基于CHEBWO的多目標(biāo)棉田圖像增強(qiáng)算法

摘要：為了增強(qiáng)棉田圖像的壟線特征、紋理清晰度以及棉田與壟線之間的對(duì)比度，以提高農(nóng)機(jī)視覺(jué)導(dǎo)航圖像的分割準(zhǔn)確率與泛化能力，本文提出了一種多目標(biāo)圖像增強(qiáng)算法——混沌混合精英白鯨優(yōu)化算法（Chaotic hybrid elite beluga whale optimization， CHEBWO）。該算法在AMSRCR算法和直方圖均衡化的基礎(chǔ)上設(shè)計(jì)了新的圖像加權(quán)融合模型，并針對(duì)圖像評(píng)價(jià)，設(shè)計(jì)了一種新的多目標(biāo)加權(quán)評(píng)價(jià)函數(shù)。實(shí)驗(yàn)結(jié)果表明，與基于Retinex圖像增強(qiáng)算法（如SSR、MSR、MSRCR、MSRCP）以及基于直方圖均衡化增強(qiáng)算法（如HE、AHE、CLAHE）進(jìn)行對(duì)比，CHEBWO算法在PSNR、AG、SD、IE、SSIM等指標(biāo)上平均提高了6.18、42.38、40.41、0.89和0.22。因此，本文提出的棉田圖像增強(qiáng)算法在增強(qiáng)棉田圖像對(duì)比度、清晰度以及保持壟線紋理方面具有顯著優(yōu)勢(shì)，有助于提高語(yǔ)義分割模型的性能和準(zhǔn)確性。

關(guān)鍵詞：白鯨優(yōu)化算法；Retinex；直方圖均衡化；圖像增強(qiáng)；多目標(biāo)優(yōu)化

中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)識(shí)碼

A multi-objective cotton field image enhancement algorithm based on CHEBWO

WANG" Fengjiang，WANG" Mengfei，ZHOU" Jie*

（College of Information Science and Technology，Shihezi University，Shihezi，Xinjiang 832003，China）

Abstract： In order to enhance the texture clarity of cotton field image ridge features and the contrast between cotton fields and ridge lines， a multi-objective image enhancement algorithm， Chaos Hybrid Optimization Moby Dick Optimization AlgorithmChaotic hybrid elite beluga whale optimization （CHEBWO）， is proposed， which significantly improves the segmentation accuracy and generalization ability of agricultural machinery visual navigation images. This algorithm is based on Retinex′s Auto-MSRCR algorithm and histogram equalization， and a new image weighted fusion model is designed. In terms of image evaluation， a new multi-objective weighted evaluation function is designed. The experimental results show that CHEBWO is compared with Retinex based image enhancement algorithms such as SSR， MSR， MSRCR， MSRCP， and histogram equalization based enhancement algorithms such as HE， AHE， and CLAHE. The proposed method has an average improvement of 6.18， 42.38， 40.41， 0.89， and 0.22 in PSNR， AG， SD， IE， SSIM and other indicators. The cotton field image enhancement algorithm CHEBWO proposed in this article has outstanding advantages in contrast， clarity， and maintaining ridge texture.

Key words： Beluga whale optimization;Retinex;histogram equalization;image enhancement;multi objective optimization

隨著農(nóng)業(yè)智能化的發(fā)展，農(nóng)機(jī)視覺(jué)導(dǎo)航技術(shù)在農(nóng)業(yè)生產(chǎn)中起到了越來(lái)越重要的作用［1-3］?；谏疃葘W(xué)習(xí)和機(jī)器視覺(jué)的農(nóng)機(jī)導(dǎo)航已經(jīng)成為主流，圖像預(yù)處理是農(nóng)機(jī)視覺(jué)導(dǎo)航的主要任務(wù)之一［4-5］，語(yǔ)義分割所依賴(lài)的圖像質(zhì)量直接影響了分割的準(zhǔn)確性。圖像增強(qiáng)技術(shù)可以改善圖像的質(zhì)量，通過(guò)增強(qiáng)對(duì)比度、色彩和清晰度［6-9］。通過(guò)圖像增強(qiáng)可以突出棉田圖像中壟線特征，從而提高棉田壟線分割的準(zhǔn)確性。

當(dāng)前主要的圖像增強(qiáng)算法有基于直方圖均衡化的算法和基于Retinex（Retinex-inspired dual-tree wavelet transform）的算法。Unnikrishnan等［10］提出了一種統(tǒng)一變分模型用于圖像去霧和低光圖像增強(qiáng)。雖然該模型通過(guò)估計(jì)環(huán)境光和透射圖能夠有效避免顏色失真和光暈偽影。但MSR（Multi-Scale Retinex）算法無(wú)法消除強(qiáng)邊緣附近的光暈效應(yīng)，且算法在處理不自然圖像時(shí)表現(xiàn)不佳。王奎等［11］針對(duì)低照度圖像邊緣紋理模糊、亮度和對(duì)比度偏低等問(wèn)題，提出了一種基于殘差融合的改進(jìn)Retinex

圖像增強(qiáng)算法，有效地提升了低照度圖像的邊緣細(xì)節(jié)表達(dá)能力，提高了圖像質(zhì)量和視覺(jué)效果。張博龍等［12］為了解決紅外煙塵圖像增強(qiáng)問(wèn)題，提出了一種基于引導(dǎo)濾波圖像分層的圖像增強(qiáng)方法。該方法采用分?jǐn)?shù)階微分掩模進(jìn)行增強(qiáng)處理，通過(guò)對(duì)原始圖像進(jìn)行直方圖均衡化增益圖像細(xì)節(jié)。該研究雖然主觀上能夠提高煙塵圖像對(duì)比度和清晰度，但缺乏充足的客觀分析。Saifullah等［13］為了提高圖像分割精度，將直方圖均衡化（Histogram Equalization，HE）算法與粒子群算法（Particle Swarm Optimization，PSO）相結(jié)合。該方法通過(guò)粒子群算法優(yōu)化圖像分區(qū)和HE算法增強(qiáng)圖像細(xì)節(jié)可見(jiàn)性的協(xié)同融合，從而實(shí)現(xiàn)圖像目標(biāo)對(duì)象精確分割。劉正男等［14］針對(duì)傳統(tǒng)圖像增強(qiáng)算法存在的圖像紋理弱化、信息丟失等問(wèn)題提出了一種基于紋理先驗(yàn)和顏色聚類(lèi)的圖像增強(qiáng)算法。該算法雖然在光照不充足的情況下能夠有效增強(qiáng)圖像細(xì)節(jié)，但不適用于環(huán)境復(fù)雜的棉田場(chǎng)景。

為了解決上述問(wèn)題，本文提出了一種改進(jìn)的白鯨優(yōu)化算法的圖像增強(qiáng)算法。第一步，通過(guò)算法初始化種群生成AMSRCR（Adaptive Multi-Scale Retinex with Color Restore）算法的高斯濾波參數(shù)。第二步，對(duì)AMSRCR圖像進(jìn)行直方圖均衡化后與原圖像和直方圖均衡化圖像進(jìn)行加權(quán)融合。第三步，計(jì)算適應(yīng)度函數(shù)值迭代尋優(yōu)輸出最終增強(qiáng)圖像。通過(guò)CHEBWO增強(qiáng)后的棉田圖像能夠有效提高圖像清晰度并保留壟線紋理細(xì)節(jié)。

1 資料與方法

1.1 圖像加權(quán)融合模型

在棉田圖像增強(qiáng)方面，Retinex算法雖然能夠提高圖像對(duì)比度和色彩鮮艷度，但存在計(jì)算復(fù)雜度高、參數(shù)選擇困難的問(wèn)題，而基于直方圖均衡化的算法存在欠增強(qiáng)、過(guò)增強(qiáng)、容易飽和、細(xì)節(jié)丟失和放大噪聲等缺陷［15-17］。針對(duì)這些問(wèn)題，設(shè)計(jì)了新的圖像加權(quán)模型。將直方圖均衡化圖像、AMSRCR增強(qiáng)圖像直方圖均衡化后圖像和原始圖像進(jìn)行加權(quán)融合。在AMSRCR算法中，數(shù)組是一個(gè)包含不同尺度的標(biāo)準(zhǔn)差值數(shù)組，這些標(biāo)準(zhǔn)差值用來(lái)分別對(duì)圖像進(jìn)行高斯濾波，以去除圖像中的噪聲和模糊，并增強(qiáng)圖像的對(duì)比度和色彩鮮艷度。通常sigmas數(shù)組由算法中的一個(gè)常數(shù)和像素的均值計(jì)算而來(lái)，并且可以根據(jù)不同的圖像和應(yīng)用場(chǎng)景進(jìn)行調(diào)整。因此選擇改進(jìn)白鯨優(yōu)化算法對(duì)AMSRCR的數(shù)組進(jìn)行優(yōu)化獲取原始增強(qiáng)圖像。直方圖均衡化雖然可以增加對(duì)比度和亮度，但存在引入噪聲、造成色彩偏差和圖像增強(qiáng)不穩(wěn)定的缺點(diǎn)。AMSRCR算法能夠處理圖像中的空間相關(guān)性，通過(guò)自適應(yīng)濾波技術(shù)來(lái)減少圖像中的噪聲和偽影，同時(shí)保護(hù)圖像的邊緣和紋理細(xì)節(jié)。而直方圖均衡化則可以增強(qiáng)圖像的全局對(duì)比度和亮度，使得圖像更加清晰明亮。將兩者結(jié)合可以綜合考慮局部和全局的圖像特征，進(jìn)一步提升棉田圖像的質(zhì)量。在此基礎(chǔ)上，設(shè)計(jì)了新的圖像加權(quán)模型，加權(quán)融合公式如下所示：

R（x，y）=v·HE（A（x，y））+ξ·HE（x，y）+·I（x，y）.（1）

式中，R（x，y）為融合后后圖像，HE（A（x，y））為通過(guò)AMSRCR增強(qiáng)后圖像進(jìn)行直方圖均衡化后的圖像，I（x，y）為原圖。v為AMSRC-HE圖像權(quán)重，設(shè)置為0.75，ξ為直方圖均衡化圖像權(quán)重，設(shè)置為0.15 ，為原圖像素權(quán)重，設(shè)置為0.15。

1.2 改進(jìn)的白鯨多目標(biāo)棉田圖像增強(qiáng)算法

白鯨優(yōu)化算法（Beluga whale optimization， BWO）是一種基于種群的元啟發(fā)式優(yōu)化算法，模擬了白鯨的行為，并由Zhong等［18］于2022年提出。相比于其他優(yōu)化算法具有參數(shù)少、易于調(diào)整的優(yōu)點(diǎn)，適用于解決各種復(fù)雜優(yōu)化問(wèn)題，但也存在著容易陷入局部最優(yōu)的問(wèn)題［19］。

1.2.1 個(gè)體編碼

在優(yōu)化AMSRCR高斯模糊數(shù)組sigmas，提高圖像質(zhì)量的過(guò)程中，CHEBWO第一步需要確定鯨魚(yú)個(gè)體的編碼方式?？紤]到參數(shù)精度和易于操作，確定鯨魚(yú)個(gè)體的編碼方式是使用實(shí)數(shù)編碼。實(shí)數(shù)編碼在優(yōu)化算法中常用于對(duì)參數(shù)進(jìn)行精確表示和操作。對(duì)于CHEBWO算法中的sigmas數(shù)組，實(shí)數(shù)編碼能夠提供足夠的精度來(lái)表示sigmas參數(shù)。通過(guò)實(shí)數(shù)編碼，可以使用連續(xù)的實(shí)數(shù)值來(lái)表示搜索空間中的各種可能解。這樣可以充分保留參數(shù)之間的連續(xù)性信息，方便算法的設(shè)計(jì)和實(shí)現(xiàn)。同時(shí)，實(shí)數(shù)編碼也適用于處理

異常值和噪聲數(shù)據(jù)，增強(qiáng)算法的魯棒性和可靠性。因此，在CHEBWO算法中使用實(shí)數(shù)編碼是一種合理且有效的選擇。種群編碼如下所示：

W=w1，1w1，2w1，3

w2，1w2，2w2，3

wn，1wn，2wn，3.（2）

式中，W代表白鯨種群，wn，2表示為第n個(gè)鯨魚(yú)個(gè)體的第i個(gè)sigmas參數(shù)，參數(shù)的取值范圍如下所示：

1≤wn，i≤250 （i=1，2，3）（3）

1.2.2 多目標(biāo)評(píng)價(jià)函數(shù)

為了對(duì)增強(qiáng)后的棉田圖像進(jìn)行定量分析，從衡量圖像清晰度、對(duì)比度、噪聲、圖像信息含量、與原圖結(jié)構(gòu)相似性等角度選擇了峰值信噪比（PSNR）、信息熵（IE）、平均梯度（AG）、方差（SD）、結(jié)構(gòu)相似性（SSIM）等指標(biāo)作為圖像評(píng)價(jià)指標(biāo)。為了綜合評(píng)價(jià)增強(qiáng)圖像質(zhì)量，將PSNR、AG、SD、IE、SSIM加權(quán)和作為適應(yīng)度函數(shù)用于衡量圖像質(zhì)量。適應(yīng)度值越大，代表CHEBWO增強(qiáng)后的圖像質(zhì)量越好。其計(jì)算公式為：

Fit=a·PSNR+b·AG+c·SD+d·IE+e·SSIM.（4）

其中a為PSNR權(quán)重，設(shè)置為0.1；b為AG權(quán)重，設(shè)置為0.001；c為SD權(quán)重，設(shè)置為0.001；d為IE權(quán)重，設(shè)置為0.798；e為SSIM權(quán)重，設(shè)置為0.1。式（4）中PSNR、AG、SD、IE、SSIM的計(jì)算公式如下所示：

PSNR=10.1·2552MSE，（5）

其中MSE為均方誤差，計(jì)算公式為：

MSE=∑Wx=1∑Hy=1［I（x，y）-M（x，y）］2W·H.（6）

式中W·H為圖像尺寸，W為圖像寬度，H為圖像高度。I（x，y）為原始圖像，M（x，y）為增強(qiáng)后圖像。

AG=1W·H∑Wx=1∑Hy=1

dfdx2+dfdy22，（7）

其中df/dx代表圖像垂直方向梯度。

SD=1W·H∑Wx=1∑Hy=1（gray（x，y）-avg）2，（8）

其中g(shù)ray（x，y）代表（x，y）像素灰度值，avg為平均灰度值。

IE=-∑255i=0P（i）log2P（i），（9）

其中i代表圖像灰度，P（i）代表灰度i在全圖中出現(xiàn)的概率。

SSIM（I，M）=（2μIμM+C1）（2σIM+C2）（μ2I+μ2M+C1）（σ2I+σ2M+C2），（10）

其中μI代表圖像灰度平均值，μM代表增強(qiáng)圖像灰度平均值，μ2I表示原圖方差，σ2M表示優(yōu)化圖像方差。2σIM表示原圖與優(yōu)化圖像協(xié)方差，C1和C2為常數(shù)參數(shù)。

1.2.3 Singer混沌映射種群初始化

初始種群在解空間中分布越均勻，算法搜索到最優(yōu)值的概率越大。混沌映射策略因其遍歷性、非重復(fù)性等特點(diǎn)被廣泛用于群智能優(yōu)化算法的初始種群生成中。因此，為增強(qiáng)CHEBWO的參數(shù)在整個(gè)解空間的分布性，引入Singer映射代替BWO中的隨機(jī)搜索策略對(duì)白鯨種群進(jìn)行初始化。Singer映射的迭代公式為

wn，i=μ（7.86wn，i-23.31wn，i2+28.75wn，i3-13.302 875wn，i4），（11）

其中，μ為混沌映射參數(shù)，取值范圍為（0.9，1.08）。

1.2.4 游泳行為

在CHEBWO棉田圖像增強(qiáng)過(guò)程中，游泳行為為全局搜索階段。這一階段中白鯨個(gè)體會(huì)在搜索空間中進(jìn)行移動(dòng)，搜索最佳sigmas數(shù)組。在該階段兩只攜帶sigmas數(shù)組的白鯨個(gè)體會(huì)通過(guò)成對(duì)或者鏡像的方式進(jìn)行游泳行為更新位置，更新公式如下：

wt+1n，i=wtn，pi+（wtr，p1-wtn，pi）（1+r）sin（2πr），j=even，

wt+1n，i=wtn，pi+（wtr，p1-wtn，pi）（1+r）cos（2πr），j=odd，（12）

其中，wt+1n，i是第n條白鯨個(gè)體中sigmas數(shù)組的第i（i=1，2，3）維更新后的位置，Pi是從sigmas數(shù)組中隨機(jī)選擇的維度，wtn，pi和wtr，pi代表第n個(gè)白鯨個(gè)體和隨機(jī)個(gè)體r的當(dāng)前sigmas數(shù)組維度。其中r為（0，1）的隨機(jī)數(shù)。sin（2πr）和cos（2πr）為平均魚(yú)鰭隨機(jī)數(shù)。

1.2.5 捕食行為

在CHEBWO棉田圖像增強(qiáng)過(guò)程中，白鯨在捕食行為中可以根據(jù)相鄰個(gè)體的位置合作覓食和移動(dòng)。白鯨在捕食階段可以通過(guò)分享彼此的位置信息來(lái)進(jìn)行捕獵，從而在候選解和其他解中找到最優(yōu)sigmas數(shù)組。在CHEBWO的捕食階段引入了萊維飛行步長(zhǎng)策略用以提高算法的收斂性。白鯨捕食行為的公式可以表示為：

wt+1n，i=rwtbest-rwtn，i+C1·LF·（wtr-wtn，i），（13）

其中，t為當(dāng)前迭代次數(shù)，wtn，i和wtr是第n個(gè)個(gè)體sigmas數(shù)組的第i維和一個(gè)隨機(jī)個(gè)體對(duì)應(yīng)維度的當(dāng)前位置，wt+1n，i是第n條白鯨的新位置，wbest是當(dāng)前迭代種群中的最佳位置。萊維飛行步長(zhǎng)LF的計(jì)算公式如下：

LF=0.05·u·δv1β，（14）

δ=Γ（1+β）×sin（πβ/2）Γ（（1+β）/2）×β×2（β-1）/2，（15）

其中，u和v是正態(tài)分布的隨機(jī)數(shù)，β為默認(rèn)常數(shù)1.5。

1.2.6 鯨落行為

在CHEBWO棉田圖像增強(qiáng)過(guò)程中，鯨落行為即模擬攜帶sigmas數(shù)組的白鯨個(gè)體在遷徙和捕食行為中受到外界威脅而沒(méi)有幸存?zhèn)€體的行為。這一行為以鯨落概率作為假設(shè)，模擬群體微小變化。在鯨落行為中為了保證種群個(gè)體數(shù)量不變，利用白鯨的位置和鯨魚(yú)下降的步長(zhǎng)來(lái)建立更新的位置。位置更新公式如下：

wt+1n，i=r·wtn，i-r·wtr+r·Wstep，（16）

其中，Wstep是鯨落行為的步長(zhǎng)，其公式為：

Wstep=（ub-lb）exp-C2tT，（17）

其中，Wstep為與鯨魚(yú)下降概率和種群大小相關(guān)的步長(zhǎng)因子，ub和lb分別表示個(gè)體中sigmas數(shù)組維度的上界和下界。鯨落行為步長(zhǎng)受設(shè)計(jì)變量、迭代次數(shù)和最大迭代數(shù)的邊界的影響。在鯨落階段中，鯨魚(yú)墜落的概率被計(jì)算為一個(gè)線性函數(shù)：

Bf=0.1-0.05t/T.（18）

鯨魚(yú)墜落的概率從初始迭代的 0.1下降到最后一次迭代的0.05，表明攜帶sigmas數(shù)組的白鯨個(gè)體在優(yōu)化過(guò)程中更加接近優(yōu)化參數(shù)，圖像增強(qiáng)的效果更好。

1.2.7 混合優(yōu)化策略

遺傳算法是一種源于生物進(jìn)化思想的智能算法，通過(guò)模擬自然界的進(jìn)化過(guò)程，逐步優(yōu)化解的質(zhì)量。交叉和變異是遺傳算法中的兩種基本操作，用于產(chǎn)生新的后代個(gè)體，逐步提高適應(yīng)度。交叉操作通常是指從多個(gè)親本個(gè)體中隨機(jī)選擇1個(gè)或多個(gè)交叉點(diǎn)，然后通過(guò)交換交叉點(diǎn)前后的基因片段產(chǎn)生新的子代個(gè)體。交叉操作的目的是結(jié)合不同優(yōu)秀個(gè)體的優(yōu)勢(shì)，產(chǎn)生適應(yīng)性更好的后代。在遺傳算法中，交叉操作的位置和方式通常是隨機(jī)選擇的。變異操作是指?jìng)€(gè)體的某些基因發(fā)生隨機(jī)的、小規(guī)模的變化，從而產(chǎn)生一個(gè)新的個(gè)體。變異操作可以增加新的搜索空間，有助于保留種群多樣性，避免過(guò)早收斂到局部最優(yōu)解。在遺傳算法中，變異通常是一些個(gè)體基因以一定概率的隨機(jī)突變。CHEBWO混合了多點(diǎn)交叉操作和多點(diǎn)隨機(jī)突變操作，有效地促進(jìn)了搜索空間的完全搜索，避免了過(guò)早收斂。動(dòng)態(tài)精英優(yōu)化策略可以保留種群中的精英個(gè)體，加快CHEBWO的收斂速度，提高搜索效率和效果。精英個(gè)體的數(shù)量和選擇模式根據(jù)種群適應(yīng)度值的變化進(jìn)行動(dòng)態(tài)調(diào)整，具體來(lái)說(shuō)，首先根據(jù)適應(yīng)度函數(shù)值進(jìn)行排序，從當(dāng)前種群中選擇一定數(shù)量的最優(yōu)個(gè)體作為精英個(gè)體。然后將優(yōu)秀的個(gè)體保留在下一代種群中，保證優(yōu)秀的基因能夠傳遞給下一代，從而提高平均適應(yīng)度。通過(guò)保留精英個(gè)體，我們可以有效地保留當(dāng)前種群中的優(yōu)秀基因，并在搜索過(guò)程中引導(dǎo)種群更接近最優(yōu)解。同時(shí)，精英優(yōu)化策略可以提高搜索的多樣性，避免搜索過(guò)早陷入局部最優(yōu)解?；旌蟽?yōu)化公式如下：

wmin，i=wmax_x，i，plt;0.7，

wmin，n，rand_i=wmax_x，rand_i，plt;0.7.（19）

式中wmin，i代表種群中適應(yīng)度值最小的個(gè)體，wmax_x，i代表種群中適應(yīng)度值最大的個(gè)體，P為概率。wmin，n，rand_i代表最小個(gè)體n的sigmas數(shù)組中第i維數(shù)值。wmax_x，rand_i代表最大個(gè)體k的sigmas數(shù)組中第i維數(shù)值。其中n（n=1，2，3，4，5）為種群中適應(yīng)度值最小的5個(gè)個(gè)體，x（x=1，2，3，4，5）為種群中適應(yīng)度值最大的5個(gè)個(gè)體。

1.2.8 算法流程

本文提出基于CHEBWO的多目標(biāo)圖像增強(qiáng)算法實(shí)現(xiàn)棉田圖像增強(qiáng)，步驟如下：

（1）定義CHEBWO參數(shù)。

（2）singer混沌映射初始化種群，圖像加權(quán)融合，計(jì)算適應(yīng)度值。

（3）計(jì)算平衡因子Bf和鯨落概率Wf。

（4）Bflt;0.5，進(jìn)入游泳階段，按照式（5）更新個(gè)體位置；如果Bfgt;0.5，進(jìn)入捕食階段，按照式（4）更新個(gè)體位置。

（5）Bflt;Wf，進(jìn)入鯨落階段，生成新個(gè)體并進(jìn)行個(gè)體約束。

（6）在所有個(gè)體經(jīng)歷過(guò)1次迭代后，圖像加權(quán)融合，計(jì)算適應(yīng)度值，執(zhí)行混合優(yōu)化策略。

（7）判斷是否滿(mǎn)足最大迭代次數(shù)，不滿(mǎn)足則返回（3），直至滿(mǎn)足后輸出最終結(jié)果。

算法流程圖如圖1所示。

2 結(jié)果與分析

2.1 測(cè)試圖像介紹

本文試驗(yàn)所用4張圖像，拍攝地為石河子大學(xué)農(nóng)試田，1 080×720像素。以256×256像素作為實(shí)驗(yàn)尺寸，因此需要將圖像通過(guò)OpenCV進(jìn)行重塑，圖像重塑后如圖2所示。

2.2 實(shí)驗(yàn)結(jié)果分析

2.2.1 仿真實(shí)驗(yàn)分析

為了驗(yàn)證CHEBWO算法的性能及其優(yōu)越性，將該算法與緞藍(lán)園丁鳥(niǎo)算法（SBO）、麻雀優(yōu)化算法（SSA）、狼群算法（WPA）進(jìn)行了100次獨(dú)立實(shí)驗(yàn)對(duì)比。在實(shí)驗(yàn)中，CHEBWO與SBO、SSA以及WPA方案的最大迭代次數(shù)設(shè)置為100，種群個(gè)數(shù)為50，仿真結(jié)果如圖3所示。

由圖3可見(jiàn)，為了驗(yàn)證算法的穩(wěn)定性對(duì)每張圖像進(jìn)行了100次對(duì)比實(shí)驗(yàn)。當(dāng)圖像相同時(shí)，其適應(yīng)度函數(shù)值越高代表圖像增強(qiáng)客觀評(píng)價(jià)越好。在圖像（a）和圖像（c）的實(shí)驗(yàn)結(jié)果如圖3A和圖3C所示，可以明顯觀察到本文所提算法的適應(yīng)度值普遍高于其余3種算法。在另一方面振幅大小體現(xiàn)了算法的穩(wěn)定性，雖然圖3C的實(shí)驗(yàn)中SBO的振幅較為穩(wěn)定，但適應(yīng)度值低于其余3種算法。從圖3A、圖3B、圖3C可以發(fā)現(xiàn)本文所提算法整體振幅小于其余3種算法。為了更為直觀分析，100次實(shí)驗(yàn)中4種算法的最小適應(yīng)度值、最大適應(yīng)度值、平均適應(yīng)度值等具體數(shù)值如表1所示，其中黑色加粗為每行數(shù)據(jù)最大值。

在表1中，4種算法的最大值均在8.9、8.8、8.8和9.01附近。除圖（a）和（d）最大適應(yīng)度值略低于SSA外，CHEBWO在最大值、最小值和平均值上均高于其余3種啟發(fā)式算法。相比于SBO、SSA和WPA，CHEBWO加權(quán)客觀評(píng)價(jià)指標(biāo)分別平均提高了0.004、0.003、0.017和0.001。實(shí)驗(yàn)結(jié)果分布情況如圖4所示。

在棉田圖像增強(qiáng)中，加權(quán)客觀評(píng)價(jià)指標(biāo)最大值相同或相近的情況下，圖像增強(qiáng)的穩(wěn)定性和效果由最小值所決定。

最小值越大，圖像加權(quán)客觀評(píng)價(jià)指標(biāo)越高算法越穩(wěn)定。在圖4的CHEBWO箱體中，最小值均高于SBO、SSA和WPA。在圖4D中，雖然SSA最大適應(yīng)度值高于CHEBWO，但均值較低，且在圖4A、圖4B、圖4C中SSA的最大適應(yīng)度值雖然高于SBO和WPA但低于CHEBWO，且上四分位數(shù)出現(xiàn)離群點(diǎn)，說(shuō)明相比于其余3種算法穩(wěn)定性略差。

2.2.2 對(duì)比實(shí)驗(yàn)分析

為了驗(yàn)證CHEBWO算法在棉田圖像增強(qiáng)中的有效性與優(yōu)越性，將所提算法與單尺度

Retinex（Single-Scale Retinex，SSR）算法、多尺度Retinex（Multi-Scale Retinex， MSR）算法、色彩恢復(fù)多尺度Retinex（Multi-Scale Retinex with Color Restoration，MSRCR）算法、色彩保護(hù)多尺度Retinex（Multi-Scale Retinex with chromaticity preservation，MSRCP）算法、直方圖均衡化（Histogram Equalization，HE）算法、自適應(yīng)直方圖均衡化（Adaptive Histogram Equalization，AHE）算法、限制對(duì)比度自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）算法進(jìn)行對(duì)比，并進(jìn)行了主觀分析和客觀分析。

（1）主觀評(píng)價(jià)分析

將本文所提算法增強(qiáng)后的圖片與基于Retinex和基于直方圖均衡化增強(qiáng)后的圖片進(jìn)行對(duì)比，如圖5所示。

通過(guò)圖5對(duì)比發(fā)現(xiàn)，基于Retinex算法的SSR、MSR、MSRCR增強(qiáng)后的4組圖片亮度偏亮，整體呈現(xiàn)霧化效果，沒(méi)有突出壟線與棉田差別。SSR與MSR增強(qiáng)圖像在不同程度偏白，如圖5第一行和第二行圖像所示。而MSRCP整體泛黃，如圖5第三行圖像所示。3種算法均在不同程度弱化壟線與棉田對(duì)比度，圖像（b）經(jīng)過(guò)SSR、MSR、MSRCP增強(qiáng)后明顯壟線對(duì)比度弱化。MSRCP雖然在視覺(jué)感受上較SSR與MSR對(duì)比度較好，但仍未突出壟線對(duì)比度，并在一定程度上弱化了壟線的紋理。與SSR、MSR、MSRCP相比，MSRCR色彩信息保留相對(duì)完整，如圖5第四行所示。MSRCP與原圖相比雖然色彩亮度增強(qiáng)，但是壟線和棉田色彩在一定程度上耦合，沒(méi)有增強(qiáng)壟線與棉田對(duì)比度且壟線盡頭區(qū)域較模糊。

基于直方圖均衡化算法的HE、AHE、CLAHE中，雖然HE增強(qiáng)后的圖像灰度跨度更廣且對(duì)比度有所加強(qiáng)，但圖像整體噪點(diǎn)增加，如圖5第五行圖像所示。通過(guò)圖像（d）的增強(qiáng)圖像可以發(fā)現(xiàn)，HE增強(qiáng)視覺(jué)效果較為模糊未能突出壟線紋理，AHE、CLAHE雖然突出了壟線紋理，但圖像增強(qiáng)后棉田圖像壟線對(duì)比度較HE差。

綜上所述，本文所提算法在視覺(jué)上相比于SSR、MSR、MSRCR、MSRCP增強(qiáng)后的4組圖片能夠突出壟線對(duì)比度，且圖像更為清晰。相比于HE、AHE、CLAHE，本文所提算法在增強(qiáng)對(duì)比度的同時(shí)保留了"" 更多細(xì)節(jié)。在圖5中能明顯發(fā)現(xiàn)本文所提算法較HE、AHE、CLAHE對(duì)比度加強(qiáng)同時(shí)圖像下方殘膜細(xì)節(jié)保留的更清晰。

（2）客觀評(píng)價(jià)分析

為了量化圖像增強(qiáng)效果，更加直觀地判斷其算法的可靠性，本文進(jìn)行客觀評(píng)價(jià)結(jié)果如表2所示。

通過(guò)表2可以看出對(duì)比其他7種算法，本文算法在SD和AG上的提升很明顯，此兩項(xiàng)數(shù)據(jù)說(shuō)明本文算法在增強(qiáng)之后的圖像清晰度和細(xì)節(jié)的處理上都有著明顯的優(yōu)勢(shì)；在PSNR、IE兩項(xiàng)指標(biāo)上本文算法與其余算法相比較在保留圖像信息和降噪上的提升尤為明顯。本文所提算法增強(qiáng)后的棉田圖像壟線特征紋理清晰對(duì)比度強(qiáng)，且對(duì)比SSR、MSR、MSRCR、MSRCP、HE、AHE、CLAHE等圖像增強(qiáng)算法，平均PSNR、AG、SD、IE、SSIM提高6.18，0.89，0.22，42.38，40.41。通過(guò)上述的客觀評(píng)價(jià)，可以得出本文所提出的棉田圖像增強(qiáng)算法在對(duì)比度、 清晰度、保持圖像細(xì)節(jié)上有著突出的優(yōu)勢(shì)。

3 結(jié)論

針對(duì)棉田圖像經(jīng)過(guò)傳統(tǒng)圖像增強(qiáng)算法出現(xiàn)的亮度過(guò)度增強(qiáng)、放大噪聲、目標(biāo)區(qū)域與背景對(duì)比度弱化等缺陷，提出一種基于CHEBWO棉田圖像增強(qiáng)算法。在CHEBWO初始化階段通過(guò)混沌算子初始化種群生成的高斯濾波參數(shù)從而提高種群多樣性。從AMSRCR和HE圖像算法優(yōu)點(diǎn)出發(fā)，對(duì)AMSRCR圖像進(jìn)行直方圖均衡化后與原圖像和HE圖像進(jìn)行加權(quán)融合以提高圖像對(duì)比度、色彩、紋理。最后通過(guò)計(jì)算適應(yīng)度函數(shù)值迭代尋優(yōu)輸出最終增強(qiáng)圖像。雖然通過(guò)實(shí)驗(yàn)證明CHEBWO能夠提升棉田圖像細(xì)節(jié)和紋理，并且客觀圖像評(píng)價(jià)指標(biāo)均優(yōu)于現(xiàn)有方法。

由于實(shí)驗(yàn)條件限制和時(shí)間原因，本文在圖像增強(qiáng)中僅考慮了正常天氣狀況下的棉田圖像增強(qiáng)，未對(duì)沙塵影響下的棉田圖像增強(qiáng)進(jìn)行實(shí)驗(yàn)，未來(lái)工作可以從針對(duì)煙塵環(huán)境下的圖像增強(qiáng)出發(fā)進(jìn)行算法設(shè)計(jì)。

參考文獻(xiàn)（References）

［1］ WANG T H，CHEN B，ZHANG Z Q，et al.Applications of machine vision in agricultural robot navigation： A review［J］.Computers and Electronics in Agriculture，2022，198.

［2］ QUAN L Z，JIANG W，LI H L，et al.Intelligent intra-row robotic weeding system combining deep learning technology with a targeted weeding mode［J］.Biosystems Engineering，2022，21613-31.

［3］ Sparrow R，Howard M.Robots in agriculture： prospects， impacts， ethics， and policy［J］.Precision Agriculture，2020，（prepublish）：1-16.

［4］ WANG X F，WANG T K，LI J.Advanced crack detection and quantification strategy based on CLAHE enhanced DeepLabv3+［J］.Engineering Applications of Artificial Intelligence，2023，126（PB）：.

［5］ Haseeb A N，CHEN Z G，Ahmed A N， et al.Advance brain tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data［J］.Journal of King Saud University - Computer and Information Sciences，2023，35（9）：.

［6］ 安芷楠，魏赟. 結(jié)合灰度世界和Retinex的低照度圖像增強(qiáng)算法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2024，45（2）：477-482.

AN Z N， WEI Y. Low illumination image enhancement algorithm based on gray world and Retinex［J］.Journal of Chinese Computer Systems，2024，45（2）：477-482.

［7］ 饒偉，畢振波，譚逸柯，等. 融合同態(tài)濾波與MSR算法的低照度船舶圖像增強(qiáng)［J］.艦船科學(xué)技術(shù)，2024，46（1）：152-157.

RAO W， BI Z B， TAN Y K， et al.Low-light ship image enhancement based on homomorphic filtering and MSR algorithm［J］.Ship Science and Technology，2024，46（1）：152-157.

［8］ 顧文娟，丁燦，魏金，等. 基于雙邊濾波MSR與AutoMSRCR融合的低光照?qǐng)D像增強(qiáng)［J］.光學(xué)精密工程，2023，31（24）：3606-3617.

GU W J，DING C，WEI J，et al.Low-light image enhancement based on the fusion of Bilateral filter MSR and AutoMSRCR［J］.Optics and Precision Engineering，2023，31（24）：3606-3617.

［9］ 盧春辰，王瑞，諸葛錦慧. 基于視覺(jué)傳達(dá)技術(shù)的模糊光圖像增強(qiáng)方法［J］.激光雜志，2023，44（10）：89-93.

LU C C， WANG R， ZHUGE J H. Blurred light image enhancement method based on Blurred light image enhancement method based on visual communication technology［J］. Lasers Journal，2023，44（10）：89-93.

［10］ UNNIKRISHNAN H，AZAD B R.Non-local retinex based dehazing and low light enhancement of images［J］.Traitement du Signal，2022，39（3）：.

［11］ 王奎，黃福珍.基于殘差融合的改進(jìn)Retinex圖像增強(qiáng)算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2024，41（4）：205-211，218.

WANG K， HUANG F Z.Improved Retinex image enhancement algorithm based on residual fusion［J］.Computer Applications and Software，2024，41（4）：205-211，218.

［12］ 張博龍，劉星，水晨.基于引導(dǎo)濾波圖像分層的紅外煙塵圖像增強(qiáng)［J］.國(guó)外電子測(cè)量技術(shù)，2023，42（4）：49-55.

ZHANG B L， LIU X， SHUI C.Infrared smoke and dust image enhancement based on guided filter image layering［J］.Foreign Electronic Measurement Technology，2023，42（4）：49-55.

［13］ DREZ·EWSKI R. Advanced medical image segmentation enhancement： A particle-swarm-optimization-based histogram equalization approach［J］. Applied Sciences， 2024， 14（923）：1-26.

［14］ 劉正男，劉春靜.基于紋理先驗(yàn)和顏色聚類(lèi)的圖像增強(qiáng)算法［J］.紅外技術(shù)，2023，45（9）：932-940.

LIU Z N， LIU C J.Image enhancement algorithm based on texture prior and color clustering［J］.Infrared Technology，2023，45（9）：932-940.

［15］ ZHAO Z J，LIN H X，SHI D M， et al.A non-regularization self-supervised Retinex approach to low-light image enhancement with parameterized illumination estimation［J］.Pattern Recognition，2024，146：110025.

［16］ SHASTRY A， JIDESH P， GEORGE S， et al.A self-attention driven retinex-based deep image prior model for satellite image restoration［J］.Optics and Lasers in Engineering，2024，173：107916.

［17］ 盧泉，黃粒峰，胡夢(mèng)竹.基于改進(jìn)直方圖均衡的SF6泄漏區(qū)域增強(qiáng)算法［J］.紅外技術(shù)，2024，46（4）：437-442.

LU Q， HUANG L F， HU M Z.SF6 leakage region enhancement algorithm based on improved HE［J］.Infrared Technology，2024，46（4）：437-442.

［18］ ZHONG C T，LI G，MENG Z.Beluga whale optimization： A novel nature-inspired metaheuristic algorithm［J］.Knowledge-Based Systems，2022，251：109215.

［19］ 王亞輝，張虎晨，王學(xué)兵，等.基于混沌反向?qū)W習(xí)和水波算法改進(jìn)的白鯨優(yōu)化算法［J］.計(jì)算機(jī)應(yīng)用研究，2024，41（3）：729-735.

WANG Y H， ZHANG H C， WANG X B， et al.Improved beluga whale optimization algorithm based onchaotic inverse learning and water wave algorithm［J］.Application Research of Computers，2024，41（3）：729-735.

（責(zé)任編輯：編輯郭蕓婕）