[发明专利]一种基于粒子群优化的红外图像增强方法

说明书

本发明提出一种基于粒子群优化的红外图像增强方法，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，其步骤为：首先对红外图像进行灰度化并初始化种群；接着针对每个粒子，对灰度化图像进行伽马校正得到中间增强图像，通过对该中间图像的熵值、边缘内容和灰度标准方差的加权融合计算该粒子的适应度值，并迭代更新个体和群体最优适应度值，采用适时调整学习因子迭代更新粒子速度和位置，通过不断迭代寻优找到最终群体最优位置作为最优伽马值来增强图像。本发明对低对比度红外图像增强时，使图像熵值最大化、边缘清晰化、并保留原图结构信息，增强结果更自然；本发明对高亮区域进行增强时，不易产生噪声及伪影，能够明显改善红外图像。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于粒子群优化的红外图像增强方法。

背景技术

随着科技的不断发展，红外成像作为红外技术与成像技术相结合的产物，应用越来越广泛，它已经应用到安防监控、军事目标检测和跟踪以及医疗等很多领域，红外探测器接收物体的红外辐射，将温度信息转换为灰度信息。在实际检测物体温度时，很容易受到传热，热辐射和大气衰减的影响，造成图像低对比度和纹理细节不清晰等，其中目标与背景对比度低，这使得它很难辨认原始红外图像中的背景与目标物体，给目标识别和跟踪带来诸多不便。因此，研究红外图像增强算法非常重要。

红外图像增强方法中直方图均衡(HE)由于其简单直接的实现而受到了相当多的关注，它主要是重新映射灰度，从而使直方图服从均匀分布。增强过程中会使用从输入的累积分布函数(CDF)到均匀分布的CDF的映射计算的传递函数，如果直方图中存在大的峰值，则会使图像过度增强，很有可能达不到想要的效果。也有研究人员提出了自适应直方图均衡(AHE)，在增强图像时考虑了局部信息，能够突出细节和纹理，使图像能够包含更尖锐的边缘，但缺点是产生了很大的噪声而且运算时间长。后来的研究者们发明了限制对比度的自适应直方图均衡算法(CLAHE)，CLAHE在AHE的基础上，对每个子块直方图做了限制，很好的控制了AHE带来的噪声，图像对比度会更自然，但是其放大了平坦区域的噪声，并在强边缘产生环形伪影，且耗时过长不适用于实时处理。红外图像本身具有低对比度和纹理细节不清晰等特点，以上的基于直方图均衡的方法由于未考虑图像低对比度问题、均存在一些不足之处，导致红外图像增强效果不佳。

发明内容

针对现有方法未考虑红外图像本身的低对比度和纹理细节不清晰的特点，导致红外图像增强效果不佳的技术问题，本发明提出了一种基于粒子群优化的红外图像增强方法，将群体智能技术与经典对比度增强技术相结合，采用粒子群优化算法与图像伽马校正方法相结合进行全局伽马校正，并将灰度标准方差、熵值和边缘内容相融合构建评价函数，采用适时调整学习因子的方法更新粒子速度和位置、避免算法出现早熟收敛现象、防止粒子陷入局部最优，寻找最优伽马值，来增强红外图像，能够对低对比度的红外图像达到更自然的增强效果和明显改善具有高亮区域的红外图像。

本发明的技术方案是这样实现的：

一种基于粒子群优化的红外图像增强方法，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；