[发明专利]一种基于双伽马校正的全局自适应灰度图像增强方法

摘要

本发明公开了一种基于双伽马校正的全局自适应灰度图像增强方法，采用粒子群优化算法结合图像双伽马函数进行全局双伽马校正，主要步骤为：输入灰度图像并对粒子群优化算法参数初始化；采用每个粒子位置对输入图像执行双伽马校正获得初步增强图像，并计算对应适应度值，更新粒子个体和群体历史最优适应度值和最优位置；判断是否满足迭代寻优终止条件，不满足则更新各粒子惯性权重、学习因子、速度和位置并继续迭代；否则使用最终群体最优位置对输入图像进行双伽马校正、获得最终增强图像。本发明对低照度灰度图像增强时，能有效提升图像的对比度，同时避免局部亮区域的过度增强，增强后的灰度图像的纹理和细节信息清晰完整，提高了整体视觉效果。

主权项

1.一种基于双伽马校正的全局自适应灰度图像增强方法，其特征在于，采用粒子群优化算法结合图像双伽马校正方法进行全局双伽马校正，通过对灰度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参数值(α)来增强图像，其步骤如下：S1、输入一张灰度图像；S2、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；S3、利用每个粒子的位置作为校正参数对灰度图像进行双伽马校正，得到各个粒子的初步增强图像；S4、根据初步增强图像信息，计算每个粒子的适应度值fitness；S5、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；S6、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；S7、判断是否满足迭代寻优终止条件，若达到终止条件，则停止计算执行步骤S9，否则，继续执行步骤S8；S8、更新每个粒子的惯性权重和学习因子，将粒子朝着惯性方向、个体最优及群体最优的方向演化，更新粒子的位置和速度，跳转至步骤S3；S9、输出粒子群的群体最优位置，结束迭代过程；S10、使用S9得出的群体最优位置作为最优校正参数对输入灰度图像进行双伽马校正，得到并输出最终增强后的图像。