[發明專利]一種基于雙伽馬校正的全局自適應灰度圖像增強方法在審

申請號：	201910331737.4	申請日：	2019-04-24
公開（公告）號：	CN110084760A	公開（公告）日：	2019-08-02
發明（設計）人：	李燦林;劉金華;畢麗華;吳青娥;吳慶崗;劉巖	申請（專利權）人：	鄭州輕工業學院
主分類號：	G06T5/00	分類號：	G06T5/00
代理公司：	暫無信息	代理人：	暫無信息
地址：	450002 ***	國省代碼：	河南;41
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	伽馬校正灰度圖像粒子群優化算法輸入圖像增強圖像適應度自適應圖像全局群體最優位置整體視覺效果參數初始化迭代尋優粒子個體粒子慣性粒子位置輸入灰度細節信息終止條件最優位置紋理低照度亮區域迭代更新權重伽馬清晰群體學習
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種基于雙伽馬校正的全局自適應灰度圖像增強方法，其特征在于，采用粒子群優化算法結合圖像雙伽馬校正方法進行全局雙伽馬校正，通過對灰度圖像的灰度標準方差、熵值和邊緣內容的加權融合計算粒子的適應度值，并采用適時調整學習因子的方法迭代更新粒子速度和位置，通過不斷迭代尋優找到最終的群體最優位置作為全局最優參數值(α)來增強圖像，其步驟如下：

S1、輸入一張灰度圖像；

S2、設置粒子群優化算法參數并初始化每個粒子的位置和速度，利用評價函數的初始值初始化個體歷史最優適應度值和群體歷史最優適應度值，利用粒子初始位置初始化粒子個體最優位置和群體最優位置；

S3、利用每個粒子的位置作為校正參數對灰度圖像進行雙伽馬校正，得到各個粒子的初步增強圖像；

S4、根據初步增強圖像信息，計算每個粒子的適應度值fitness；

S5、利用每個粒子的適應度值fitness更新個體歷史最優適應度值，并將個體歷史最優適應度值對應的粒子位置存儲在個體最優位置中；

S6、利用所有粒子的適應度值的最大值更新群體歷史最優適應度值，并將群體歷史最優適應度值對應的粒子位置存儲在群體最優位置中；

S7、判斷是否滿足迭代尋優終止條件，若達到終止條件，則停止計算執行步驟S9，否則，繼續執行步驟S8；

S8、更新每個粒子的慣性權重和學習因子，將粒子朝著慣性方向、個體最優及群體最優的方向演化，更新粒子的位置和速度，跳轉至步驟S3；

S9、輸出粒子群的群體最優位置，結束迭代過程；

S10、使用S9得出的群體最優位置作為最優校正參數對輸入灰度圖像進行雙伽馬校正，得到并輸出最終增強后的圖像。

2.根據權利要求1所述的基于雙伽馬校正的全局自適應灰度圖像增強方法，其特征在于，所述步驟S1中的輸入灰度圖像為低照度條件下的非均勻照明圖像。

3.根據權利要求1所述的基于雙伽馬校正的全局自適應灰度圖像增強方法，其特征在于，所述步驟S2的評價函數為每個粒子的適應度值，即：fitness＝α₁×H+α₂×S+α₃×Std，其中，H為圖像熵值，S為圖像邊緣內容，Std為圖像灰度標準方差，α₁、α₂和α₃為常數。

4.根據權利要求1所述的基于雙伽馬校正的全局自適應灰度圖像增強方法，其特征在于，所述的雙伽馬校正實現方法為：G_a(x)＝x^1/γ、G_b(x)＝1-(1-x)^1/γ、G(x)＝αG_a(x)+(1-α)G_b(x)，其中，x是歸一化之后輸入圖像的灰度值，γ是可調節變量，用以調整圖像增強程度，一般取γ＝2.5，G_a(x)是一個凸函數，用于增強暗區域，G_b(x)是一個凹函數，用于抑制圖像的亮區域，α是校正參數，取值范圍為[0，1]，最終校正函數G(x)是由G_a(x)和G_b(x)共同取值得到的，G(x)為灰度圖像中像素值為x的灰度值經過雙伽馬校正后得到的增強圖像的灰度值。