基于改进萤火虫算法的模糊农业遥感图像增强效应

张慧宁+郭红山

摘要：为了提高模糊农业遥感图像增强的质量，采用改进萤火虫算法，首先通过高斯隶属度函数将图像像素映射，不同误差的图像区域采用不同分辨率的隶属度函数；然后用模糊增强算子来修正隶属度值；接着在改进萤火虫算法中对参数进行优化及局部扰动，给出算法流程；最后试验仿真显示本研究算法在增强结果中能够正确区分图像中的目标，图像信息熵较大。

关键词：农业遥感图像；萤火虫算法；高斯隶属函数；局部；参数优化；目标图像；区分；图像信息熵

中图分类号： S127 文献标志码： A 文章编号：1002-1302（2017）01-0205-03

农业遥感图像促进了智慧农业的发展，但是农业遥感图像在获取和传播过程中，由于受大气散射以及光照条件的干扰使得图像模糊，因此通过图像增强，可以提高对农业遥感图像信息利用的程度[1-2]。目前对农业遥感图像增强的算法有Jourlin和Pinoli的对数图像处理算法，主要用于处理有界强度值的透射光图像，但是该模型容易丢失细节信息[3]；直方图均衡化方法具有自适应性强和运算速度快的优点，但其在调节图像整体对比度的同时也扩散了噪声，难免出现局部亮度失真[4]；Contourlet变换法可以增强对比度并抑制噪声，但由于Contourlet变换不具有平移不变性，增强后的图像容易产生较为明显的划痕和块状模糊现象[5]；萤火虫算法易于实现，操作简单[6]，但是存在峰值发现率低、收敛速度慢和求解精度不高的缺点，因此导致图像增强效果不理想。为了提高农业遥感图像增强的质量，采用改进萤火虫算法，首先通过高斯隶属度函数将图像像素映射，不同误差的图像区域采用不同分辨率的隶属度函数；然后用模糊增强算子来修正隶属度值；接着在改进萤火虫算法中对初始化参数优化且进行局部扰动，给出了算法流程；最后试验仿真显示本研究算法在增强结果中能够正确区分图像中的目标，增强后的图像信息熵较大。

1 农业遥感图像增强模型

1.1 高斯隶属度函数

2.2.2 局部扰动改进 萤火虫算法搜索后期存在早熟、收敛现象，改进局部寻优提高搜索效率[10-11]。如果当前最优解经过多次位置更新后仍未得到改善，算法将陷入局部最优，此时将记录当前最优解和位置，对最差55%萤火虫进行局部扰动。其操作过程是：在萤火虫更新位置后，找出两两之间距离的最大值R1和最小值R2，设定更新半径为：Rlimit=R2+0.45×（R21-R22），所有的萤火虫在该范围内寻找最亮的萤火虫，并根据吸引度向其靠近。如果在该范围内不存在最亮的萤火虫，则按R′limit=R1+0.65×（R21-R22）进行搜索。

其算法流程为：（1）输入遥感图像的像素通过高斯隶属度函数映射；（2）萤火虫算法参数优化以及局部扰动更新；（3）对图像灰度误差不同的区域选用不同分辨率的隶属度函数进行增强；（4）如果达到最大进化代数或评价函数没有发生太大变化，进行步骤（5），否则转（2）；（5）模糊域逆变换输出遥感图像。

3 结果与分析

萤火虫算法的参数设置如下：群规模为150个，萤光素强度最大值为1.75，萤光素强度最大值为0.25，决策域半径为5 cm，迭代次数为200。试验PC配置：CPU为AMD FX-6300 Six-Core、内存8 GB、IntelH61主板，集成显卡，由Matlab 2014实现仿真。

3.1 视觉分析

本研究选取的图像由于相机抖动造成图像模糊，对图像信息的提取造成困难，对模糊的图像进行不同算法增强处理，其试验结果如图2、图3所示。

在图2、图3的增强结果中，本研究算法能够正确区分图像中的目标如田舍、树木等，尤其是田舍图像质量达到视觉上相对清晰的效果，对田舍边缘的分辨区分效果比较好，整体上提高了图像的清晰度和分辨率。其他算法对图像中的部分细节信息丢失，对树木轮廓及周围场景增强效果不是很好，没有满足增强目的。

3.2 增强评价指标

定量评价采用基于熵的图像对比度增强测量指标（EMEE）来分析增强效果：

EMEE=1MN∑Mm=1∑Nn=1（Im，n）max（Im，n）min+cIn=（Im，n）max（Im，n）min+c。（12）

式中：首先把图像分割成M×N个4×4的子图像块；（Im，n）max和（Im，n）min分别表示子图像块的灰度最大值和最小值；c是一个很小的常数，取0.000 1，以避免分母为0，EMEE值越大，表明图像的对比度越明显，视觉质量越好。

信息熵表示图像中含有的信息量，信息熵越大说明该图像中含有的信息越多，细节越清晰，视觉效果越好。信息熵En定义公式为：

En=-∑255g=0p（g）log2p（g）。（13）

式中：p（g）表示一幅图像中灰度值为g的像素个数与图像中所有像素之比。

各种算法的增强评价指标如表1所示。从增强评价指标可以看出，本研究算法的能够使图像对比度增强，信息熵较大。

4 总结

为了提高模糊农业遥感图像增强的质量，采用改进萤火虫算法。首先通过高斯隶属度函数将图像像素映射，不同误差的图像区域采用不同分辨率的隶属度函数；然后用模糊增强算子来修正隶属度值；接着在改进萤火虫算法中对初始化参数优化且进行局部扰动，给出算法流程；最后进行仿真试验，结果显示本研究算法在增强结果中能够正确区分图像中的目标，增强后的图像信息熵较大。

参考文献：

[1]熊德兰. 基于遥感的农作物长势模板数据库构建[J]. 江苏农业科学，2014，42（8）：411- 414.

[2]李怀霄. 基于面向对象的西双版纳橡胶林提取[J]. 江西农业学报，2014，26（8）：96-100.

[3]朱瑞飞，贾宏光，王 超，等. 应用参数化对数模型增强图像细节及对比度[J].光学精密工程，2014，22（4）：1064-1070.

[4]Wang C， Ma K K. Feature histogram equalization for feature contrast enhancement[J]. Journal of Visual Communication and Image Representation， 2015， 26（1）：255-264.

[5]Dong M， Zhang J W， Ma Y D. Image denoising via bivariate shrinkage function based on a new structure of dual contourlet transform[J]. Signal Processing， 2015， 109（4）：25-37.

[6]吴伟民，亢少将，林志毅，等. 基于改进萤火虫算法的多模函数优化[J]. 计算机应用与软件，2014，31（1）：283-285， 302.

[7]田小平，徐小京，吴成茂. 基于LIP模型的低照度彩色图像增强新算法[J]. 西安邮电大学学报，2015，20（1）：9-13.

[8]王新为，朱青松，谭安胜，等. 基于改进萤火虫优化算法的BP神经网络目标群威胁判断[J]. 指挥控制与仿真，2014，36（6）：42-46.

[9]李明富，张玉彦，马建华，等. 基于变参数萤火虫算法和Maklink图的路径规划研究[J]. 机械科学与技术，2015，34（11）：1728-1732.

[10]海 潔，吴海燕，罗中剑. 高斯变邻域差分的灰度图像增强算法[J]. 激光杂志，2015，36（1）：57-61.

[11]郑 楠，王 翔，于浩杰，等. 一种改进混沌萤火虫算法[J]. 计算机仿真，2014，31（10）：306-312.汤 庆，吴崇友，伍德林，等. 基于DEM的谷物联合收割机抖动板性能研究[J]. 江苏农业科学，2017，45（1）：208-210.