基于多分辨率分析和混沌PSO的圖像增強(qiáng)技術(shù)

word文檔可自由復(fù)制編輯編號(hào)大學(xué)畢業(yè)論文題目基于多分辨率分析和混沌PSO的圖像增強(qiáng)技術(shù)學(xué)生姓名學(xué)號(hào)學(xué)院電子信息工程學(xué)院專(zhuān)業(yè)電子信息科學(xué)與技術(shù)班級(jí)指導(dǎo)教師

大學(xué)本科畢業(yè)設(shè)計(jì)（論文）誠(chéng)信承諾書(shū)本人鄭重聲明：所呈交的畢業(yè)設(shè)計(jì)（論文）（題目：基于多分辨率分析和混沌PSO的圖像增強(qiáng)技術(shù)）是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的成果。盡本人所知，除了畢業(yè)設(shè)計(jì)（論文）中特別加以標(biāo)注引用的內(nèi)容外，本畢業(yè)設(shè)計(jì)（論文）不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)的成果作品。作者簽名：年月日（學(xué)號(hào)）：)式中，參數(shù)控制圖像的失真程度，本文取為0.85。5.5.4基于混沌小生境算法優(yōu)化的Contourlet域圖像增強(qiáng)步驟利用混沌小生境優(yōu)化算法，對(duì)數(shù)字全息圖像的Contourlet域增強(qiáng)步驟如下：Step1：對(duì)數(shù)字全息圖像進(jìn)行Contourlet變換，根據(jù)式(3.6)~(3.10)對(duì)帶通方向子帶系數(shù)進(jìn)行調(diào)整；Step2：初始化小生境粒子種群。隨機(jī)產(chǎn)生3個(gè)粒子，分別代表、、，并分成4個(gè)子種群。代表和的粒子速度在[-0.02,0.02]上隨機(jī)產(chǎn)生，代表的粒子速度在[-10,10]上隨機(jī)產(chǎn)生；Step3：根據(jù)式(5.19)-(5.21)和目前尋找到的參數(shù)值，對(duì)低通子帶系數(shù)進(jìn)行調(diào)整，經(jīng)Contourlet反變換后，根據(jù)式(5.22)計(jì)算每個(gè)粒子的適應(yīng)度，找出每個(gè)小生境種群中最優(yōu)粒子和全局最優(yōu)粒子；Step4：實(shí)施RCS小生境淘汰選擇進(jìn)化策略，計(jì)算兩個(gè)粒子種群最優(yōu)個(gè)體與之間的距離，若(小生境半徑，本文取為5)，比較兩個(gè)小生境最優(yōu)個(gè)體的適應(yīng)度，低者置零，高者保持不變。對(duì)置零的最優(yōu)個(gè)體重新初始化，并在其所在的小生境內(nèi)重新選擇最優(yōu)個(gè)體，直至任意兩個(gè)小生境最優(yōu)個(gè)體之間的距離；Step5：若迭代次數(shù)達(dá)到50次，則對(duì)最劣小生境子種群進(jìn)行更新初始化；Step6：按式(4.3)-(4.5)對(duì)所有小生境最優(yōu)個(gè)體的位置進(jìn)行變尺度混沌變異，進(jìn)一步提高搜索精度；Step7：按式(4.1)-(4.2)更新每個(gè)粒子的位置和速度，慣性因子由式(4.6)確定；Step8：若滿(mǎn)足最大迭代次數(shù)20，則停止迭代，輸出最優(yōu)解，并對(duì)圖像進(jìn)行增強(qiáng)，否則轉(zhuǎn)Step3。5.5.5實(shí)驗(yàn)結(jié)果及分析利用上述提出的基于混沌小生境算法優(yōu)化的Contourlet域圖像增強(qiáng)算法，對(duì)大量數(shù)字全息圖像進(jìn)行了實(shí)驗(yàn)。為了驗(yàn)證實(shí)驗(yàn)結(jié)論，選取其中的兩幅數(shù)字全息圖像說(shuō)明，這兩幅圖像都含有噪聲，并且分辨率低、條紋對(duì)比度低，需要對(duì)圖像進(jìn)行適當(dāng)?shù)脑鰪?qiáng)處理，達(dá)到最佳的效果。本文將該算法與直方圖均衡算法、雙向直方圖均衡算法、平穩(wěn)小波算法比較。圖5-5、圖5-6分別給出2幅原始圖像(a)，直方圖均衡算法結(jié)果(b)，雙向直方圖均衡算法結(jié)果(c)，平穩(wěn)小波算法結(jié)果(d)，本文算法結(jié)果(e)。上述所有算法均是在Intel?Core?2DuoCPU2.10GHz/2GB內(nèi)存、Matlab2009a環(huán)境中運(yùn)行的。（a）原始圖片（b）直方圖均衡方法（c）雙向直方圖均衡方法（d）平穩(wěn)小波方法（e）本文方法圖5-5數(shù)字全息圖像1的4種增強(qiáng)方法結(jié)果比較（a）原始圖片（b）直方圖均衡方法（c）雙向直方圖均衡方法（d）平穩(wěn)小波方法（e）本文方法圖5-6數(shù)字全息圖像2的4種增強(qiáng)方法結(jié)果比較由圖5-5、圖5-6可以看出：基于直方圖的一類(lèi)算法在增強(qiáng)數(shù)字全息圖像對(duì)比度的同時(shí)，也會(huì)放大噪聲，導(dǎo)致處理后的圖像不清晰。而且該類(lèi)算法會(huì)產(chǎn)生過(guò)增強(qiáng)的現(xiàn)象，數(shù)字全息圖像的紋理信息很重要，保證紋理細(xì)節(jié)的清晰度是增強(qiáng)處理的關(guān)鍵。平穩(wěn)小波算法增強(qiáng)了數(shù)字全息圖像的細(xì)節(jié)信息，很好地抑制了噪聲，但是對(duì)比度增強(qiáng)較小，圖像偏暗。采用本文方法增強(qiáng)后的圖像視覺(jué)效果最佳，有效地增強(qiáng)了數(shù)字全紋理對(duì)比度、清晰度，同時(shí)也抑制了數(shù)字全息圖像的噪聲。·實(shí)驗(yàn)中根據(jù)式(5.1)-(5.4)計(jì)算了數(shù)字全息圖像經(jīng)四種算法增強(qiáng)后的峰值信噪比、對(duì)比度增益、清晰度增益及信息熵。本文將實(shí)驗(yàn)結(jié)果列于表5-3中。表5-3適用于數(shù)字全息圖像的增強(qiáng)方法與現(xiàn)有方法的定量指標(biāo)評(píng)價(jià)實(shí)驗(yàn)圖像圖像質(zhì)量評(píng)價(jià)函數(shù)直方圖均衡方法雙向直方圖均衡方法平穩(wěn)小波方法本文方法數(shù)字全息圖像1峰值信噪比/db6.435630.900633.021257.2200對(duì)比度增益3.85085.07911.07811.6124清晰度增益2.59002.34671.72251.8205信息熵3.56473.56473.65704.2414數(shù)字全息圖像2峰值信噪比/db14.347530.855324.816047.5365對(duì)比度增益5.29236.01031.63092.7285清晰度增益2.73802.56982.17632.1502信息熵3.53553.53553.44544.0730由表5-3中可以看出：直方圖均衡算法峰值信噪比很小，說(shuō)明引入較多的噪聲，對(duì)比度增益和清晰度增益很大，說(shuō)明出現(xiàn)了過(guò)增強(qiáng)現(xiàn)象，會(huì)影響圖像的視覺(jué)效果；雙向直方圖峰值信噪比較大，說(shuō)明圖像失真較小，對(duì)比度和清晰度很大，仍出現(xiàn)過(guò)增強(qiáng)現(xiàn)象；平穩(wěn)小波算法峰值信噪比較大，說(shuō)明噪聲被抑制，對(duì)比度增益、清晰度增益很小；本文方法峰值信噪比和信息熵最大，對(duì)比度和清晰度比平穩(wěn)小波算法有所提高，說(shuō)明本文方法有很好的去噪能力，紋理對(duì)比度也有所改善。5.6本章小結(jié)本章首先闡述了圖像增強(qiáng)質(zhì)量評(píng)價(jià)的方法，并給出了四種本章所需要的客觀評(píng)價(jià)函數(shù)：峰值信噪比、對(duì)比度增益、清晰度增益、信息熵。然后，本章針對(duì)紅外熱波圖像、火焰圖像、數(shù)字全息圖像的各自特征，提出了三種基于Contourlet變換和混沌粒子群的圖像增強(qiáng)算法，對(duì)低通子帶采取不同的空域增強(qiáng)方法進(jìn)行增強(qiáng)，紅外圖像低通子帶增強(qiáng)方法基于局部均值和引入一種適應(yīng)于人類(lèi)視覺(jué)系統(tǒng)灰度級(jí)變換方法；火焰圖像低通子帶采用模糊增強(qiáng)；數(shù)字全息圖像低通子帶增強(qiáng)方法基于局部均值和暗區(qū)擴(kuò)展灰度級(jí)變換方法。帶通子帶進(jìn)行抑噪和增強(qiáng)邊緣處理，對(duì)待定參數(shù)進(jìn)行混沌粒子群尋優(yōu)，適應(yīng)度函數(shù)兼顧了峰值信噪比、對(duì)比度增益、清晰度增益、信息熵四種指標(biāo)。最后，將本章提出的算法與傳統(tǒng)的直方圖均衡算法、雙向直方圖均衡算法、平穩(wěn)小波算法比較，給出了實(shí)驗(yàn)結(jié)果。第六章總結(jié)與展望6.1本文主要工作圖像增強(qiáng)技術(shù)是數(shù)字圖像處理研究方向之一，它是圖像預(yù)處理技術(shù)的重要研究對(duì)象。圖像工程包括圖像處理、圖像分析和圖像理解三個(gè)部分，圖像處理技術(shù)的發(fā)展推動(dòng)了圖像分析和圖像理解技術(shù)。近年來(lái)圖像增強(qiáng)技術(shù)發(fā)展迅猛，不僅出現(xiàn)了許多經(jīng)典的好方法，而且市場(chǎng)效應(yīng)也十分火熱。新的增強(qiáng)技術(shù)依然在不斷的發(fā)展，尤其是空間局部增強(qiáng)處理和新的頻域?yàn)V波增強(qiáng)方法。針對(duì)圖像增強(qiáng)技術(shù)，本文做了以下工作：1.首先闡述了圖像增強(qiáng)的目的和意義，以及圖像增強(qiáng)技術(shù)的國(guó)內(nèi)外發(fā)展?fàn)顩r，然后簡(jiǎn)要介紹了圖像增強(qiáng)技術(shù)在紅外熱波缺陷檢測(cè)、火焰增強(qiáng)、數(shù)字全息圖像增強(qiáng)三個(gè)領(lǐng)域的應(yīng)用概況，分析了紅外熱波圖像、火焰圖像、數(shù)字全息圖像的特點(diǎn)。2.詳細(xì)地闡述了圖像增強(qiáng)的兩種方法：空間域方法和頻率域方法。并列舉了其中的一些經(jīng)典的算法，空間域方法包括：灰度變換法、直方圖修正法、基于局部均值和標(biāo)準(zhǔn)差的自適應(yīng)方法、模糊集方法、圖像平滑，并闡明了其基本原理。頻率域方法則是基于傅里葉變換的增強(qiáng)方法，對(duì)幾種濾波器作了說(shuō)明：Butterworth低（高）通濾波器、指數(shù)型低（高）通濾波器、梯形低（高）通濾波器。3.首先分析了連續(xù)小波變換、多分辨率分析、離散小波變換的原理，并詳細(xì)介紹了了一種基于離散平穩(wěn)小波變換的圖像增強(qiáng)算法。接著，闡明了Contourlet變換的基本原理，分析了Contourlet變換的特點(diǎn)，對(duì)拉普拉斯金字塔(LP)分解和方向?yàn)V波器組(DFB)的原理作了詳盡闡述，給出了DFB的具體構(gòu)造方法以及Contourlet變換分解的具體流程。最后，描述了一種基于Contourlet變換和模糊理論的圖像增強(qiáng)算法。4.對(duì)粒子群優(yōu)化(PSO)算法的產(chǎn)生和基本思想作了詳盡闡述，給出了基本PSO算法的步驟。在基本PSO算法的基礎(chǔ)上，詳細(xì)地分析了兩種混沌PSO算法：基于混沌變異的小生境粒子群算法(NCPSO)和自適應(yīng)雙粒子群優(yōu)化算法(ACPSO)。闡述了其工作原理，以及各自的優(yōu)點(diǎn)。5.首先闡述了本文算法中需要考慮的四種圖像增強(qiáng)客觀評(píng)價(jià)函數(shù)：峰值信噪比、對(duì)比度增益、清晰度增益、信息熵。接著，針對(duì)紅外熱波圖像的特點(diǎn)，提出了一種基于Contourlet變換和雙粒子群優(yōu)化的紅外圖像增強(qiáng)算法。紅外熱波圖像經(jīng)Contourlet變換后，低通子帶系數(shù)基于局部均值和引入一種適應(yīng)于人類(lèi)視覺(jué)系統(tǒng)的灰度級(jí)變換方法，并通過(guò)粒子群尋優(yōu)自適應(yīng)調(diào)整，提高了圖像的對(duì)比度，帶通方向子帶系數(shù)經(jīng)調(diào)整，增強(qiáng)圖像的細(xì)節(jié)，并抑制噪聲，適應(yīng)度函數(shù)兼顧了峰值信噪比、清晰度和對(duì)比度三個(gè)指標(biāo)。然后根據(jù)火焰圖像特點(diǎn)，提出了一種基于模糊理論和粒子群優(yōu)化的Contourlet域火焰圖像增強(qiáng)算法，火焰圖像經(jīng)Contourlet變換后，對(duì)帶通方向子帶采用非線性增益函數(shù)，對(duì)圖像的細(xì)節(jié)信息增強(qiáng)，通過(guò)設(shè)定自適應(yīng)閾值抑制了噪聲。將模糊集理論應(yīng)用于低通子帶，對(duì)低通子帶進(jìn)行模糊增強(qiáng)，有效提高了對(duì)比度，使火焰邊界變得清晰，同時(shí)避免了噪聲的放大，適應(yīng)度函數(shù)兼顧了增強(qiáng)后圖像的峰值信噪比和對(duì)比度。然后研究了數(shù)字全息圖像，提出了一種基于粒子群優(yōu)化的Contourlet域數(shù)字全息圖像增強(qiáng)算法，首先在低通子帶中采用基于局部均值和灰度級(jí)變換函數(shù)的對(duì)比度增益函數(shù)，對(duì)低通子帶系數(shù)進(jìn)行調(diào)整，灰度級(jí)變換采用亮區(qū)不變、暗區(qū)擴(kuò)展的方法，并且對(duì)增益函數(shù)中的待定參數(shù)進(jìn)行粒子群尋優(yōu)，用混沌小生境優(yōu)化算法精確搜索到最優(yōu)解，適應(yīng)度函數(shù)兼顧了峰值信噪比、對(duì)比度、清晰度、信息熵四個(gè)指標(biāo)；最后，將本文提出的三種算法分別與與傳統(tǒng)的直方圖均衡算法、雙向直方圖均衡算法、平穩(wěn)小波算法比較，給出了實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)得出，本文提出的算法能有效地增強(qiáng)圖像的紋理對(duì)比度、清晰度，降低噪聲、增強(qiáng)邊緣輪廓，達(dá)到最佳視覺(jué)效果。6.2進(jìn)一步研究工作由于課題研究時(shí)間有限和其他客觀原因，本文在理論研究和實(shí)驗(yàn)中都存在一些不足之處，對(duì)更深層次和更先進(jìn)的圖像增強(qiáng)技術(shù)未能進(jìn)行全面深入的研究。因此，針對(duì)這些不足之處，結(jié)合圖像增強(qiáng)技術(shù)的最新發(fā)展，本文提出以下建議：(1)圖像增強(qiáng)技術(shù)還沒(méi)有建立一個(gè)統(tǒng)一的方法模型，事實(shí)上目前使用的各種方法包括經(jīng)典的增強(qiáng)方法都存在缺點(diǎn)和不足，由此他們的使用范圍一般都有一定的限制。如果能建立起一種統(tǒng)一的圖像增強(qiáng)算法模型，這將對(duì)圖像增強(qiáng)技術(shù)的發(fā)展起著重大的推動(dòng)作用；(2)小波變換與Contourlet變換都缺乏平移不變性,圖像增強(qiáng)結(jié)果會(huì)產(chǎn)生偽Gibbs失真表現(xiàn)為在鄰域中不連續(xù)位置產(chǎn)生振鈴效應(yīng)。因此可以進(jìn)一步研究非下采樣Contourlet變換和復(fù)Contourlet變換，非下采樣Contourlet變換具有平移不變性，可以從一定程度上抑制這種失真。復(fù)Contourlet變換具有平移不變性、好的方向選擇性和高效的計(jì)算效率。因此，基于非下采樣Contourlet變換和復(fù)Contourlet變換的增強(qiáng)算法是未來(lái)的研究方向。(3)圖像增強(qiáng)技術(shù)還未有統(tǒng)一的質(zhì)量評(píng)價(jià)方法，主觀評(píng)價(jià)較為真實(shí)全面，會(huì)受人的各種視覺(jué)心理因素、圖像類(lèi)型、觀察環(huán)境等因素影響；客觀評(píng)價(jià)雖然操作簡(jiǎn)單、結(jié)果明確，但所得的定量結(jié)果比較粗糙和膚淺，不能直接反映圖像表達(dá)信息和內(nèi)容質(zhì)量的好壞。本文選取的質(zhì)量評(píng)價(jià)函數(shù)較為簡(jiǎn)單，需要更系統(tǒng)、科學(xué)的質(zhì)量評(píng)價(jià)函數(shù)。并且，本文中的一些參數(shù)與評(píng)價(jià)指標(biāo)相關(guān)，評(píng)價(jià)指標(biāo)的差異會(huì)導(dǎo)致參數(shù)差別大、增強(qiáng)后視覺(jué)效果不盡人意，必須進(jìn)行大量的實(shí)驗(yàn)選取適當(dāng)?shù)卦u(píng)價(jià)指標(biāo)。(4)目前的增強(qiáng)算法只能適用于某一類(lèi)型的圖像，本文算法也只能對(duì)同一類(lèi)圖像進(jìn)行自適應(yīng)增強(qiáng)。因此，自適應(yīng)于現(xiàn)有的各種類(lèi)型和不同特點(diǎn)圖像的增強(qiáng)方法還有待深入研究。參考文獻(xiàn)楊帆等.數(shù)字圖像處理與分析[M].第2版，北京：北京航空航天大學(xué)出版社，2010.楊帆.圖像增強(qiáng)算法研究[D].武漢：武漢科技大學(xué)，2011.張德豐等.MATLAB數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2009.吳一全，王厚樞.圖像對(duì)比度增強(qiáng)處理方法(一)[J].數(shù)據(jù)采集與處理，1989，4(4)：39-49.吳一全，王厚樞.圖像對(duì)比度增強(qiáng)處理方法(二)[J].數(shù)據(jù)采集與處理，1990，5(1)：37-50.AgaianSS,SilverB,PanettaKA.Transformcoefficienthistogram-basedimageenhancementalgorithmsusingcontrastentropy[J].IEEETransactionsonImageProcessing,2007,16(3):741-758.PanettaKA,WhartonEJ,AgaianSS.Humanvisualsystem-basedimageenhancementandlogarithmiccontrastmeasure[J].IEEETransactionsonSystems,Man,andCybernetics,PartB:Cybernetics,2008,38(1):174-188.JinsungOh,HeesooHwang.Featureenhancementofmedicalimagesusingmorphology-basedhomomorphicfilteranddifferentialevolutionalgorithm[J].InternationalJournalofControl,Automation,andSystems,2010,8(4):857-861.HanmandluM,JhaD.Anoptimalfuzzysystemforcolorimageenhancement[J].IEEETransactionsonImageProcessing,2006,15(10):2956-2966.張素貞，葉建隆，鄒采榮.織物圖像增強(qiáng)技術(shù)的研究[J].電子器件，2011，34(4)：473-476.張長(zhǎng)江，付夢(mèng)印，金梅，張啟鴻.基于離散平穩(wěn)小波變換的紅外圖像對(duì)比度增強(qiáng)[J].激光與紅外，2003，33(3)：221-224.秦翰林，周慧鑫，劉上乾，盧泉.基于二代小波變換的紅外圖像非線性增強(qiáng)算法[J].光學(xué)學(xué)報(bào)，2009，29(2)：353-356.占必超，吳一全，紀(jì)守新.基于平穩(wěn)小波變換和Retinex的紅外圖像增強(qiáng)方法[J].光學(xué)學(xué)報(bào)，2010，30(10)：2788-2794.王剛，肖亮，賀安之.脊小波變換域模糊自適應(yīng)圖像增強(qiáng)算法[J].光學(xué)學(xué)報(bào)，2007，27(7)：1183-1190.彭勝龍，吳芳平.基于Curvelet變換的圖像自適應(yīng)增強(qiáng)[J].光學(xué)儀器，2007，29(5)：40-44.向靜波，蘇秀琴，陸掏.基于Contourlet變換和形態(tài)學(xué)的圖像增強(qiáng)方法[J].光子學(xué)報(bào)，2009，38(1)：224-227.彭洲，趙保軍.基于Contourlet變換和模糊理論的紅外圖像增強(qiáng)算法[J].激光與紅外，2011，41(6)：635-640.林立宇，張友焱，孫濤等.Contourlet變換-影像處理應(yīng)用[M].北京：科學(xué)出版社，2008.沙宇恒，劉芳，焦李成.基于非下采樣Contourlet變換的SAR圖像增強(qiáng)[J].電子與信息學(xué)報(bào)，2009，31(7)：1716-1721.梁棟，殷兵，于梅,等.基于非抽樣Contourlet變換的自適應(yīng)閾值圖像增強(qiáng)算法[J].電子學(xué)報(bào)，2008，36(3)：527-530.CelikT,TjahjadiT.Imageresolutionenhancementusingdual-treecomplexwavelettransform[J].IEEEGeoscienceandRemoteSensingLetters,2010,7(3):554-557.張長(zhǎng)江，付夢(mèng)印，金梅.基于模擬退火算法的紅外圖像自適應(yīng)對(duì)比度增強(qiáng)[J].中國(guó)圖象圖形學(xué)報(bào)，2004，9(4)：291-295.熊興華，錢(qián)曾波，陳鷹等.基于遺傳優(yōu)化的分段線性影響增強(qiáng)[J].測(cè)繪學(xué)報(bào)，2004，33(4)：341-346.ClercM,KennedyJ.Theparticleswarm:explosion,stability,andconvergenceinamultidimensionalcomplexspace[J].IEEETransonEvolutionaryComputation,2002,6(1):58-73.KennedyJ.Insearchoftheessentialparticleswarm[C].IEEECongressonEvolutionaryComputations.Vancouver,2006:1694-1701.賈東立，張家樹(shù).基于混沌變異的小生境粒子群算法[J].控制與決策，2007，22(1)：117-120.吳定海，張培林，李勝，等.基于混沌變異的自適應(yīng)雙粒子群優(yōu)化[J].控制與決策，2011，26(7)：1083-1086.TavazoeiMS,HaeriM.Anoptimizationalgorithmbasedonchaoticbehaviorandfractalnature[J].JournalofComputationalandAppliedMathematics,2007,206(2):