基于粒子群優(yōu)化的激光光斑圖像增強(qiáng)改進(jìn)算法

李 莉，秦 勤，李 建

（河南工程學(xué)院 計(jì)算機(jī)科學(xué)與工程系，河南 鄭州450007）

0 引 言

為了能從紅外圖像中快速準(zhǔn)確地把目標(biāo)識別出來，需要對模糊的圖像進(jìn)行增強(qiáng)處理。對紅外圖像進(jìn)行增強(qiáng)處理前需要進(jìn)行圖像分割提出目標(biāo)。紅外圖像是一類特殊的圖像，具有強(qiáng)背景、低反差和高噪聲等特點(diǎn)，早期的圖像分割分為邊界和區(qū)域方法兩大類，基于彩色分量分割和紋理圖像分割也廣泛被應(yīng)用。采用 “三階矩不變”算法，對激光光斑進(jìn)行圖像分割，提取出目標(biāo)，能夠等到更好的效果［1］，但還不能滿足某些特定的場合。圖像的平均強(qiáng)度和信息熵是評價(jià)圖像質(zhì)量的兩個(gè)重要的參數(shù)。平均強(qiáng)度反映的是圖像的整體亮度，而信息熵反映的是圖像包含的信息量，這兩個(gè)參數(shù)在進(jìn)行圖像增強(qiáng)的過程中是一對相互矛盾的變量。為使得增強(qiáng)的圖像的平均強(qiáng)度和信息熵達(dá)到某種最優(yōu)狀態(tài)，文獻(xiàn) ［2］中提出了一種改進(jìn)的混合粒子群算法，也就是 “γ－修正”算法，具有靈活的結(jié)構(gòu)，能夠較好的解決上述存在的矛盾。為了在對圖像進(jìn)行對比度增強(qiáng)的同時(shí)，使背景光照環(huán)境更加好，信息量更多，在 “γ－修正”算法的基礎(chǔ)上，演化建立了4種數(shù)學(xué)模型，通過4種數(shù)學(xué)模型的求解，提出了一種更為嚴(yán)謹(jǐn)科學(xué)的 “（a、b、γ）－修正”算法，并應(yīng)用在激光光斑目標(biāo)的增強(qiáng)過程中。經(jīng)過實(shí)驗(yàn)表明，該算法能夠更加精確，更加合理的平衡上述矛盾。

1 三階矩不變圖像分割

將概率論中的 “矩法”概念引進(jìn)到圖象分割中，提出了 “矩不變閾值分割法”及其相關(guān)改進(jìn)。從統(tǒng)計(jì)學(xué)角度來講，可以把原始圖像當(dāng)作二維隨機(jī)過程中的一個(gè)樣本，并把樣本看作理想圖像的模糊視覺；圖象分割看作是由樣本估計(jì)總體的特征，用樣本分布來估計(jì)總體的分布，變成一個(gè)參數(shù)估計(jì)的問題來處理［3］。矩不變的基本思想是：使閾值分割前后，圖像的矩保持不變。假設(shè)一幅圖像共有n 個(gè)像素，f（x，y）是像素的灰度，則定義該圖像的p 階亮度矩如下

利用直方圖統(tǒng)計(jì)數(shù)據(jù)簡化計(jì)算，設(shè)nk為直方圖中灰度值為k 的像素個(gè)數(shù)，則上式可以修改成

若采用二值分割方法，那么分割后的圖像僅有z0和z1兩個(gè)灰度級，并且z0＜z1。低于和高于閾值的像素比例分別用p0和p1表示［4］，那么分割后圖像的p階亮度矩yp可以表示成如下的形式

按照矩不變的思想，可以得到mp＝y(tǒng)p。

由于分割前后的前三階矩相等，故得到方程組如下

從上述方程組中可以解得

其中

得到p0，再選擇合適的t滿足式 （5）

式（5）中的t就是要求的分割閾值。若找不到合適的t滿足式（5），就選擇最接近的灰度值當(dāng)作分割閾值［5］。最終利用得到的閾值對激光光斑圖像進(jìn)行分割，將圖像中灰度小于閾值的像素的灰度置0，灰度大于或等于閾值的像素的灰度保持不變［6］。

2 從“γ－修正”算法中提取數(shù)學(xué)模型

對一幅圖像而言，灰度分布沒有任何規(guī)律，不能用任何函數(shù)來表征灰度分布?！唉茫拚本褪峭ㄟ^有規(guī)律的修改圖像上每個(gè)像素點(diǎn)的灰度，從而調(diào)整圖像上每個(gè)灰度的像素的個(gè)數(shù)，最終使圖像的灰度分布呈現(xiàn)為一種近似冪函數(shù)的形式，其中γ是冪指數(shù)。當(dāng)冪指數(shù)γ在一定范圍內(nèi)變化的時(shí)候，圖像的灰度分布也隨著變化，圖像的增強(qiáng)效果也有所變化，且平均強(qiáng)度M 和信息熵E是一對變化相反的變量，所以在進(jìn)行圖像增強(qiáng)的時(shí)候，必須同時(shí)對這兩個(gè)變量進(jìn)行考慮，以達(dá)到某種均衡的狀態(tài)，使圖像的整體質(zhì)量達(dá)到最優(yōu)，這屬于多目標(biāo)優(yōu)化和決策的問題，故提出一種改進(jìn)的 “（a、b、γ）－修正”算法。

“γ－修正”算法使圖像的灰度分布在整個(gè)灰度段即［0，255］上呈現(xiàn)近似冪函數(shù)形式。而 “（a、b、γ）－修正”算法比 “γ－修正”算法多引進(jìn)了兩個(gè)參數(shù)a 和b，分別表示某一灰度段的下限和上限，最終使圖像的灰度分布在灰度段［a，b］呈現(xiàn)近似冪函數(shù)形式。因?yàn)閷τ谕瑯拥摩茫煌腶和b將會最終導(dǎo)致不同的灰度分布，進(jìn)而對圖像的平均強(qiáng)度和信息熵產(chǎn)生影響。也就是說，除了冪指數(shù)γ，a 和b 的大小，也只有將三者結(jié)合起來考慮，才能得到更精確，更嚴(yán)謹(jǐn)?shù)淖顑?yōu)解。采用一種改進(jìn)的粒子群優(yōu)化算法MPSO，在 “γ－修正”算法的基礎(chǔ)上提取4種數(shù)學(xué)模型：①（a、b、γ）已知模型。當(dāng)已尋得適合圖像最優(yōu)的a、b、γ的時(shí)候，通過此模型得到最終增強(qiáng)的圖像；②a、b已知，γ未知模型。給定灰度段［a，b］，求γ使圖像平均強(qiáng)度和信息熵達(dá)到某種最優(yōu)狀態(tài)；③a、b未知，γ已知模型。給定不同的γ，求解是否存在不同的［a，b］使圖像平均強(qiáng)度和信息熵達(dá)到某種最優(yōu)狀態(tài)。驗(yàn)證參數(shù)a、b存在的意義和價(jià)值；④（a、b、γ）未知模型：求解（a、b、γ），使圖像平均強(qiáng)度和信息熵達(dá)到某種最優(yōu)狀態(tài)［7－9］。

從上述模型中可以看出，“（a、b、γ）－修正”算法實(shí)際上是在 “γ－修正”算法的基礎(chǔ)上，充分證明參數(shù)a、b存在的意義和價(jià)值的前提下，通過求解（a、b、γ）未知模型得到最優(yōu)的（a、b、γ），最后將最優(yōu)的（a、b、γ）代入（a、b、γ）已知模型得到最終增強(qiáng)的圖像。

2.1 （a、b、γ）已知模型

已知：①圖像的原始灰度分布（直方圖分布），即圖像總像素個(gè)數(shù)N，灰度為i的像素個(gè)數(shù)為S（i），i＝0，1，2，3，…，255；②冪指數(shù)γ；③［a，b］問題：使圖像在［a，b］這個(gè)灰度段呈現(xiàn)冪函數(shù)形式，即

由

得到最終所需圖像的灰度分布T（i），并演變?yōu)橐阎獔D像的原始灰度分布S（i）和圖像的目標(biāo)灰度分布T（i）。通過①將圖像中每個(gè)像素按照位置保存在向量V 中；②將向量V 升序排列；③將前T（a）個(gè)灰度置為a，接下來的T（a＋1）個(gè)灰度置為a＋1，接下來的T（a＋2）個(gè)灰度置為a＋2…依次類推，直到分配完畢。就可將圖像的原始灰度分布S（i）按照轉(zhuǎn)化為指定的灰度分布T（i）。

2.2 其余3種模型

其余3種模型的最終優(yōu)化目標(biāo)相同，只是已知或未知的參數(shù)狀態(tài)不同。已知：

（1）圖像的原始灰度分布（直方圖分布），即。圖像總像素個(gè)數(shù)N，灰度為i 的像素個(gè)數(shù)為S（i），i＝0，1，2，

3，…，255；

（2）最終增強(qiáng)圖像的灰度分布T（i）如下（a，b已知）

（3）最終增強(qiáng)圖像的平均強(qiáng)度為M，熵為E，分別表示如下

在a、b已知，γ未知模型；a、b 未知，γ已知模型；（a、b、γ）未知模型3種情況下，求解參數(shù)使得M 和E 達(dá)到某種最優(yōu)狀態(tài)。

3 數(shù)學(xué)模型求解

對于多目標(biāo)的決策和優(yōu)化問題，采用多目標(biāo)規(guī)劃中的理想點(diǎn)法，先將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題，再對單目標(biāo)利用粒子群算法求解最優(yōu)值［10－14］。

3.1 理想點(diǎn)法

假若目的是為了讓如下N 個(gè)指標(biāo)S1，S2，…，Sn達(dá)到最優(yōu)，而這N 個(gè)指標(biāo)之間可能互相矛盾

式中：x1，x2，x3，…，xn——所需求的且對目標(biāo)起決定性作用的變量。目的是求得（x1，x2，x3，…，xn）的一組特解，使這N個(gè)目標(biāo)達(dá)到一種最優(yōu)狀態(tài)。

理想點(diǎn)法是傳統(tǒng)的多目標(biāo)問題解法。假設(shè)上述N 個(gè)指標(biāo)，單個(gè)目標(biāo)的最優(yōu)解分別為T1，T2，T3，…，Tn。顯然，T1∩T2∩T3∩…∩Tn＝｛NULL｝。因?yàn)楦髦笜?biāo)之間可能互相矛盾，滿足本身最優(yōu)解的時(shí)候，往往不能滿足其它指標(biāo)的最優(yōu)解。理想點(diǎn)法的思路就是尋求一組特解，使該解對應(yīng)的目標(biāo)值與理想目標(biāo)值的距離最短，就把這組解稱為最優(yōu)解。假設(shè)距離用L 表示，按照理想點(diǎn)法的思想，L 可表示為

可將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題：求Min｛L｝的一組特解。理想點(diǎn)法的關(guān)鍵就是事先能夠知道單個(gè)目標(biāo)的最優(yōu)解。而這種最優(yōu)解往往可以理解為人為的期望，而不必局限在目標(biāo)函數(shù)的大小范圍上。

針對前面提出的數(shù)學(xué)模型，首先確定2個(gè)目標(biāo)變量S1＝M 和S2＝E 的理想值。理論上說，M 和E 的理想值分別是M 和E 的最大值，通過求取M 和E 的函數(shù)表達(dá)式的最大值獲取，但方法非常繁瑣［15］。

通過計(jì)算和實(shí)驗(yàn)驗(yàn)證：M 是γ的單調(diào)遞增函數(shù)，而E 是γ的單調(diào)遞減函數(shù)。對于任何一幅BMP 格式圖像而言，當(dāng)圖像所有像素灰度均為255 的時(shí)候圖像的平均強(qiáng)度M 最大，Mmax＝255，255可以作為任何圖像M 的理想值；而當(dāng)圖像所有灰度的像素個(gè)數(shù)均相等的時(shí)候，圖像的熵最大，假設(shè)圖像總像素總個(gè)數(shù)為N，那么如果［0，255］每個(gè)灰度對應(yīng)的像素個(gè)數(shù)相等，用N（i）表示灰度為i的像素個(gè)數(shù)，可得

從上述推導(dǎo)可以看出，任何一幅圖像的熵最大的值就是8，因此，8可以作為任何圖像E 的理想值。按照理想點(diǎn)法的思想，上述數(shù)學(xué)模型最終轉(zhuǎn)化為在不同的條件下求Min｛L｝

采用目前較為普遍運(yùn)用的粒子群優(yōu)化算法去搜索Min｛L｝的最優(yōu)解。

3.2 粒子群優(yōu)化算法

這里的粒子群優(yōu)化（PSO）算法利用了速度－位置搜索模型［16］。處理流程如下：

步驟1 對一群隨機(jī)粒子進(jìn)行初始化，設(shè)置迭代次數(shù)和滿足最優(yōu)解的誤差標(biāo)準(zhǔn)；

步驟2 計(jì)算得到粒子的目標(biāo)值；

步驟3 利用個(gè)體極值pbest和全局極值gbest 更新自身的速度vi和xi，更新如下所示

式中：rand（）——一個(gè)隨機(jī)分布函數(shù)，它的取值范圍均勻分布在（0，1）；c1、c2——學(xué)習(xí)因子，一般情況下取c1＝c2＝2。

步驟4 通過跟蹤個(gè)體和全局的極值，并利用式（19）不斷的迭代，就可以搜索到最優(yōu)的解。

4 實(shí)驗(yàn)結(jié)果及分析

在a和b 已知，γ未知模型中，利用PSO 算法搜索單維解得結(jié)果見表1。

表1 PSO 算法搜索單維解得結(jié)果（a和b 已知，γ未知）

在a和b 未知，γ已知模型中，利用PSO 算法搜索二維解得結(jié)果見表2。

表2 PSO 算法搜索二維解得結(jié)果（a和b 未知，γ已知）

在（a、b、γ）未知模型中，利用PSO 算法搜索三維解求得最終的結(jié)果是：a＝0；b＝255；γ＝4.15；L＝0.220433。

在（a、b、γ）未知模型中，將已經(jīng)得到的（a、b、γ）代入（a、b、γ）未知模型中，對遠(yuǎn)紅外激光光斑圖像進(jìn)行增強(qiáng)效果如圖1所示。

圖1 遠(yuǎn)紅外激光光斑圖像進(jìn)行增強(qiáng)效果

從圖1（a）和圖1（b）可以看出， “三階矩不變”算法能較好的將弱光斑目標(biāo)分割出來，從圖1（c）的結(jié)果來看，圖像得到了較好的增強(qiáng)。增強(qiáng)后的直方圖呈指數(shù)形式分布，與理論預(yù)期的效果保持了一致性。

從表3中可以看出，（a、b、γ）－修正算法比三階矩不變圖像分割的M 和E值分別提高了5.395和1.326倍。對近紅外激光光斑圖像進(jìn)行增強(qiáng)效果如圖2所示。

表3 遠(yuǎn)紅外激光光斑圖像增強(qiáng)后平均強(qiáng)度和信息熵對比

圖2 近紅外激光光斑圖像進(jìn)行增強(qiáng)效果

從圖2（a）和圖2（b）可以看出， “三階矩不變”算法也能較好的將弱光斑目標(biāo)分割出來。從圖2（c）的結(jié)果來看，圖像得到了較好的增強(qiáng)。增強(qiáng)后的直方圖呈指數(shù)形式分布，與理論預(yù)期的效果保持了一致性。

從表4中可以看出，（a、b、γ）－修正算法比三階矩不變圖像分割的M 和E 值分別提高了2.458和1.130倍。

表4 近紅外激光光斑圖像增強(qiáng)后平均強(qiáng)度和信息熵對比

從上邊兩個(gè)實(shí)驗(yàn)結(jié)果可以看出，相同的a和b，存在最優(yōu)的γ使得目標(biāo)函數(shù)最優(yōu)；相同的γ，存在最優(yōu)的a 和b 使得目標(biāo)函數(shù)最優(yōu)；存在最優(yōu)的a、b、γ使得目標(biāo)函數(shù)最優(yōu)；“（a、b、γ）－修正”算法在一定程度上增強(qiáng)圖像。

5 結(jié)束語

利用 “三階矩不變”算法對激光光斑圖像進(jìn)行分割，提取出了目標(biāo)，在 “γ－修正”算法的基礎(chǔ)上引進(jìn)參數(shù)灰度段上下限a和b。在充分驗(yàn)證a 和b 對圖像影響的前提下，提出了 “（a、b、γ）－修正”算法，使得 “γ－修正”算法得到進(jìn)一步內(nèi)容上的升華和理論上的提高。通過大量實(shí)驗(yàn)驗(yàn)證了“（a、b、γ）－修正”算法的理論性，具有很強(qiáng)的靈活性，科學(xué)性及其有效性?？梢愿鶕?jù)需要定義不同的目標(biāo)函數(shù)，最終得到不同程度的增強(qiáng)圖像。

［1］NI Qingqing，WANG Hao.The image segmentation by threshold based on gray and intensity invariable ［J］.Journal of Shanghai Normal University （Natural Sciences），2006，35（3）：39－42 （in Chinese） .［倪青青，王昊.基于一階和二階亮度矩不變的圖像閾值分割的迭代算法 ［J］.上海師范大學(xué)學(xué)報(bào)，2006，35 （3）：39－42.］

［2］Ngai M Kwok，Ha Q P，Member，et al.Contrast enhancement and intensity preservation for gray－level images using multi－objective particle swarm optimization ［J］.IEEE Transactions on Automation Science and Engineering，2009，6 （1）：145－155.

［3］HAN Liming，WANG Botao，CHEN Zhe，et al.A method of measuring roundness of laser beam spot based on digital image processing ［J］.Computer Applications and Software，2011，28 （6）：275－277 （in Chinese） .［韓立明，王波濤，陳喆，等.一種基于圖像處理的激光光斑圓度測量方法 ［J］.計(jì)算機(jī)應(yīng)用與軟件，2011，28 （6）：275－277.］

［4］CAO Junfeng，SHI Jiacheng，LUO Haibo，et al.Image enhancement using clustering and histogram equalization ［J］.Infrared and Laser Engineering，2012，41 （12）：3436－3441 （in Chinese） .［曹軍峰，史加成，羅海波，等.采用聚類分割和直方圖均衡的圖像增強(qiáng)算法 ［J］.紅外與激光工程，2012，41 （12）：3436－3441.］

［5］LI Hang，LU Yang，CUI Huijuan，et al.Image quality assessment based on frequency domain of structural similarities ［J］.Journal of Tsinghua University （Science and Technology），2009，49 （4）：559－562 （in Chinese） .［李航，路羊，崔慧娟，等.基于頻域的結(jié)構(gòu)相似度的圖像質(zhì)量評價(jià)方法 ［J］.清華大學(xué)學(xué)報(bào)，2009，49 （4）：559－562.］

［6］REN Jijun，HE Mingyi.Image segmentation using improved snake model based on particle swarm optimization ［J］.Journal of Image and Graphics，2008，13 （9）：1727－1732 （in Chinese） .［任繼軍，何明一.基于粒子群優(yōu)化算法的改進(jìn)Snake模型的圖像分割方法 ［J］ .中國圖象圖形學(xué)報(bào)，2008，13（9）：1727－1732.］

［7］LIAO Yanlin，LIU Ye，CAO Jie，et al.A surface enhanced raman scattering spectrum detection system based on fiber devices［J］.Chinese Journal of Lasers，2012，39 （7）：215－219 （in Chinese） .［廖艷林，劉曄，曹杰，等.一種基于光纖器件的表面增強(qiáng)拉曼散射光譜檢測系統(tǒng) ［J］.中國激光，2012，39（7）：215－219.］

［8］LEI Yanmin，ZHU Qidan，ZHONG Xunyu，et al.Study on obstacle detection based on laser range finder ［J］.Computer Engineering and Design，2012，33 （2）：718－723 （in Chinese）.［雷艷敏，朱齊丹，仲訓(xùn)昱，等.基于激光測距儀的障礙物檢測的仿真研究 ［J］ .計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（2）：718－723.］

［9］ZHANG Yixiong，LI Xiying.Extraction of dumbbell shape object based on GVF and balloon improved model［J］.Computer Engineering and Design，2010，31 （9）：2131－2134 （in Chinese） .［張奕雄，李熙瑩.基于GVF和壓力Snake模型的啞鈴型目標(biāo)提取 ［J］ .計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （9）：2131－2134.］

［10］Ghita O，Whelan P F.A new GVF－based image enhancement formulation for use in the presence of mixed noise［J］.Pattern Recognition，2010，43 （8）：2646－2658.

［11］XIAO Quan，DING Xinghao，WANG Shoujue，et al.A halofree and hue preserving algorithm for color image enhancement［J］.Journal of Computer－Aided Design ＆ Computer Graphics，2010，22 （8）：1246－1252 （in Chinese） .［肖泉，丁興號，王守覺，等.有效消除光暈現(xiàn)象和顏色保持的彩色圖像增強(qiáng)算法 ［J］ .計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22（8）：1246－1252.］

［12］ZHANG Rong，F(xiàn)ENG Bin，SUN Jun.Analyzing SELDI－TOF mass spectral data based on QPSO－SVM algorithm ［J］.Computer Applications and Software，2011，28 （1）：57－60 （in Chinese） .［張蓉，馮斌，孫俊 .基于QPSO－SVM 算法的SELDI－TOF質(zhì)譜數(shù)據(jù)分析 ［J］.計(jì)算機(jī)應(yīng)用與軟件，2011，28 （1）：57－60.］

［13］MA Shiyou，F(xiàn)U Zhiwei，WANG Xiaodong，et al.Gray image enhancement algorithm based on histogram equalization and power transform ［J］.Computer Applications and Software，2013，30 （4）：261－263 （in Chinese） .［馬士友，付致偉，王曉東，等.基于直方圖均衡和冪次變換的灰度圖像增強(qiáng)算法 ［J］.計(jì)算機(jī)應(yīng)用與軟件，2013，30 （4）：261－263.］

［14］KANG Changqing，YUAN Lei，HUA Li，et al.A novel Hessian matrix enhancement algorithm for angiography images［J］.Computer Engineering ＆Science，2012，34 （10）：104－107 （in Chinese） .［康長青，袁磊，華麗，等.一種新的血管造影圖像Hessian矩陣增強(qiáng)算法 ［J］.計(jì)算機(jī)工程與科學(xué)，2012，34 （10）：104－107.］

［15］WANG Xuewei，WANG Shili，LI Ke.Infrared image enhancement based on pseudo median filter and wavelet transformation［J］.Laser ＆Infrared，2013，43 （1）：90－93 （in Chinese）.［王學(xué)偉，王世立，李珂.基于偽中值濾波和小波變換的紅外圖像增強(qiáng)方法 ［J］.激光與紅外，2013，43 （1）：90－93.］

［16］ZHANG Xiuhua，YANG Kuntao.Image enhancement based on maximum entropy principle and gray－level transformation ［J］.Opto－Electronic Engineering，2007，34 （2）：84－87 （in Chinese） .［章秀華，楊坤濤.基于最大熵原則和灰度變換的圖像增強(qiáng) ［J］.光電工程，2007，34 （2）：84－87.］