PSO约束优化耦合直方图均衡化的图像增强算法

开篇：润墨网以专业的文秘视角，为您筛选了一篇PSO约束优化耦合直方图均衡化的图像增强算法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要： 针对当前图像增强算法中灰度归一化重新分配时产生均值漂移，难以有效保留图像细节信息和亮度保护等问题，提出了一种基于pso约束优化与直方图均衡化的图像增强算法。引入最大类间方差法（Otsu），将输入图像分割为目标子图像和背景子图像两部分，并对二者分别均衡化，以提高目标与背景子图像的对比度；并根据阈值加权约束分别计算目标和背景子图像的约束；并引入粒子群优化（PSO）算法，对目标和背景子图像的约束主要参数进行优化，确定最优约束值；联合目标子图像与背景子图像的最优约束值完成图像增强。实验结果表明，与当前增强方法相比，所提出的算法具有更好的亮度保护和对比度增强效果，较好地保留了输入图像的细节信息。

关键词： 直方图均衡化； 最大类间方差法； 对比度增强； 粒子群优化

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）15?0032?06

Abstract： Since the mean shift may generate in the current image enhancement algorithm when the grayscale normalization is redistributed， and it is difficult to effectively preserve the image detailed information and protect the brightness， a new image enhancement algorithm based on PSO constraint optimization and histogram equalization is proposed. The Otsu method is introduced to segment the input image into the object subimage and background subimage， and the two subimages are respectively balanced to improve the contrast of object subimage and background subimage. And then the constraints of the object subimage and background subimage are computed according to the threshold weighted constraint. In this paper， the particle swarm optimization （PSO） algorithm is introduced to optimize the main constraint parameters of object subimage and background subimage， and then determine the optimal constraints. The image was enhanced in combination with the optimal constraint value of the object subimage and background subimage. The experiment results show that， in comparison with the available image enhancement method， the proposed algorithm has better brightness protection and contrast enhancement effect， and can greatly preserve the detailed information of input image.

Keywords： histogram equalization； Otsu method； contrast enhancement； particle swarm optimization

0 引 言

在图像和影像处理过程中，利用对比度增强技术能够获得更好的视觉感官。在一般情况下，直方图均衡化的对比度增强是通过输入图像强度再分配来实现的，且直方图改变是大多数对比度增强技术的基本方法[1]。因此，将直方图均衡化（HE）运用于输入图像的线性累积直方图，在输入图像的动态强度范围内分布其像素值。目前在医学图像处理、语音识别、纹理合成、卫星图像处理等方面有广泛的应用[2]。

对此，众多学者对图像增强技术进行研究，如P. Shanmugavadivu等在HE基础上提出了基于亮度保持的直方图均衡化方法（BBHE）[3]，其依据输入图像的均值将直方图分为两部分：其中一部分从最小灰度值到平均灰度值；另一部分从平均灰度值到最大灰度值，然后使得两直方图均衡独立。实验结果显示该技术能保持原始图像的亮度。Kim等提出了子区域的直方图均衡化（SRHE）[4]，该方法利用高斯滤波分割输入图像，平滑亮度值，并输出锐化图像。Wang Q等提出了一种加权阈值直方图均衡化（WTHE）[5]。这种技术提供了一种自适应的机制控制增强过程，该方法能够适应不同的图像，易于控制。

然而，当前图像增强算法中灰度归一化重新分配时产生均值漂移，难以有效保留图像细节信息和亮度保护。对此，本文在直方图均衡化基础上提出了一种PSO约束优化直方图均衡化（POHE）方法。利用最大类间方差法（Otsu）将输入图像直方图分为目标和背景子图像两部分，并分别进行均衡化，同时对图像直方图进行阈值加权约束，并利用粒子群优化算法（PSO）对加权约束优化，并测试了本文算法的增强性能。

1 直方图均衡化技术

在图像处理中，直方图是图像最基本的统计特性，是描述图像中灰度级与出现相应灰度的概率关系。HE是利用图像直方图对对比度进行调整，通过对图像非线性拉伸，重新分配像素值，使一定灰度范围内的像素数量大致相同，用于增强局部对比度而不影响整体的对比度[6]。

2 本文算法设计

本文提出的PSO约束优化直方图均衡化方法（POHE）主要包含三个步骤：首先利用Otsu对图像直方图分割，将目标和背景子图像分离，提高目标子图像与背景子图像的对比度；其次基于阈值的加权约束，分别对目标和背景子图像进行均衡化；最后利用PSO对约束参数进行优化。

2.1 基于Otsu阈值的图像直方图分割

在图像分割算法中，阈值法因为简单快速而被应用广泛[9]，本文中运用Otsu阈值将图像分为两个部分：低灰度级的目标和高灰度级的背景。将目标子图像从背景子图像中分离，对目标和背景子图像分别均衡化，提高目标与背景的对比度。

在分配输出的动态范围时，在两个子图像的上限过程被用来避免出现占主导地位的高概率。控制参数[b]和[d]的值在0.1～1.0之间，当超过这个范围时，图像得到增强。参数[a]和[c]为控制增强等级的能量因子。当[a]和[c]小于1.0时，相应的子图像不可能重新分配更多的可能等级。因此，输入图像重要的视觉细节被保留。当这些能量因子的值接近1.0时，POHE效果趋近于传统的直方图均衡化。当这些能量因子的值超过1.0时，更多的权重转移到高概率水平，并且POHE将会比传统的直方图均衡化产生更强的效果。但是，这也将会产生过度增强，然而在高概率的等级（背景）需要加强额外强度的细节特征，该方法仍是有用的。

2.3 基于PSO的约束优化

本文提出的POHE阈值约束中，定义了[a，b，c]和[d]四个主要的参数，本文通过粒子群优化方法（PSO）对这四个参数进行优化[10]，PSO是利用一种信息共享机制来寻找最优解的一种方法，假设[M]个粒子在搜索空间飞行，每个粒子都有对应的位置和速度，分别用[Si]和[Vi]表示第[i]个粒子的位置和速度，第[i]个粒子的最优位置为pb，全部粒子的最优位置为pg，在加速粒子群优化算法的基础上，用随机加权加速度在每个时间内趋近pb和pg位置，如图2所示。

图5（a）为暗图像，图5（b）～（d）是用所提出的阈值优化直方图均衡化方法得到的结果，其中依次分别采用了目标子图像约束，背景子图像约束和双子图像约束的方法。从结果可以看到，图5（b）相对图5（c）和图5（d）具有更好的图像加强效果。

图6中给出了原始图像及其阈值优化直方图均衡化处理后的图像。在图6（b）～（d）中，图6（d）表现出较好的对比度增强效果。当给定图像是亮图时，从上面的试验可以显而易见的看到，运用单一的背景子图像优化约束是足够的。在图5（a）给出了暗图像的情况下，仅对目标子图像运用优化约束将明显地改善对比度。当输入具有分布均匀的直方图的图像（见图6）时，那么采用双子图像优化约束效果较好。一旦约束子图像的应用程序完成，两个子图像独立的均衡化和联合会产生一个增强的输出图像。

3 实验与讨论

为了验证提出算法的可行性和优异性，与目前常用的图像增强方法进行对比，对照组有：直方图均衡化（HE），亮度保持双直方图均衡化（BBHE）[3]，递归子图像直方图均衡化（RSIHE）[12]，图像对比增强双直方图均衡化（RLBHE）[13]，子区域的直方图均衡化（SRHE）[4]和加权阈值直方图均衡化（WTHE）[5]。为评价算法的性能，本文通过采用人类视觉感知和离散熵[（DE）][14]以及对比度改进指数[（CII）][15]对图像增强技术进行评估。其中[DE]用于计算图像增强后的信息丰富度，CII为图像对比度改进程度。

图7，图8为各种方法的实验结果。图7（b）～（h）和图8（b）～（h）分别显示由HE，BBHE，RLBHE，SRHE，WTHE，RSIHE和POHE方法得到的加强图像。在图7（b）～（h）中，图像显示了亮度退化和过度增强。相同的亮度退化和过度增强在图8（b）～（h）中也是存在的。虽然RSIHE的结果（图7（g）和图8（g））没有太大的亮度变化，这些图像几乎与原图像相似，但没有发现增强效果。图7（h）和图8（h）显示的阈值优化直方图均衡化结果比其他的直方图技术要更好，并且没有过度增强。阈值优化直方图均衡化产生的结果相对其他测试方法更好。

图9和图10分别显示鹿和猩猩的原始直方图、直方图均衡化和阈值优化直方图均衡化。图9（b）和图10（b）中，由于直方图分布不受控制，导致亮度突变，然而在图9（c）和图10（c）中表现出了受控的分布，产生了预期的对比度增强和亮度保护。

大部分的直方图加强技术，由于强度在归一化过程中重新分配，导致输出图像中的均值偏移。然而，所提出的PSO约束优化直方图均衡化方法可保持图像的平均值。直方图均衡化极大地改变了输入图像的原始平均值，这些原始平均值总是导致亮度退化。但是，本文方法采用控制过程给出的平均值更接近原始平均值。因此POHE可以保持输入图像的亮度。

此外，表1和表2分别给出了通过测量DE和CII对上述方法的图像增强质量进行评估。在表1中，POHE方法得到的DE非常接近于原始离散熵，这说明在增强图像中保留了原始的图像细节。表2中显示的POHE方法CII相对较高，从而也证明POHE是一个很好的对比度增强方法。

4 结 论

一般情况下，输入图像的平均亮度不同于输出图像的直方图均衡化。本文所提出的POHE方法可以有效地解决此类问题，完成了输入图像亮度保持和对比度增强的两个主要目标。该算法运用Otsu算法将输入图像直方图从背景中有效地分割为独立对象（目标）。基于输入图像的直方图的特点提出了加权约束，即粒子群优化算法。通过考虑图像的平均值，确保了在增强图像中细节信息的保护。通过实验结果和DE，CII定量评估，证明了POHE能有效地对不同亮度图像进行增强，并且在保证图像视觉细节没有退化的情况下，POHE可以很好地保持对比度增强图像的亮度。

参考文献

[1] LI Jia. Application of image enhancement method for digital images based on Retinex theory [J]. Optik?international journal for light and electron optics， 2013， 124（23）： 5986?5988.

[2] 龚昌来，罗聪，杨冬涛，等.基于加权直方图均衡的红外图像增强方法[J].激光与红外，2013，43（8）：956?959.

[3] SHANMUGAVADIVU P， BALASUBRAMANIAN K， MURUGANANDAM A. Particle swarm optimized bi?histogram equa?lization for contrast enhancement and brightness preservation of images [J]. Visual computer， 2014， 30（4）： 387?399.

[4] KIM M， MIN C. Recursively separated and weighted histogram equalization for brightness preservation and contrast enhancement [J]. IEEE transactions on consumer electronics， 2008， 54（3）： 1389?1397.

[5] WANG Q， WARD R K. Fast image/video contrast enhancement based on weighted thresholded histogram equalization [J]. IEEE transactions on consumer electronics， 2007， 53（2）： 757?764.

[6] 陈文飞，许雪峰，苗作华，等.亮度自适应的保熵直方图均衡化方法[J].计算机工程与应用，2012，48（16）：157?161.

[7] SHANMUGAVADIVU P， BALASUBRAMANIAN K. Threshol?ded and optimized histogram equalization for contrast enhancement of images [J]. Computers and electrical engineering， 2014， 40（3）： 757?768.

[8] 尹士畅，喻松林.基于小波变换和直方图均衡的红外图像增强[J].激光与红外，2013，43（2）：225?228.

[9] 陈金位，吴冰.二维直方图重建和降维的Otsu阈值分割算法[J].图学学报，2015，36（4）：570?575.

[10] MALAN K M， ENGELBRECHT A P. Characterising the searchability of continuous optimisation problems for PSO [J]. Swarm intelligence， 2014， 8（4）： 275?302.

[11] 曹炬，陈钢，李艳姣.多策略粒子群优化算法[J].计算机工程与科学，2014，33（9）：1510?1515.

[12] SINGH K， KAPOOR R. Image enhancement using exposure based sub image histogram equalization [J]. Pattern recognition letters， 2014， 36（1）： 10?14.

[13] ZUO Chao， CHEN Qian， SUI Xiubao. Range limited bi?histogram equalization for image contrast enhancement [J]. Optik?international journal for light and electron optics， 2013， 124（5）： 425?431.

[14] WANG Chao， YE Zhongfu. Brightness preserving histogram equalization with maximum entropy： a variational perspective [J]. IEEE transactions on consumer electronics， 2005， 51（4）： 1326?1334.

[15] YOON J H. Enhancement of the contrast in mammographic images using the homomorphic filter method [J]. IEICE transactions on information systems， 2002， 85（1）： 298?303.