白 冰，馬 瑜，楊曉麗，孟亞州，魏晶茹

(1.寧夏大學(xué) 研究生院，寧夏 銀川 750021； 2.寧夏沙漠信息智能感知重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川 750021)

基于二維粒子群優(yōu)化的圖像模糊增強(qiáng)算法研究

白 冰1，馬 瑜1，楊曉麗2，孟亞州1，魏晶茹1

(1.寧夏大學(xué) 研究生院，寧夏 銀川 750021； 2.寧夏沙漠信息智能感知重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川 750021)

針對(duì)傳統(tǒng)基于灰度變換方法進(jìn)行圖像增強(qiáng)后圖像質(zhì)量不高等現(xiàn)象，對(duì)粒子群優(yōu)化算法、模糊增強(qiáng)算法進(jìn)行研究，同時(shí)結(jié)合禁忌搜素和粒子空間對(duì)稱分布原理，提出一種基于二維粒子群優(yōu)化的圖像模糊增強(qiáng)算法。該算法通過(guò)對(duì)搜索粒子進(jìn)行空間對(duì)稱分布調(diào)整以避免算法陷入局部最優(yōu)、提高全局搜索能力，并且在算法迭代后期加入禁忌搜索算法記錄粒子搜索位置，以減少粒子位置重復(fù)尋優(yōu)、提高算法搜索效率。最后將改進(jìn)后的粒子群優(yōu)化算法中粒子搜索位置和速度更新方向設(shè)定為二維并與模糊增強(qiáng)算法相結(jié)合，自適應(yīng)搜索出模糊參數(shù)Fp和Fe最優(yōu)值，實(shí)現(xiàn)模糊增強(qiáng)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后算法對(duì)圖像增強(qiáng)效果較好，并且將算法用于過(guò)暗SAR圖像、醫(yī)學(xué)MR圖像的增強(qiáng)，可有效提高圖像質(zhì)量。

二維粒子群優(yōu)化；粒子空間對(duì)稱分布；禁忌搜索；模糊增強(qiáng)；自適應(yīng)尋優(yōu)

圖像增強(qiáng)作為圖像初級(jí)處理階段中的一項(xiàng)重要的技術(shù)，可通過(guò)提高圖像清晰度、擴(kuò)大圖像中不同物體特征之間的差別以提高圖像的分辨率、對(duì)比度并為后續(xù)的圖像分割、邊緣提取以及模式識(shí)別等深層次處理提供了技術(shù)基礎(chǔ)[1-2]。一般的灰度圖像增強(qiáng)技術(shù)根據(jù)圖像所在的空間不同，分為基于空域增強(qiáng)和基于頻域增強(qiáng)兩類[3]。

基于空域增強(qiáng)的圖像增強(qiáng)方法通常分為5種：灰度變換增強(qiáng)、直方圖增強(qiáng)、圖像平滑、圖像銳化和基于數(shù)學(xué)理論的增強(qiáng)。其中，圖像的灰度變換增強(qiáng)是最先引用且廣泛使用的增強(qiáng)方法。主要通過(guò)改變?cè)紙D像數(shù)據(jù)所占的灰度范圍而使圖像在視覺(jué)效果上得到改觀。隨著研究的不斷進(jìn)展，在傳統(tǒng)灰度變換增強(qiáng)算法中常引入數(shù)學(xué)原理，提出多種基于數(shù)學(xué)理論的灰度圖像增強(qiáng)方法，根據(jù)算法模型、方程參數(shù)值的不同對(duì)圖像進(jìn)行增強(qiáng)操作。其中，邸慧等人利用分段線性灰度增強(qiáng)技術(shù)，使目標(biāo)區(qū)域得到增強(qiáng)[4]，但是該方法需人為參與調(diào)節(jié)方程中3個(gè)參數(shù)值以調(diào)整曲線的位置和形狀來(lái)達(dá)到增強(qiáng)目的，誤差較大。龔昌來(lái)等人提出一種改進(jìn)正弦灰度變換的圖像增強(qiáng)算法，根據(jù)圖像的灰度分布進(jìn)行自適應(yīng)選擇[5]，但是圖像灰度值較大區(qū)域增強(qiáng)效果不夠明顯。李均利等人基于模糊數(shù)學(xué)方法提出一種結(jié)合小波變換原理的圖像增強(qiáng)方法，對(duì)圖像有一定的增強(qiáng)效果[6]，但是算法復(fù)雜度較高。陳延梅等人采用一種模糊邏輯將二值形態(tài)學(xué)分級(jí)算子推廣到灰度圖像[7]，但是該方法理論原理復(fù)雜、算法效率較低。

因此，針對(duì)以往基于數(shù)學(xué)理論的灰度圖像增強(qiáng)方法中所普遍出現(xiàn)的增強(qiáng)效果不理想、需要人為干預(yù)和算法精度低等問(wèn)題，本文根據(jù)圖像采集后本身存在被模糊化的特性，基于粒子群優(yōu)化算法結(jié)合禁忌搜索算法和粒子空間分布原理，提出一種基于二維粒子群優(yōu)化的圖像模糊增強(qiáng)算法，自適應(yīng)的搜索出模糊清晰度函數(shù)中兩個(gè)參數(shù)值，使圖像在模糊域與空域相互變換的過(guò)程中有最大模糊清晰度。

1 改進(jìn)粒子群優(yōu)化算法

1.1 傳統(tǒng)粒子群優(yōu)化算法

粒子群優(yōu)化算法是由美國(guó)的學(xué)者Eberhart和Kennedy在1995年提出的仿生類算法[8]，源于對(duì)鳥(niǎo)群和魚(yú)群群體運(yùn)動(dòng)行為的研究。隨著研究的不斷進(jìn)展，粒子群優(yōu)化算法已在組合優(yōu)化和函數(shù)優(yōu)化中有了廣泛的應(yīng)用，為了一種優(yōu)化效率較高的優(yōu)化工具[9-10]。在尋優(yōu)過(guò)程中，粒子的速度和位置隨著搜索的進(jìn)程在不斷更新，使得算法具有很好的導(dǎo)向性，但是這種導(dǎo)向性同時(shí)會(huì)導(dǎo)致算法陷入局部最優(yōu)解，收斂過(guò)早。

如圖1所示，在一定搜索范圍內(nèi)由于所有粒子都分布在局部最優(yōu)解以及全局最優(yōu)解一側(cè)，而且最早接觸局部最優(yōu)解，因此會(huì)有算法過(guò)早收斂且粒子陷入局部最優(yōu)解的情況出現(xiàn)。

圖1 搜索陷入局部最優(yōu)解

1.2 二維粒子群優(yōu)化算法的改進(jìn)

根據(jù)傳統(tǒng)粒子群優(yōu)化算法在尋優(yōu)過(guò)程中所出現(xiàn)的容易陷入局部最優(yōu)解的問(wèn)題，利用空間對(duì)稱分布原理，自動(dòng)調(diào)整若干粒子的位置分布，使粒子的位置盡量在局部最優(yōu)解的周?chē)皇且粋?cè)，并且保證在當(dāng)前全局最優(yōu)解兩側(cè)的粒子個(gè)數(shù)均衡，以減少粒子陷入局部最優(yōu)解的情況發(fā)生。

同時(shí)，考慮到若將粒子對(duì)稱分布調(diào)整后的粒子群優(yōu)化算法與模糊算法進(jìn)行融合，會(huì)增加混合算法的收斂時(shí)間影響粒子群算法的尋優(yōu)速度，因此加入具有較強(qiáng)“爬山”能力的禁忌搜索算法[11-12]，并借助禁忌表的存檔優(yōu)勢(shì)自動(dòng)判斷某一位置是否已經(jīng)被搜索過(guò)，可以避免重復(fù)搜索、提高算法效率。

與模糊算法的結(jié)合，需要尋找兩個(gè)未知參數(shù)，因此將粒子搜索位置和速度更新方向設(shè)定為二維。

改進(jìn)二維粒子群優(yōu)化算法尋優(yōu)過(guò)程概述如下：

1) 隨機(jī)初始化每個(gè)粒子，并且禁忌表初始化。

設(shè)置空白禁忌表table1,table2,table3,table4。設(shè)種群共有N個(gè)粒子，搜索空間為D維空間，若搜索兩個(gè)未知量數(shù)值，則第i個(gè)粒子的位置向量可表示為

(1)

其飛行速度向量可表示為

(2)

每個(gè)粒子所各自維護(hù)的自身歷史最優(yōu)位置向量可表示為

(3)

群體所維護(hù)的全局最優(yōu)位置向量可表示為

(4)

2) 判斷此處結(jié)束條件是否滿足。若滿足則轉(zhuǎn)至步驟8)，若不滿足則繼續(xù)步驟3)。

3) 更新每個(gè)粒子的速度和位置。每迭代一次，速度和位置更新一次。

飛行速度向量更新方程為

(5)

位置向量更新方程為

(6)

式中：gap代表迭代次數(shù)；w為慣性權(quán)重系數(shù)；c1，c2為學(xué)習(xí)系數(shù)；rand1、rand2為介于[0，1]間的隨機(jī)數(shù)且相互獨(dú)立。

(7)

(8)

(9)

式中：T是當(dāng)前迭代次數(shù)；Tmax是最大迭代次數(shù)；wmax和wmin為w的最大值和最小值；cmax和cmin為c1和c2的最大值和最小值。

4) 計(jì)算每個(gè)粒子的適應(yīng)度值，確定候選位置(解)。

設(shè)置：目標(biāo)函數(shù)為

(10)

約束條件為

(11)

評(píng)價(jià)函數(shù)為

(12)

(13)

(14)

式中：gbestk為在j=k維處群體所維護(hù)的全局最優(yōu)位置，rand為介于[0，1]間的隨機(jī)數(shù)。

6)判斷粒子是否重復(fù)搜索某一位置。

7)粒子選擇該處已搜索位置附近所未搜索位置進(jìn)行搜索，轉(zhuǎn)至步驟2)。

8)輸出群體所搜索到的全局最優(yōu)解，程序結(jié)束。

2 改進(jìn)二維粒子群優(yōu)化的模糊增強(qiáng)算法

2.1 傳統(tǒng)模糊增強(qiáng)算法

圖像在采集過(guò)程中由三維景象向二維進(jìn)行映射時(shí)，不可避免地存在圖像信息丟失，所以圖像具有模糊性。針對(duì)這一特點(diǎn)，Pal.S.K等人提出了一種模糊增強(qiáng)算法[13]，將模糊數(shù)學(xué)理論引入到圖像增強(qiáng)中。

圖像的模糊增強(qiáng)算法是在圖像所建立的模糊特征平面上對(duì)圖像的像素進(jìn)行處理。算法中所含有的兩個(gè)模糊參數(shù)Fp和Fe的取值直接影響模糊特征平面P的模糊性的大小，因此合理選擇參數(shù)Fp和Fe是保證增強(qiáng)效果的重要環(huán)節(jié)。目前Fp和Fe的選取多憑程序使用者經(jīng)驗(yàn)或觀察圖像灰度分布等方法確定，一般需要經(jīng)過(guò)多次的嘗試。對(duì)于比較復(fù)雜的圖像，理想的Fp和Fe很難找到。

算法操作流程主要分為3步執(zhí)行：對(duì)原始圖像利用模糊特征函數(shù)式(15)進(jìn)行模糊特征提取、利用模糊增強(qiáng)算子式(16)進(jìn)行增強(qiáng)變換、利用式(15)的逆變換進(jìn)行特征還原。

(15)

(16)

目前模糊算法在圖像的增強(qiáng)應(yīng)用中，較為經(jīng)典的有葉志偉等人所提出一種基于PSO的圖像自適應(yīng)模糊增強(qiáng)算法[14]。但是在算法中令參數(shù)Fe=1僅自動(dòng)尋優(yōu)參數(shù)Fp的值，并且未考慮粒子群優(yōu)算法自身所存在的易陷入局部最優(yōu)的問(wèn)題，使得混合算法精度依然有待于提高。

2.2 二維粒子群優(yōu)化與模糊增強(qiáng)算法結(jié)合

本文將模糊算法與改進(jìn)的粒子群優(yōu)化算法相結(jié)合，自動(dòng)尋找模糊參數(shù)Fp，F(xiàn)e的最優(yōu)值以確定增強(qiáng)后的圖像有最大的模糊清晰度函數(shù)H(P)。與傳統(tǒng)基于數(shù)學(xué)理論的灰度變換圖像增強(qiáng)方法相比，充分考慮到了圖像的復(fù)雜性以及圖像處理過(guò)程中的模糊性；與傳統(tǒng)基于粒子群優(yōu)化的模糊增強(qiáng)方法相比，還可以自適應(yīng)的搜索兩個(gè)模糊參數(shù)值，有效的改善了原始圖像的視覺(jué)效果。

本文所提出算法對(duì)圖像增強(qiáng)過(guò)程概述如下：

1)隨機(jī)初始化每個(gè)粒子，初始化禁忌表table1，table2，table3以及table4。

2)判斷此處結(jié)束條件是否滿足。若滿足則轉(zhuǎn)至步驟11)，若不滿足則繼續(xù)步驟3)。

3)更新每個(gè)粒子的速度和位置。

考慮到尋找模糊參數(shù)Fp和Fe的最優(yōu)值，采用上文改進(jìn)二維粒子群算法對(duì)第i個(gè)粒子速度更新和位置更新方程。

4)確定模糊參數(shù)，利用模糊特征函數(shù)式(15)進(jìn)行圖像模糊特征的提取，生成模糊特征平面。

5)計(jì)算每個(gè)粒子的適應(yīng)度值，確定候選位置(解)，進(jìn)行禁忌表的更新。

為了定量測(cè)定圖像增強(qiáng)后的質(zhì)量，在算法中采用模糊清晰度函數(shù)H(P)評(píng)價(jià)圖像增強(qiáng)的質(zhì)量[15]。將H(P)作為適應(yīng)度函數(shù)，尋找最大值以確定模糊參數(shù)Fp、Fe的最優(yōu)值。

H(P)= lg[(Sd(i)+0.1·Ffd(i)/

Fcs(i))·Gl(i)·E(i)]

(17)

式中：Sd(i)為模糊增強(qiáng)后圖像的標(biāo)準(zhǔn)差(Standard deviation)；Ffd(i)為圖像的模糊特征平面的模糊清晰度值(Fuzzy feature definition)；Fcs(i)為圖像模糊特征平面的模糊緊支度值(Fuzzy compactly supported feature plane)；Gl(i)為模糊增強(qiáng)后圖像的灰度級(jí)數(shù)(Gray levels)；E(i)為模糊增強(qiáng)后圖像的信息熵(Entropy)。

此時(shí)，目標(biāo)函數(shù)設(shè)定為

(18)

之后，將當(dāng)前粒子位置、粒子歷史最優(yōu)位置向量分別放入禁忌表table1和禁忌表table3中；將當(dāng)前粒子位置、群體所維護(hù)的全局最優(yōu)位置向量分別放入禁忌表table2和禁忌表table4中。

6)基于粒子空間分布對(duì)稱原理，根據(jù)式(8)對(duì)粒子進(jìn)行位置調(diào)整。

7)判斷粒子是否重復(fù)搜索某一位置。

通過(guò)禁忌表table1和table3中所存位置向量的對(duì)比判斷，以確定下一次的搜索位置是否重復(fù)。若位置未被重復(fù)搜索，則繼續(xù)8)；若位置被重復(fù)搜索，則轉(zhuǎn)至2)執(zhí)行操作。

8)通過(guò)判斷，粒子此時(shí)需選擇已搜素位置附近未搜素位置進(jìn)行搜索，即算法直接轉(zhuǎn)至3)。

9)圖像模糊增強(qiáng)變換。在所得模糊特征平面上，利用模糊增強(qiáng)算子式(16)進(jìn)行增強(qiáng)變換，獲得新的模糊特征平面。

10)在新的模糊特征平面上利用式(15)的逆變換進(jìn)行特征還原。

11)輸出增強(qiáng)后圖像，程序結(jié)束。

算法流程圖如圖2所示。

圖2 基于二維粒子群優(yōu)化的圖像模糊增強(qiáng)算法流程圖

3 實(shí)驗(yàn)結(jié)果和分析

為了驗(yàn)證本文所提出的基于二維粒子群優(yōu)化的圖像模糊增強(qiáng)算法的可行性及針對(duì)圖像進(jìn)行增強(qiáng)后與經(jīng)典的傳統(tǒng)灰度變換(CTGT)增強(qiáng)方法、傳統(tǒng)基于粒子群優(yōu)化的模糊(TFPSO)增強(qiáng)方法相比會(huì)有更好的增強(qiáng)效果，本文選用過(guò)暗常用lena圖像、過(guò)暗SAR圖像和過(guò)暗醫(yī)學(xué)MR圖像分別進(jìn)行了處理。軟件使用MATLAB R2009b版本，硬件環(huán)境為主頻1.8 GHz、內(nèi)存4 Gbyte的Windows8系統(tǒng)便攜式筆記本電腦。算法中最大迭代次數(shù)為100次，粒子個(gè)數(shù)為100個(gè)，所用圖像大小為 256×256。

3.1 圖像增強(qiáng)結(jié)果對(duì)比

實(shí)驗(yàn)1：選取帶有背景物的過(guò)暗常用Lena圖像，如圖3a所示。圖3b為使用CTGT增強(qiáng)方法中的分段線性增強(qiáng)算法后所得結(jié)果，但是由于圖像灰度變化具有一定的隨機(jī)性，需要人工經(jīng)驗(yàn)調(diào)整算法3個(gè)參數(shù)值，最后往往得不到滿意的增強(qiáng)效果，圖像的增強(qiáng)效果不理想。圖3c、圖3d分別為T(mén)FPSO增強(qiáng)方法和利用本文方法對(duì)圖像增強(qiáng)后結(jié)果?？梢钥吹脚c原始圖像相比，兩種方法增強(qiáng)后圖像質(zhì)量都有了較大的提高，而且利用本文增強(qiáng)方法增強(qiáng)后的圖像效果比使用TFPSO增強(qiáng)方法后的圖像效果在視覺(jué)上又有了進(jìn)一步提高。

圖3 對(duì)Lena圖像進(jìn)行增強(qiáng)后結(jié)果對(duì)比

實(shí)驗(yàn)2：選取復(fù)雜背景下的SAR圖像，如圖4a所示。經(jīng)過(guò)CTGT方法增強(qiáng)后，由圖4b可以看到，SAR圖像中的一些非河流區(qū)域(建筑、橋梁)得到了一定的增強(qiáng)，但是還有一些原本亮度值相對(duì)較大的到了過(guò)度增強(qiáng)而且河流區(qū)域依舊沒(méi)有得到增強(qiáng)。經(jīng)過(guò)TFPSO方法增強(qiáng)后，由圖4c可以看到，圖像的整體細(xì)節(jié)都得到了一定的增強(qiáng)，包括河流區(qū)域。圖4d為使用本文增強(qiáng)算法后所得圖像，可以看到在圖4c的基礎(chǔ)上，增強(qiáng)效果又有了更進(jìn)一步的提升，整體清晰度增加，可以清楚地看到圖像中房屋分布、房屋界限以及橋梁區(qū)域等細(xì)節(jié)，這作為圖像的預(yù)處理過(guò)程為之后橋梁、房屋區(qū)域的識(shí)別或分割等后續(xù)操作奠定基礎(chǔ)。

圖4 對(duì)SAR圖像進(jìn)行增強(qiáng)后結(jié)果對(duì)比

實(shí)驗(yàn)3：將本文算法用于過(guò)暗醫(yī)學(xué)腦部MR圖像增強(qiáng)。圖5a為1幅過(guò)暗腦部圖像，只能模糊的看到頭骨、腦和腦室。經(jīng)過(guò)CTGT方法增強(qiáng)處理后得到圖5b圖像，雖然頭骨輪廓得到了增強(qiáng)，但是腦輪廓變得不再清晰。圖5c為采用TFPSO方法對(duì)圖像進(jìn)行了增強(qiáng)，可以看到圖像整體清晰度和對(duì)比度與原圖相比有了很大的提高，不僅可以看到頭骨、腦和腦室，還可以看到部分大腦灰質(zhì)。在使用了本文算法對(duì)圖像增強(qiáng)后，由圖5d看可以看出圖像頭骨、腦和腦室變得更加清晰，可以清楚地觀察到大腦灰質(zhì)、腦鐮結(jié)構(gòu)和腦回走向，增強(qiáng)效果最好。

圖5 對(duì)腦部MR圖像進(jìn)行增強(qiáng)后結(jié)果對(duì)比

3.2 數(shù)據(jù)對(duì)比

為了進(jìn)一步體現(xiàn)本文方法對(duì)圖像處理后的效果，將本文方法與其他兩種方法對(duì)Lena圖像、SAR圖像和腦部MR圖像分別增強(qiáng)后圖像熵值結(jié)果進(jìn)行了對(duì)比，結(jié)果見(jiàn)表1所示。

表1 圖像增強(qiáng)后熵值對(duì)比

增強(qiáng)方法圖像熵值LenaSAR腦部MR原圖像(未處理)721602401CTGT增強(qiáng)729686519TFPSO增強(qiáng)749710547本文方法786762631

由表1可看出，使用本文方法對(duì)Lena圖像、SAR圖像和腦部MR圖像進(jìn)行增強(qiáng)后所得圖像熵值均為最大，而且較原圖像熵值相比分別增大9.20%、26.58%和57.36%。而使用CTGT增強(qiáng)方法和TFPSO增強(qiáng)方法后所得圖像與原圖像相比，圖像熵值僅分別增大1.11%和3.88%、13.95%和17.94%、29.43%和36.41%。

在利用模糊算法對(duì)圖像增強(qiáng)或與其他算法結(jié)合后對(duì)圖像進(jìn)行增強(qiáng)的過(guò)程中，模糊參數(shù)Fp、Fe的取值最優(yōu)與否，對(duì)圖像的增強(qiáng)后是否是最優(yōu)效果起著極其重要的作用。因此，將本文方法與其他兩種方法對(duì)lena圖像、SAR圖像和腦部MR圖像進(jìn)行增強(qiáng)后所求模糊參數(shù)Fp、Fe的最優(yōu)值結(jié)果進(jìn)行了對(duì)比，結(jié)果見(jiàn)表2所示。

表2 圖像增強(qiáng)后模糊參數(shù)的最優(yōu)值對(duì)比

增強(qiáng)方法LenaSAR腦部MRFeFpFeFpFeFpCTGT增強(qiáng)無(wú)無(wú)無(wú)無(wú)無(wú)無(wú)TFPSO增強(qiáng)123112771262本文方法184342382115473

由表2可看出，除CTGT增強(qiáng)方法不需要對(duì)模糊參數(shù)Fp、Fe求值以外，TFPSO增強(qiáng)方法和本文方法都獲得了模糊參數(shù)Fp、Fe值。但是，TFPSO增強(qiáng)方法雖然可自適應(yīng)的獲得模糊參數(shù)Fp的值，卻未考慮粒子群算法容易陷入局部最優(yōu)的特點(diǎn)使得數(shù)值結(jié)果不夠精確導(dǎo)致圖像增強(qiáng)后質(zhì)量不高，而且設(shè)置模糊參數(shù)Fe的值始終默認(rèn)為1使得算法具有一定的使用局限性。本文方法通過(guò)提高粒子群優(yōu)化算法的全局尋優(yōu)能力以確保算法精度并防止重復(fù)尋優(yōu)改善算法混合后的運(yùn)算速度，而且采用二維粒子群優(yōu)化搜索，同時(shí)得到了模糊參數(shù)Fp，F(xiàn)e兩個(gè)數(shù)值的最優(yōu)值，因此數(shù)值結(jié)果較為精確、圖像增強(qiáng)效果較好。

為了進(jìn)一步證明本文方法的有效性，在算法檢驗(yàn)后期，另外甄選出具有代表性的過(guò)暗SAR圖像5幅，過(guò)暗醫(yī)學(xué)MR頭骨、胸骨、手骨、腿骨和腳骨這5種人體不同部位的過(guò)暗MR圖像(各1幅)進(jìn)行了增強(qiáng)操作。實(shí)驗(yàn)表明，通過(guò)本文方法處理后的過(guò)暗SAR圖像、醫(yī)學(xué)MR圖像與原圖像相比熵值分別平均增大24%以上、52%以上。

4 小結(jié)

本文針對(duì)圖像在采集過(guò)程中所存在的模糊特性，在傳統(tǒng)灰度變換增強(qiáng)算法的基礎(chǔ)上，將模糊增強(qiáng)算法與粒子群優(yōu)化算法相結(jié)合，提出一種基于二維粒子群優(yōu)化的圖像模糊增強(qiáng)算法。該算法可以在尋找模糊參數(shù)Fp、Fe的最優(yōu)值過(guò)程中利用粒子空間對(duì)稱分布原理，不斷調(diào)整粒子位置，使粒子的位置盡量在模糊參數(shù)Fp、Fe的局部最優(yōu)解周?chē)恢辉谄湟粋?cè)，以減少粒子陷入局部最優(yōu)情況出現(xiàn)，提高算法全局尋優(yōu)能力；在搜索后期使用存儲(chǔ)的禁忌表判斷每次迭代時(shí)每個(gè)粒子是否有位置重復(fù)搜索，以避免粒子重復(fù)搜索，提高融合算法搜索效率。

通過(guò)實(shí)驗(yàn)驗(yàn)證，本文方法較好地解決了以往利用模糊算法對(duì)圖像進(jìn)行增強(qiáng)或與其他算法結(jié)合后對(duì)圖像增強(qiáng)過(guò)程中所普遍出現(xiàn)的圖像增強(qiáng)效果不理想、需要人為干預(yù)和算法精度低等問(wèn)題。并且，本文方法可以對(duì)過(guò)暗SAR圖像、醫(yī)學(xué)MR圖像進(jìn)行增強(qiáng)操作，并且增強(qiáng)后圖像效果較好。

[1] 仇國(guó)慶，龍毅，劉芙蓉.基于小波融合的人臉圖像增強(qiáng)方法[J].電視技術(shù)，2014，38(11)：187-189.

[2] 趙杰，裴建英，門(mén)國(guó)尊.一種改進(jìn)的圖像去噪與增強(qiáng)模型[J]. 電視技術(shù)，2013，37(23)： 187-189.

[3] 朱秀昌，劉峰，胡棟. 數(shù)字圖像處理與圖像通信[M].北京： 北京郵電大學(xué)出版社，2002.

[4] 邸慧，于起峰，張小虎. 一種基于灰度變換的紅外圖像增強(qiáng)算法[J].應(yīng)用光學(xué)，2006，27(1)：12-14.

[5] 龔昌來(lái)，羅聰，楊冬濤.一種改進(jìn)的正弦灰度變換圖像增強(qiáng)算法[J]. 電視技術(shù)， 2012， 36(13)： 60-63.

[6] 李均利，魏平，陳剛. 一種新穎的醫(yī)學(xué)圖像銳化增強(qiáng)算法[J]. 計(jì)算機(jī)工程與應(yīng)用，2008，44(10)： 160-163.

[7] 陳延梅，吳勃英. 基于數(shù)學(xué)形態(tài)學(xué)的圖像增強(qiáng)方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2006，38(6)：906-908.

[8] RUSSELL E，JAMES K. A new optimizer using particle swarm theory[C]//Proc.6th International Symposium on Micro-machine and Human Science.Nagoya，Japan： IEEE Press，1995：39-43.

[9] KAIDIRKAMANATHAN V， SELVARAJAH K， FLEMING P J. Stability analysis of the particle dynamics in particle swarm optimizer[J]. IEEE Trans. Evolutionary Computation，2006，10(3)：245-255.

[10] 黃洋文，王紅亮.基于量子粒子群優(yōu)化算法的圖像分割方法[J]. 電視技術(shù)，2010，34(4)：16-18.

[11] 董宗然，周慧.禁忌搜索算法評(píng)述[J].軟件工程師，2010(z1)：96-98.

[12] 仲曉敏，趙雪峰. 基于改進(jìn)禁忌搜索算法的測(cè)試用例自動(dòng)生成[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2011，32(6)： 2058-2061.

[13] PAL S K，KING R A. Image enhancement using fuzzy sets[J]. Electronics Letters，1980， 16(9)：376-378.

[14] 葉志偉，常勝，高山.基于PSO的圖像自適應(yīng)模糊增強(qiáng)算法[J]. 湖北民族學(xué)院學(xué)報(bào)：自然科學(xué)版，2007，25(4)：415-419.

[15] 熊興華. 數(shù)字圖像質(zhì)量評(píng)價(jià)方法評(píng)述[J]. 測(cè)繪科學(xué)，2004，29(1)：68-71.

白 冰(1990— )，碩士生，主要從事圖像處理與模式識(shí)別方向的研究；

馬 瑜(1974— )，博士，副教授，碩士生導(dǎo)師，主要從事計(jì)算機(jī)視覺(jué)與模式識(shí)別方向的研究；

楊曉麗(1991— )，女，碩士生，主要從事信號(hào)處理與模式識(shí)別方向的研究；

孟亞州(1991— )，碩士生，主要從事圖像處理與模式識(shí)別方向的研究；

魏晶茹(1991— )，女，碩士生，主要從事圖像處理與模式識(shí)別方向的研究。

責(zé)任編輯：時(shí) 雯

Research on Image Enhancement Algorithm Based on Fuzzy EnhancementOptimized by 2D Particle Swarm Optimization

BAI Bing1，MA Yu1，YANG Xiaoli2，MENG Yazhou1，WEI Jingru1

(1.GraduateSchoolofNingxiaUniversity，Yinchuan750021，China；2.NingxiaKeyLaboratoryofIntelligentSensingforDesertInformation，Yinchuan750021，China)

Aiming at the phenomenon of classic image enhancement method based on grayscale transformation method which is vulnerable to image quality， researching for the particle swarm optimization and fuzzy enhancement algorithm that an image enhancement algorithm based on fuzzy enhancement optimized by 2D particle swarm optimization is proposed which combined with tabu search and particle spatial distribution principle. In this algorithm， adjusting the particle distribution for spatial distribution of symmetry to avoid the algorithm falling into local optimal and improve the global search ability， and adding tabu search algorithm in traditional particle swarm optimization in order to reduce the duplication optimization of particles and improve the searching efficiency of the algorithm by recording the position of the particle search in the later of iteration.Finally， the particles’ search position and velocity update direction of the improved particle swarm optimization algorithm are setted to the 2D and combined with fuzzy enhancement algorithm that can adaptive search the optimal value of fuzzy parametersFpandFeto achieve fuzzy enhancement. The experiments show that the improved algorithm is better for image enhancement and can effectively improve the image quality when used for SAR image and medical MR image enhancement that are too dar.

2D particle swarm optimization； symmetry spatial distribution of particle； tabu search； fuzzy enhancement； adaptive optimization

寧夏回族自治區(qū)科技攻關(guān)計(jì)劃項(xiàng)目(2012ZYG011)

TP391.41

A

10.16280/j.videoe.2015.19.005

2015-06-25

【本文獻(xiàn)信息】白冰，馬瑜，楊曉麗，等.基于二維粒子群優(yōu)化的圖像模糊增強(qiáng)算法研究[J].電視技術(shù),2015，39(19).