基于遗传算法的图像增强技术研究-改1.docVIP

基于遗传算法的图像增强技术研究 摘要：遗传算法作为一种智能优化算法，已广泛应用许多学科及工程领域。针对图像增强的空域操作，构造了一种简单且规一化亮度变换函数，并设计遗传算法实现影像的自适应增强。处理后质量比传统算法要好，但另一方面这种图像增强处理方法在局域亮度严重失衡下处理能力弱。 关键词：遗传算法；遥感影像；图像增强； 1图像增强及方法 图像增强是一大类基础的图像处理技术的总称，它所包含的内容很广，如图像降噪、目标轮廓抽取、图像特征提取、黑白图像假彩色生成技术等。图像增强的目的：(1)是由于图像在获取过程中由于光照、设备精度以及随机噪声等因素，存在图像质量缺陷。表现为难于看清图像细节或模糊不清(这里所说的看不清也只是相对于人眼来说的)。(2)是由于特定目的，如我们只对图像的某一部分感兴趣，需要突出其特征，而衰减其他不相关特征。(3)是由于对于机器视觉系统，需要改变图像的表现形式，以使其更符合机器的识别系统。 图像增强处理从数学模型上分主要有：基于统计的模型、基于随机场的模型、基于小波变换的模型、基于模糊理论模型和遗传算法等。本文介绍基于遗传算法的图像增强技术[4-6]。 2非线性变换函数构造 输入的图像从视觉效果来看，一般的图像有偏暗、偏亮、或灰度集中在某一区域三类情况。针对这几类不同类型的退化图像，我们需要不同的非线性变换[1-3]。图1是几种典型的灰度变换图，横坐标为原图像的灰度，纵坐标为处理后的灰度 (a)类变换适合对较暗区域进行拉伸；(b)类变换适合对较亮区域进行拉伸；(c)类变换适 图1几种典型的灰度变换图 合对中间区域进行拉伸而对两端压缩；(d)类变换则比较适应对两端进行拉伸而对中间区域压缩。 设这种非线性变换函数为T(u)，原图像象素灰度为f(x,y)，变换后的象素灰度为g(x,y)。在具体操作前，先对f(x,y)作归一化处理，得到n(x,y)， (1) L min、Lmax分别为原图像灰度的最小值和最大值，显然n(x,y)∈[0,1],对于非线性变换函数T(u)作规定，T(u)∈[0,1]，u∈[0,1]。在考虑对原图像做不超出[Lmin,Lmax]范围的拉伸对比度，有式(2) (2) 非线性变换函数改进方法基本上是分别构造4种函数，取其加权和形式，如下： （3） 这至少需要8个参数。 重新构造新的变换函数，观察图1中a-d类图像大致体现了曲线的上凸、下凹、折捌。在初等函数中具有这样图像的函数有：幂函数、指数函数、对数函数、正弦(余弦)函数及其反函数、双曲函数及其反函数等。考虑构建曲线所要求的函数参数要尽量少，函数运算量相对小，且曲线能保持一定自由性(尽可能形成各种延展曲线)的因素，选取双曲正弦sinh(x)、双曲正切tanh(x)两个函数。它们分别被归一成T(u)∈[0,1],u∈[0,1]形式，具体如下： 对于T(u) 这里p1→p5总共5个参数。 3编码 现在求解从输入图像至输出图像的灰度对应关系，也就转化成求解T(u)的5个参数问题，这可视为遗传算法的表现型。从表现型到基因型的转换，我们采用实数编码，以一个一维五元数组表示一条染色体，即{p1, p2, p3, p4, p 5}，每个参数对应一个基因位。问题就转化为求目标规划下的这五元素的组合。通过对T1(u)、T2 (u)的数学模型，为使曲线自由延展且满足一定精度，函数的参数范围设定如表1： 表1参数范围及采样最大间隔 p1 p2 p3 p4 p5 最小值 1 0 1 0 0 最大值 15 1 25 1 1 采样间隔 0.1 0.01 0.1 0.01 0.01 从表1可以看出五个元素的组合有140×100×240×100×100=3.36×1010这样大。在这样大空间进行搜索，遗传算法将发挥其优势。由于T(u)是由T1(u)、T2 (u) 的组合构成，这就极可能使使表现型空间的某一变换曲线对应基因型空间的多条基因，即某一曲线对应p1→p5的不同组合。 4适应度函数 遗传算法中个体进化的动力就是所要构建的适应度函数。在对一幅影像增强过程中，适应度函数设计就是要兼顾图像的整体与局部，大的结构和小的细节平衡体现。因此，考虑的因素有：图像的信息熵E、能量Fac、紧致度C、信噪改变量INc。适应度函数如下： 其中 pi为第i级灰度出现的概率，当pi=0时，定义pilog2pi =0 ，它表示影像增强后，灰度级为h的像素个数大于给定阀值Th的数量。INc越大，表明增强影像的灰度层次损失越少，保留的灰度层次越多，且阀值Th的设定还可以防止影像过度增强。 M、N为影像的最大行列值，n=M×N