已经发表或撰写的成果作品。作者签名：年月日（学号）：)式中，参数控制图像的失真程度，本文取为0.85。5.5.4基于混沌小生境算法优化的Contourlet域图像增强步骤利用混沌小生境优化算法，对数字全息图像的Contourlet域增强步骤如下：Step1：对数字全息图像进行Contourlet变换，根据式(3.6)~(3.10)对带通方向子带系数进行调整；Step2：初始化小生境粒子种群。随机产生3个粒子，分别代表、、，并分成4个子种群。代表和的粒子速度在[-0.02,0.02]上随机产生，代表的粒子速度在[-10,10]上随机产生；Step3：根据式(5.19)-(5.21)和目前寻找到的参数值，对低通子带系数进行调整，经Contourlet反变换后，根据式(5.22)计算每个粒子的适应度，找出每个小生境种群中最优粒子和全局最优粒子；Step4：实施RCS小生境淘汰选择进化策略，计算两个粒子种群最优个体与之间的距离，若(小生境半径，本文取为5)，比较两个小生境最优个体的适应度，低者置零，高者保持不变。对置零的最优个体重新初始化，并在其所在的小生境内重新选择最优个体，直至任意两个小生境最优个体之间的距离；Step5：若迭代次数达到50次，则对最劣小生境子种群进行更新初始化；Step6：按式(4.3)-(4.5)对所有小生境最优个体的位置进行变尺度混沌变异，进一步提高搜索精度；Step7：按式(4.1)-(4.2)更新每个粒子的位置和速度，惯性因子由式(4.6)确定；Step8：若满足最大迭代次数20，则停止迭代，输出最优解，并对图像进行增强，否则转Step3。5.5.5实验结果及分析利用上述提出的基于混沌小生境算法优化的Contourlet域图像增强算法，对大量数字全息图像进行了实验。为了验证实验结论，选取其中的两幅数字全息图像说明，这两幅图像都含有噪声，并且分辨率低、条纹对比度低，需要对图像进行适当的增强处理，达到最佳的效果。本文将该算法与直方图均衡算法、双向直方图均衡算法、平稳小波算法比较。图5-5、图5-6分别给出2幅原始图像(a)，直方图均衡算法结果(b)，双向直方图均衡算法结果(c)，平稳小波算法结果(d)，本文算法结果(e)。上述所有算法均是在Intel™Core™2DuoCPU2.10GHz/2GB内存、Matlab2009a环境中运行的。（a）原始图片（b）直方图均衡方法（c）双向直方图均衡方法（d）平稳小波方法（e）本文方法图5-5数字全息图像1的4种增强方法结果比较（a）原始图片（b）直方图均衡方法（c）双向直方图均衡方法（d）平稳小波方法（e）本文方法图5-6数字全息图像2的4种增强方法结果比较由图5-5、图5-6可以看出：基于直方图的一类算法在增强数字全息图像对比度的同时，也会放大噪声，导致处理后的图像不清晰。而且该类算法会产生过增强的现象，数字全息图像的纹理信息很重要，保证纹理细节的清晰度是增强处理的关键。平稳小波算法增强了数字全息图像的细节信息，很好地抑制了噪声，但是对比度增强较小，图像偏暗。采用本文方法增强后的图像视觉效果最佳，有效地增强了数字全纹理对比度、清晰度，同时也抑制了数字全息图像的噪声。·实验中根据式(5.1)-(5.4)计算了数字全息图像经四种算法增强后的峰值信噪比、对比度增益、清晰度增益及信息熵。本文将实验结果列于表5-3中。表5-3适用于数字全息图像的增强方法与现有方法的定量指标评价实验图像图像质量评价函数直方图均衡方法双向直方图均衡方法平稳小波方法本文方法数字全息图像1峰值信噪比/db6.435630.900633.021257.2200对比度增益3.85085.07911.07811.6124清晰度增益2.59002.34671.72251.8205信息熵3.56473.56473.65704.2414数字全息图像2峰值信噪比/db14.347530.855324.816047.5365对比度增益5.29236.01031.63092.7285清晰度增益2.73802.56982.17632.1502信息熵3.53553.53553.44544.0730由表5-3中可以看出：直方图均衡算法峰值信噪比很小，说明引入较多的噪声，对比度增益和清晰度增益很大，说明出现了过增强现象，会影响图像的视觉效果；双向直方图峰值信噪比较大，说明图像失真较小，对比度和清晰度很大，仍出现过增强现象；平稳小波算法峰值信噪比较大，说明噪声被抑制，对比度增益、清晰度增益很小；本文方法峰值信噪比和信息熵最大，对比度和清晰度比平稳小波算法有所提高，说明本文方法有很好的去噪能力，纹理对比度也有所改善。5.6本章小结本章首先阐述了图像增强质量评价的方法，并给出了四种本章所需要的客观评价函数：峰值信噪比、对比度增益、清晰度增益、信息熵。然后，本章针对红外热波图像、火焰图像、数字全息图像的各自特征，提出了三种基于Contourlet变换和混沌粒子群的图像增强算法，对低通子带采取不同的空域增强方法进行增强，红外图像低通子带增强方法基于局部均值和引入一种适应于人类视觉系统灰度级变换方法；火焰图像低通子带采用模糊增强；数字全息图像低通子带增强方法基于局部均值和暗区扩展灰度级变换方法。带通子带进行抑噪和增强边缘处理，对待定参数进行混沌粒子群寻优，适应度函数兼顾了峰值信噪比、对比度增益、清晰度增益、信息熵四种指标。最后，将本章提出的算法与传统的直方图均衡算法、双向直方图均衡算法、平稳小波算法比较，给出了实验结果。第六章总结与展望6.1本文主要工作图像增强技术是数字图像处理研究方向之一，它是图像预处理技术的重要研究对象。图像工程包括图像处理、图像分析和图像理解三个部分，图像处理技术的发展推动了图像分析和图像理解技术。近年来图像增强技术发展迅猛，不仅出现了许多经典的好方法，而且市场效应也十分火热。新的增强技术依然在不断的发展，尤其是空间局部增强处理和新的频域滤波增强方法。针对图像增强技术，本文做了以下工作：1.首先阐述了图像增强的目的和意义，以及图像增强技术的国内外发展状况，然后简要介绍了图像增强技术在红外热波缺陷检测、火焰增强、数字全息图像增强三个领域的应用概况，分析了红外热波图像、火焰图像、数字全息图像的特点。2.详细地阐述了图像增强的两种方法：空间域方法和频率域方法。并列举了其中的一些经典的算法，空间域方法包括：灰度变换法、直方图修正法、基于局部均值和标准差的自适应方法、模糊集方法、图像平滑，并阐明了其基本原理。频率域方法则是基于傅里叶变换的增强方法，对几种滤波器作了说明：Butterworth低（高）通滤波器、指数型低（高）通滤波器、梯形低（高）通滤波器。3.首先分析了连续小波变换、多分辨率分析、离散小波变换的原理，并详细介绍了了一种基于离散平稳小波变换的图像增强算法。接着，阐明了Contourlet变换的基本原理，分析了Contourlet变换的特点，对拉普拉斯金字塔(LP)分解和方向滤波器组(DFB)的原理作了详尽阐述，给出了DFB的具体构造方法以及Contourlet变换分解的具体流程。最后，描述了一种基于Contourlet变换和模糊理论的图像增强算法。4.对粒子群优化(PSO)算法的产生和基本思想作了详尽阐述，给出了基本PSO算法的步骤。在基本PSO算法的基础上，详细地分析了两种混沌PSO算法：基于混沌变异的小生境粒子群算法(NCPSO)和自适应双粒子群优化算法(ACPSO)。阐述了其工作原理，以及各自的优点。5.首先阐述了本文算法中需要考虑的四种图像增强客观评价函数：峰值信噪比、对比度增益、清晰度增益、信息熵。接着，针对红外热波图像的特点，提出了一种基于Contourlet变换和双粒子群优化的红外图像增强算法。红外热波图像经Contourlet变换后，低通子带系数基于局部均值和引入一种适应于人类视觉系统的灰度级变换方法，并通过粒子群寻优自适应调整，提高了图像的对比度，带通方向子带系数经调整，增强图像的细节，并抑制噪声，适应度函数兼顾了峰值信噪比、清晰度和对比度三个指标。然后根据火焰图像特点，提出了一种基于模糊理论和粒子群优化的Contourlet域火焰图像增强算法，火焰图像经Contourlet变换后，对带通方向子带采用非线性增益函数，对图像的细节信息增强，通过设定自适应阈值抑制了噪声。将模糊集理论应用于低通子带，对低通子带进行模糊增强，有效提高了对比度，使火焰边界变得清晰，同时避免了噪声的放大，适应度函数兼顾了增强后图像的峰值信噪比和对比度。然后研究了数字全息图像，提出了一种基于粒子群优化的Contourlet域数字全息图像增强算法，首先在低通子带中采用基于局部均值和灰度级变换函数的对比度增益函数，对低通子带系数进行调整，灰度级变换采用亮区不变、暗区扩展的方法，并且对增益函数中的待定参数进行粒子群寻优，用混沌小生境优化算法精确搜索到最优解，适应度函数兼顾了峰值信噪比、对比度、清晰度、信息熵四个指标；最后，将本文提出的三种算法分别与与传统的直方图均衡算法、双向直方图均衡算法、平稳小波算法比较，给出了实验结果。实验得出，本文提出的算法能有效地增强图像的纹理对比度、清晰度，降低噪声、增强边缘轮廓，达到最佳视觉效果。6.2进一步研究工作由于课题研究时间有限和其他客观原因，本文在理论研究和实验中都存在一些不足之处，对更深层次和更先进的图像增强技术未能进行全面深入的研究。因此，针对这些不足之处，结合图像增强技术的最新发展，本文提出以下建议：(1)图像增强技术还没有建立一个统一的方法模型，事实上目前使用的各种方法包括经典的增强方法都存在缺点和不足，由此他们的使用范围一般都有一定的限制。如果能建立起一种统一的图像增强算法模型，这将对图像增强技术的发展起着重大的推动作用；(2)小波变换与Contourlet变换都缺乏平移不变性,图像增强结果会产生伪Gibbs失真表现为在邻域中不连续位置产生振铃效应。因此可以进一步研究非下采样Contourlet变换和复Contourlet变换，非下采样Contourlet变换具有平移不变性，可以从一定程度上抑制这种失真。复Contourlet变换具有平移不变性、好的方向选择性和高效的计算效率。因此，基于非下采样Contourlet变换和复Contourlet变换的增强算法是未来的研究方向。(3)图像增强技术还未有统一的质量评价方法，主观评价较为真实全面，会受人的各种视觉心理因素、图像类型、观察环境等因素影响；客观评价虽然操作简单、结果明确，但所得的定量结果比较粗糙和肤浅，不能直接反映图像表达信息和内容质量的好坏。本文选取的质量评价函数较为简单，需要更系统、科学的质量评价函数。并且，本文中的一些参数与评价指标相关，评价指标的差异会导致参数差别大、增强后视觉效果不尽人意，必须进行大量的实验选取适当地评价指标。(4)目前的增强算法只能适用于某一类型的图像，本文算法也只能对同一类图像进行自适应增强。因此，自适应于现有的各种类型和不同特点图像的增强方法还有待深入研究。参考文献杨帆等.数字图像处理与分析[M].第2版，北京：北京航空航天大学出版社，2010.杨帆.图像增强算法研究[D].武汉：武汉科技大学，2011.张德丰等.MATLAB数字图像处理[M].北京：机械工业出版社，2009.吴一全，王厚枢.图像对比度增强处理方法(一)[J].数据采集与处理，1989，4(4)：39-49.吴一全，王厚枢.图像对比度增强处理方法(二)[J].数据采集与处理，1990，5(1)：37-50.AgaianSS,SilverB,PanettaKA.Transformcoefficienthistogram-basedimageenhancementalgorithmsusingcontrastentropy[J].IEEETransactionsonImageProcessing,2007,16(3):741-758.PanettaKA,WhartonEJ,AgaianSS.Humanvisualsystem-basedimageenhancementandlogarithmiccontrastmeasure[J].IEEETransactionsonSystems,Man,andCybernetics,PartB:Cybernetics,2008,38(1):174-188.JinsungOh,HeesooHwang.Featureenhancementofmedicalimagesusingmorphology-basedhomomorphicfilteranddifferentialevolutionalgorithm[J].InternationalJournalofControl,Automation,andSystems,2010,8(4):857-861.HanmandluM,JhaD.Anoptimalfuzzysystemforcolorimageenhancement[J].IEEETransactionsonImageProcessing,2006,15(10):2956-2966.张素贞，叶建隆，邹采荣.织物图像增强技术的研究[J].电子器件，2011，34(4)：473-476.张长江，付梦印，金梅，张启鸿.基于离散平稳小波变换的红外图像对比度增强[J].激光与红外，2003，33(3)：221-224.秦翰林，周慧鑫，刘上乾，卢泉.基于二代小波变换的红外图像非线性增强算法[J].光学学报，2009，29(2)：353-356.占必超，吴一全，纪守新.基于平稳小波变换和Retinex的红外图像增强方法[J].光学学报，2010，30(10)：2788-2794.王刚，肖亮，贺安之.脊小波变换域模糊自适应图像增强算法[J].光学学报，2007，27(7)：1183-1190.彭胜龙，吴芳平.基于Curvelet变换的图像自适应增强[J].光学仪器，2007，29(5)：40-44.向静波，苏秀琴，陆掏.基于Contourlet变换和形态学的图像增强方法[J].光子学报，2009，38(1)：224-227.彭洲，赵保军.基于Contourlet变换和模糊理论的红外图像增强算法[J].激光与红外，2011，41(6)：635-640.林立宇，张友焱，孙涛等.Contourlet变换-影像处理应用[M].北京：科学出版社，2008.沙宇恒，刘芳，焦李成.基于非下采样Contourlet变换的SAR图像增强[J].电子与信息学报，2009，31(7)：1716-1721.梁栋，殷兵，于梅,等.基于非抽样Contourlet变换的自适应阈值图像增强算法[J].电子学报，2008，36(3)：527-530.CelikT,TjahjadiT.Imageresolutionenhancementusingdual-treecomplexwavelettransform[J].IEEEGeoscienceandRemoteSensingLetters,2010,7(3):554-557.张长江，付梦印，金梅.基于模拟退火算法的红外图像自适应对比度增强[J].中国图象图形学报，2004，9(4)：291-295.熊兴华，钱曾波，陈鹰等.基于遗传优化的分段线性影响增强[J].测绘学报，2004，33(4)：341-346.ClercM,KennedyJ.Theparticleswarm:explosion,stability,andconvergenceinamultidimensionalcomplexspace[J].IEEETransonEvolutionaryComputation,2002,6(1):58-73.KennedyJ.Insearchoftheessentialparticleswarm[C].IEEECongressonEvolutionaryComputations.Vancouver,2006:1694-1701.贾东立，张家树.基于混沌变异的小生境粒子群算法[J].控制与决策，2007，22(1)：117-120.吴定海，张培林，李胜，等.基于混沌变异的自适应双粒子群优化[J].控制与决策，2011，26(7)：1083-1086.TavazoeiMS,HaeriM.Anoptimizationalgorithmbasedonchaoticbehaviorandfractalnature[J].JournalofComputationalandAppliedMathematics,2007,206(2):