基于SCBSO算法的低照度纹理图像增强方法 下载: 979次
1 引言
随着机器视觉的发展,纹理图像因包含丰富的纹理信息,被广泛应用于图像研究领域[1],但是其易受噪声、环境光照、采集角度等因素的干扰,采集的图像常存在不清晰、光照不均匀、对比度不强、细节边缘不够明显等问题[2]。对纹理图像增强,不仅可以降低采集设备的成本,也有助于对图像边缘检测[3]、图像重建[4]、分类[5]及特征提取[6]等问题的研究。
现阶段低照度纹理图像增强方法可分为对图像像素直接操作的空间域算法和以修改傅里叶变换为基础的频域算法[7]。空间域算法的操作更直接,因而应用更加广泛。直方图均衡化从空间域入手,利用输入图像的累计密度函数来获得均匀分布的直方图,具有简单、能进行全局调整的特点,但是局部对比度较差,对于灰度级种类少的灰度级容易被压缩[7]。为有效解决不均衡问题,文献[ 8]提出一种基于亮度保持双直方图均衡的对比度增强方法。文献[ 9]提出一种非完全的beta函数增强算法。文献[ 10]利用粒子群(PSO)算法求解速度快、运算简单的特点,将群智能算法用于自适应寻找灰度值转换函数中参数的优解,从全局范围内提高对比度。Munteanu等[11]提出一种用染色体结构映射的方法来表示图像灰度,通过遗传算法(GA)优化目标函数来确定新的染色体映射关系,以达到图像增强的效果。上述方法虽然能达到图像增强的目的,但这些方法普遍均存在自适应性较差、运行速度不高的问题。随着群智能优化算法研究的深入[12-16],天牛须群优化(BSO)算法作为一种新的优化算法[17],相对于其他的智能算法,收敛速度更快,利用该算法提高图像增强中参数自适应寻优的精度和速度问题是亟待解决的问题。
本文提出一种基于正余弦策略改进的天牛须群优化(SCBSO)算法,用于搜索染色体结构的映射函数的最优解,实现对低照度纹理图像的增强。通过仿真验证了本文算法在搜索速度和精度上的提升,并从主观和客观上验证本文算法在低照度纹理图像增强中使图像具有更强的对比度和可见细节度。
2 染色体结构的图像映射
2.1 染色体结构
用一种清晰、简单的染色体结构表示图像像素点的灰度级,完成图像的映射,这种结构有助于重新映射和表示图像。染色体结构由索引位置及对应灰度值构成,需统计图像的原始灰度值,并根据级别数定义染色体结构大小,构造一个随机排序的整数数组,染色体的大小等于
用新的灰度值替换原始图像中的灰度值来实现重新映射,映射关系为
式中:
2.2 适应度函数
纹理图像的灰度值和细节边缘数都具有可区分性。其中具有良好视觉对比度的灰度图像包含了许多边缘数,因此将边缘的数量及其总体强度作为每个染色体的评价适应度函数的变量因子,意在增强图像的强度和细节度。适应度函数[13]为
式中:
式中:
图 2. 染色体结构映射前后图。(a)原图像灰度值分布;(b)重新映射后的灰度值分布;(c)原始图染色体结构;(d)重新映射后染色体结构
Fig. 2. Schematics of chromosome structure before and after mapping. (a) Distribution of gray value of original image; (b) gray value distribution of remapped image; (c) original chromosome structure; (d) remapped chromosome structure
3 基于SCBSO算法的图像增强
3.1 BSO算法的简介
BSO算法是在天牛须搜索(BAS)算法的基础上,将BAS个体搜索策略与PSO算法的群体策略相结合而提出的一种群体优化算法,该方法结合BAS算法个体局部搜索与PSO算法全局搜索的优势[17],在不提高PSO算法复杂度的前提下,有效提高算法对全局最优解的搜索速度与精度。
对于BSO算法,每个天牛个体均如粒子一样被赋予位置与速度两个属性[16],对于
移动增量大小更新公式为
个体天牛位置更新公式为
式中:
另外,为加快算法收敛速度,文献[ 17]给出了惯性权重因子的计算公式,为
式中:
3.2 SCBSO算法的提出
正余弦算法(SCA)是2015年由澳洲学者所提出的一种总体优化算法[18]。该算法凭一组随机初始解,通过不断搜索与开发来搜寻最优解,具体计算过程为
式中:
改进的SCBSO结合SCA的探索与搜索策略[19],来增加BSO算法的搜索多样性,提高全局搜索能力,进而有效避免BSO算法陷入局部最优。前文已经提过原始BSO算法在对速度参数进行更新的过程中会涉及两个常数参数
为使算法在运算前期有较大的探索能力,在后期有较强的搜索能力,对
式中:
由(8)式可以看出前一位置
为进一步避免算法陷入局部最优解,文中引入logistic模型,在算法开始运行时对各个粒子进行初始化并在每一次迭代的过程中生成一个扰动粒子,即
式中:
通过上述改进,可得出所提出的SCBSO算法的运算流程,如
3.3 改进SCBSO算法的简单染色体结构图像增强方法
为增强灰度图像的对比度,通常将灰度在图像中的分布转换为每个像素的灰度。然而,传统方法的对比图像往往得不到有效的增强或在视觉上变得不自然。基于此,本文提出一种利用SCBSO增强图像对比度的方法。该算法通过评估图像中包含的空间边缘强度来衡量个体的适应度。利用SCBSO算法在全局空间中搜索解的能力,确定输入灰度与输出灰度之间的关系,将原始灰度图像转换为对比度较好的增强图像。
图 4. SCBSO的简单染色体结构图像增强方法
Fig. 4. Image enhancement method for simple chromosome structure of SCBSO
4 算法仿真分析
4.1 实验环境介绍
实验平台在MATLAB R2016a,4 GB,主频为3.4 GHz,Windows 10操作系统下运行。
4.2 SCBSO方法性能测试
为验证算法的有效性,实验利用多维单峰与多维多峰两种典型函数对SCBSO算法进行测试[19],具体测试函数形式如
由
表 1. 基准函数测试结果
Table 1. Results of benchmark function test
|
表 2. 不同算法的函数性能比较
Table 2. Comparison of function performances of different algorithms
|
4.3 基于SCBSO算法的图像增强效果
结合染色体结构的图像增强问题,将SCBSO算法应用于低照度纹理图像的增强,通过选取包含图像对比度和细节度因子的适应度函数,求得适应度函数的最优解,使图像在对比度和细节度达到平衡。由于图像的特性,应先统计图像的灰度值和索引位置,初始化一个以灰度值种类值为维度数的染色体,通过SCBSO的搜索策略不断更新染色体结构的数值,直至满足迭代次数使结果收敛,并对最终生成的新的染色体进行重新映射,通过索引位置和灰度值重构与初始图像大小尺寸相同的图像,从而达到图像均衡和细节增强的目的。实验图像1来源于手指静脉公开数据集SDUMLA-HMT Database,该数据集采集106个人的左手、右手的食指、中指、拇指三个手指,每个手指6张图像,图像尺寸为320×240。选取一张指静脉图像,如
对ROI的特征区域用本文SCBSO、BSO、GA进行增强,
图 9. 不同算法增强的实验图像1。(a)原图增强图;(b)经BSO增强后的图像;(c)经GA增强后的图像;(d)经SCBSO增强后的图像
Fig. 9. Experimental image 1 enhanced by different algorithms. (a) Enhanced image of original image; (b) image enhanced by BSO; (c) image enhanced by GA; (d) image enhanced by SCBSO
接下来对不同算法增强后的图像进行灰度直方图处理,如
图 10. 不同算法增强实验图像后的灰度直方图。(a)原图的灰度直方图;(b)经BSO增强的灰度直方图;(c)经GA增强的灰度直方图;(d)经SCBSO增强的灰度直方图
Fig. 10. Gray histograms of images enhanced by different algorithms. (a) Gray histogram of original image; (b) gray histogram enhanced by BSO; (c) gray histogram enhanced by GA; (d) gray histogram enhanced by SCBSO
图 11. 不同算法增强的实验图像2。(a)原图;(b)经BSO增强后的图像;(c)经GA增强后的图像; (d)经SCBSO增强后的图像
Fig. 11. Experimental image 2 enhanced by different algorithms. (a) Original image; (b) image enhanced by BSO; (c) image enhanced by GA; (d) image enhanced by SCBSO
实验图像2来源于香港理工大学PolyU掌纹公开数据集。对
图 12. 不同算法增强图像2后的灰度直方图。(a)原图的灰度直方图;(b)经BSO增强的灰度直方图;(c)经GA增强的灰度直方图;(d)经SCBSO增强的灰度直方图
Fig. 12. Gray histograms of image 2 enhanced by different algorithms. (a) Gray histogram of original image; (b) gray histogram enhanced by BSO; (c) gray histogram enhanced by GA; (d) gray histogram enhanced by SCBSO
为更好地体现文中所述算法对于图像增强的效果,文中给出近年来图像增强的客观评价指标,包括体现图像亮度还原程度的LOE评价指标、反映图像视觉保真程度的VIF评价指标、以及图像峰值信噪比PSNR评价指标,如
表 3. 不同算法增强后图像的客观评价指标
Table 3. Objective evaluation index of images enhanced by different algorithms
|
LOE值越小说明图像的亮度顺序保留得越好,VIF值越大图像的视觉效果越好,PSNR越大表示图像的噪声干扰越少。从
表 4. 不同算法在40张图片的平均指标
Table 4. Average indexes of different methods on 40 images
|
5 结论
针对天牛须群算法易陷入局部优解的不足,提出一种基于经正余弦算法改进的天牛须群算法。首先加入扰动因子增加初始种群遍历性、随机性;其次引入正余弦策略增加BSO搜索解的多样性,同时引入时变加速系数对粒子的移动速率公式进行改进,从而达到自动调整的目的。这一策略能有效防止陷入局部优解,改进后的天牛须群算法在两种类别函数下的运行时间较原算法降低了16.56%和14.78%,较经典算法PSO算法最优可减少0.75%,较GA减少了74.1%,算法收敛更快,性能更稳定。将其应用在低照度纹理图像的增强问题中,视觉感受更好,直方图更均衡。客观指标LOE、VIF、PSNR 数值较对比算法可改进37.8%、15.3%、12.9%,去除噪声的同时图像得到均衡,纹理细节得到增强。下一步将对SCBSO的搜索精度进一步改进,使其自适应性更强,适用图像类型更广泛。
[1] Tao Z Y, Wang H T, Wang L Y. An identification system for actively identifying unknown finger veins[J]. Laser & Optoelectronics Progress, 2018, 55(12): 121002. 陶志勇, 王浩童, 王藜谚. 一种主动鉴别未知类别指静脉的识别系统[J]. 激光与光电子学进展, 2018, 55(12): 121002.
[2] 王建, 吴锡生. 基于改进的引导滤波和双通道脉冲耦合神经网络的医学图像融合[J]. 激光与光电子学进展, 2019, 56(15): 151004.
[3] Bora DJ. An optimal color image edge detection approach[C]∥2017 International Conference on Trends in Electronics and Informatics (ICEI), May 11-12, 2017, Tirunelveli, India. New York: IEEE, 2017: 342- 347.
[4] 杜闪闪, 韩超. 基于总变分模型的改进图像修复算法[J]. 激光与光电子学进展, 2018, 55(7): 071005.
[5] Das R, Piciucco E, Maiorana E, et al. Convolutional neural network for finger-vein-based biometric identification[J]. IEEE Transactions on Information Forensics and Security, 2019, 14(2): 360-373.
[6] 刘洪普, 郑梦敬, 侯向丹, 等. 基于局部二进制模式方差的分数阶微分医学图像增强算法[J]. 激光与光电子学进展, 2019, 56(9): 091006.
[7] 姜建国, 周佳薇, 周润生, 等. 一种采用改进细菌觅食优化算法的图像增强方法[J]. 控制与决策, 2015, 30(3): 461-466.
[8] Kim Y T. Contrast enhancement using brightness preserving bi-histogram equalization[J]. IEEE Transactions on Consumer Electronics, 1997, 43(1): 1-8.
[9] 孙棣华, 张路, 赵敏, 等. 基于广义Beta函数的图像自适应增强方法[J]. 计算机应用研究, 2011, 28(12): 4742-4745.
[10] 陈皓月, 钱钧, 姜文涛, 等. 一种基于粒子群优化的高斯混合灰度图像增强算法[J]. 应用光学, 2017, 38(4): 592-598.
[11] MunteanuC, RosaA. Towards automatic image enhancement using genetic algorithms[C]∥Proceedings of the 2000 Congress on Evolutionary Computation. CEC00 (Cat. No. 00TH8512), July 16-19, 2000, La Jolla, CA, USA. New York: IEEE, 2000: 1535- 1542.
[12] 李宗妮, 吴伟民, 林志毅. 一种采用改进蚁狮优化算法的图像增强方法[J]. 计算机应用研究, 2018, 35(4): 1258-1260, 1265.
[13] Saitoh F. Image contrast enhancement using genetic algorithm[C]∥IEEE SMC'99 Conference Proceedings.1999IEEE International Conference on Systems, Man, and Cybernetics (Cat. No. 99CH37028), October 12-15, 1999, Tokyo, Japan. New York: IEEE, 1999: IV-899-IV-904.
[14] 张梅, 张伟, 章鹏, 等. 光纤光栅谱形复用解调中粒子群算法的参数优化[J]. 中国激光, 2019, 46(7): 0706001.
[16] Wang TT, YangL, Liu Q. Beetle swarm optimization algorithm: theory and application[J/OL]. ( 2018-08-01)[2019-04-17]. http:∥arxiv.org/abs/1808. 00260.
[17] CarbonaroA, ZingarettiP. A comprehensive approach to image-contrast enhancement[C]∥Proceedings 10th International Conference on Image Analysis and Processing, September 27-29, 1999, Venice, Italy. New York: IEEE, 1999: 6482375.
[18] 高松岩. 基于混合粒子群优化算法的波阻抗反演研究[D]. 大庆: 东北石油大学, 2018.
Gao SY. Research of wave impedance inversion based on hybrid particle swarm optimization[D]. Daqing: Northeast Petroleum University, 2018.
[19] 宁维迪. 基于正余弦策略的粒子群算法的研究及应用[D]. 长沙: 湖南大学, 2018.
Ning WD. Research and application of particle swarm optimization based on sine and cosine strategy[D]. Changsha: Hunan University, 2018.
Article Outline
陶志勇, 张蕾, 林森. 基于SCBSO算法的低照度纹理图像增强方法[J]. 激光与光电子学进展, 2019, 56(24): 241002. Zhiyong Tao, Lei Zhang, Sen Lin. Low-Illuminance Texture Image Enhancement Method Based on SCBSO Algorithm[J]. Laser & Optoelectronics Progress, 2019, 56(24): 241002.