[发明专利]一种基于天牛须优化算法的NSST域红外图像增强方法

权利要求书

1.一种基于天牛须优化算法的NSST域红外图像增强方法，其特征在于，包括以下步骤：

S1，采用NSST变换对原始电力设备红外图像进行多尺度多方向的变换，将原始电力设备红外图像分解为高频分量和低频分量；

S2，对经过步骤S1得到的低频分量，采用天牛须优化算法进行阈值分割，将低频分量分割为电力设备主体的后景区域和前景区域两个部分；

S3，对步骤S2中分割得到的前景区域采用线性增强，后景区域采用直方图均衡处理，再将两者进行合成处理，得到增强后的低频分量图像；

S4，对经过步骤S1得到的高频分量，先采用SANS算法进行处理，将高频分量的振动和噪音进行消除，再使用Pal-King算法对高频分量的图像的对比度、清晰度进行增强，得到增强后的高频分量图像；

S5，将增强后的高频分量图像和增强后的低频分量图像进行NSST逆变换，得到增强后的电力设备红外图像。

2.根据权利要求1所述的一种基于天牛须优化算法的NSST域红外图像增强方法，其特征在于，步骤S1中，所述多尺度多方向的变换包括多尺度分解和方向局部化两个过程，其中：

多尺度分解过程，通过非下采样金字塔滤波器组将原始电力设备红外图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解，经过k次NSP分解后得到k个高频子带和1个低频子带图像；

方向局部化过程，NSST利用改进剪切波变换对多尺度分解得到的高频子带和低频子带图像进行局部化处理，首先将标准剪切波滤波器从伪极坐标系映射到笛卡尔坐标，进行傅里叶逆变换；最后利用二维卷积完成最终处理，将原始电力设备红外图像分解为高频分量和低频分量。

3.根据权利要求1所述的一种基于天牛须优化算法的NSST域红外图像增强方法，其特征在于，步骤S2中，所述天牛须优化算法是采用自适应天牛须搜索算法与K均值聚类算法结合形成的图像分割处理方法，包括以下工序：

S21，采用自适应天牛须搜索算法求解低频分量的图像数据点集的全局最优解；

S22，将步骤S21中得到的全局最优解作为K均值聚类算法的初始聚类中心；

S23，随机生成K个聚类中心，并将图像数据点集中的元素分配给这K个类，计算图像数据点集中各图像数据点到聚类中心的距离f，计算公式为：

X_i为图像数据点集X中的第i个点，而Y_j为第j个聚类中心，通过均值更新聚类中心，进行算法收敛，求得最小适应度值，得到K均值聚类算法的最优初始聚类中心。

4.根据权利要求1所述的一种基于天牛须优化算法的NSST域红外图像增强方法，其特征在于，步骤S3中，对低频分量的前景区域进行线性增强的过程如下：

根据灰度直方图确定线性增强的边界，通过寻找灰度直方图的最大灰度级，来确定灰度集中区域的范围；通过最大灰度值来确定线性增强的左、右边界，设左边界为a_L，右边界为a_R；

在左、右边界确定之后，对低频分量的前景区域进行线性增强，用z(x,y)表示增强后的图像，计算式为：

通过计算所得的灰度值边界范围[a_L,a_R]，将其中所存在的像素点进行线性增强，提高电力设备红外图像的前景区域的视觉效果；

对低频分量的后景区域进行直方图均衡处理的过程如下：

灰度值为l出现的概率密度为：

N为像素总量；n_l为灰度值为l的像素数；

图像的灰度分布函数为：

直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为：

经过直方图均衡处理的低频分量降低背景亮度，并且突出非电力设备主体部分目标像素值，加大该部分与背景的灰度差，提高原图像的辨识度。

5.根据权利要求1所述的一种基于天牛须优化算法的NSST域红外图像增强方法，其特征在于，步骤S4中，SANS算法利用输入模糊图像的局部方差对输入模糊图像和复原图像进行融合，根据局部方差计算的融合方程和尺度参数如下：

其中，是最终复原图像；α(x,y)是融合的权重系数，β是保证α在0-1之间的均匀分布的一个系数，β值越小去振铃的效果越显著，v(x,y)是输入图像g(x,y)的局部方差；

高频分量经过SANS算法处理后，在去除振动和噪音的同时，保留高频分量的边缘细节；

Pal-King算法，首先是将经过SANS算法处理后的高频分量从原来的空间域映射到模糊域上，经典Pal-King算法模糊隶属度函数μ_ij为：

其中，t_ij指图像(i,j)的灰度值；L指灰度级；K_d为分母处模糊参数；K_e为指数模糊参数；K_e和K_d共同作用决定模糊隶属映射规律；

对经典Pal-King算法模糊隶属度函数进行修改：

其中，t_ij指图像(i,j)的灰度值，t_min指高频分量的图像中的最小灰度值；t_max指高频分量的图像中的最大灰度值；

映射后对模糊隶属度进一步增强，采用S型变换进行平坦S型处理，S型变换公式如下：

μ_ij'为经过S型变换后的模糊隶属度函数，经上述步骤增强后，按照模糊隶属度的反函数变换到[0,L-1]范围内，得到增强灰度值t'_ij，即：

改进后模糊隶属度值域从[μ_min 1]拓展到[0 1]。