[发明专利]一种基于粒子群优化的红外图像增强方法

摘要

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。

主权项

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。