[发明专利]一种基于粒子群优化的红外图像增强方法

权利要求书

1.一种基于粒子群优化的红外图像增强方法，其特征在于，采用粒子群优化算法结合图像伽马校正方法进行全局伽马校正，通过对灰度化后的图像的灰度标准方差、熵值和边缘内容的加权融合计算粒子的适应度值，并采用适时调整学习因子的方法迭代更新粒子速度和位置，通过不断迭代寻优找到最终的群体最优位置作为全局最优伽马值来增强图像，其步骤如下：

步骤一、输入并读取原始红外图像，将原始红外图像灰度化得到灰度图像；

步骤二、设置粒子群优化算法参数并初始化每个粒子的位置和速度，利用评价函数的初始值初始化个体历史最优适应度值和群体历史最优适应度值，利用粒子初始位置初始化粒子个体最优位置和群体最优位置；

步骤三、利用每个粒子的位置作为校正参数带入伽马校正对灰度图像进行处理，得到各个粒子的中间增强图像；

步骤四、将中间增强图像的信息作为评价函数的输入信息，得到每个粒子的适应度值fitness；

步骤五、利用每个粒子的适应度值fitness更新个体历史最优适应度值，并将个体历史最优适应度值对应的粒子位置存储在个体最优位置中；

步骤六、利用所有粒子的适应度值的最大值更新群体历史最优适应度值，并将群体历史最优适应度值对应的粒子位置存储在群体最优位置中；

步骤七、判断是否满足迭代寻优终止条件，若满足，执行步骤九，否则，执行步骤八；

步骤八、更新每个粒子的惯性权重和学习因子，从而更新每个粒子的速度和位置，跳转至步骤三；

步骤九、输出粒子群的群体最优位置，结束迭代过程；

步骤十、使用步骤九得到的群体最优位置作为校正参数带入伽马校正对灰度图像进行校正，得到并输出增强后的图像。

2.根据权利要求1所述的基于粒子群优化的红外图像增强方法，其特征在于，所述步骤二的评价函数为每个粒子的适应度值，即：fitness＝α₁×H+α₂×S+α₃×Std，其中，H为图像熵值，S为图像边缘内容，Std为图像灰度标准方差，α₁、α₂和α₃为常数。

3.根据权利要求1所述的基于粒子群优化的红外图像增强方法，其特征在于，所述伽马校正的实现方法为：其中，l_max为灰度图像中最大的像素值，l∈[0,l_max]为灰度图像的实际像素值，校正参数γ的取值为迭代过程中所得的粒子位置，T(l)为灰度图像中像素值为l的灰度值经过伽马校正后得到的增强图像的灰度值。

4.根据权利要求1所述的基于粒子群优化的红外图像增强方法，其特征在于，所述步骤二的初始化方法为：

S21：初始化参数：初始化粒子群粒子个数为N，最大迭代次数为t_max；

S22：初始化每个粒子的位置和速度：随机产生一个种群，初始化各粒子的位置和速度，将粒子的位置和速度限制在一定区间内，在一定区间内随机产生图像熵值H₀、图像边缘内容S₀和图像灰度标准方差Std₀，计算各个粒子的适应度值的初始值fitness₀；

S23：初始化个体最优值和群体最优值：引用步骤S22中每个粒子的适应度值fitness₀初始化该粒子个体历史最优适应度值fitnesspbest，并将该粒子的初始随机位置存储为个体最优位置pbest；用各粒子适应度值fitness₀中的最大值初始化群体历史最优适应度值fitnessgbest，并将第一个粒子的位置初始化存储为群体最优位置gbest。