基于改进量子粒子群的红外图像增强算法

宋 蕊,李宇新

(1.黄河水利职业技术学院,河南 开封 475004;2.开封技师学院,河南 开封 475000)

1 引 言

红外图像在获取过程中易受到环境噪声的干扰,出现对比度、信噪比降低现象,严重影响成像质量[1],因此红外图像进行增强可提升图像的质量。

目前红外图像增强的算法主要有:直方图均衡(Histogram Equalization,HE)方法,直方图均衡(Histogram Equalization,HE)方法实现简单,通过重新映射灰度使直方图服从均匀分布,从而达到增强的效果[2],但是如果直方图中存在的峰值较大,则出现过度增强,达不到理想效果。非下采样轮廓变换(Non-Subsampled Contourlet Transform,NSCT)的红外图像增强方法[3],利用NSCT变换获取待增强图像的高频、低频子带系数,不同频带采用不同的方法,消除噪声同时保留边缘信息,但是局部对比度增强效果较弱。多尺度Retinex(Multi-scale Retinex,MSR)算法[4],使用不同尺度参数获取Retinex分量,对这些分量进行线性加权,解决了尺度因子选择的问题,但Retinex分量存在光谱重叠,无法对特定红外光谱图像精确增强。粒子群算法(Particle Swarm Optimization,PSO)优化自适应伽马校正增强红外图像细节[5],将熵和边缘内容作为目标函数并使其最大化,但未考虑红外图像自身的特性导致增强效果不佳。量子算法具有并行性,运算速度快,分为有两类模式:一类是量子硬件支撑的纯量子智能算法,如量子机器学习算法等,需要专业研究机构实现；另一类是其他算法融合交叉的量子算法,如量子遗传算法等,主要是利用量子算法的某些特性,如量子门翻转等,借助一般计算机即可实现,目前研究较广泛。量子算法对图像进行中值滤波[6],其效果适合滤除量子比特翻转噪声,但是涉及到图像像素运算通过量子实现过程较复杂。环型对称量子结构算法(Ring Symmetric Quantum Structure,RSQS)对红外图像增强[7],通过一种新型量子空间结构对红外图像增强,但是环形结构增加通路复杂性,从而影响了算法的运行效果。

为了提升红外图像增强效果,本文采用改进量子粒子群算法(Improved Quantum Particle Swarm Optimization,IQPSO),建立粒子多层空间结构以及粒子的主层、次层运行空间,量子旋转门镜像更新操作,从而提高了粒子的运行效率,实验仿真显示本文算法对红外图像增强效果清晰,评价指标较好。

2 改进量子粒子群算法

2.1 量子算法

量子算法最小的信息单元为1个量子比特[8],状态可以取值为0或1,或叠加态,表示为:

|φ〉=α|0〉+β|1〉

(1)

式中,α、β为量子状态0和状态1的概率幅,满足|α|2+|β|2=1,|α|2、|β|2为|φ〉处于状态0和状态1的概率。

量子旋转门:

(2)

式中,θ为量子旋转角，具有量子行为的粒子群算法表示为:

(3)

p(t)=φPi(t)+(1-φ)Gi(t)

(4)

mbest=(m1(t),…,mn(t))

(5)

式中,x(t+1)为粒子进化(t+1)代位置;p(t)为粒子的吸引子;ζ为收缩扩张因子;μ∈(0,1)为随机生成值;mbest为粒子平均最优位置;Pi为第i个粒子的局部最优位置;Gi为全局最优位置;u∈(0,1)为均匀分布函数;φ∈(0,1)为随机分布函数;m1(t),…,mn(t)为各粒子的最优位置;Pi1(t),…,Pin(t)为各粒子局部搜索到的最优位置,S为粒子总数。

2.2 量子粒子群多层空间结构

在量子粒子群算法引入多层空间概念,构造多层空间量子粒子群结构进行粒子搜索算法提升,如图1所示。

图1 量子多层空间结构Fig.1 Quantum multilayer space structure

在图1量子多层空间结构中,黑色圆点表示具有量子行为的粒子,每个粒子周围虚线小圆形空间为粒子运行的主层空间,若干个粒子周围虚线大圆空间为粒子运行的次层空间。大圆空间圆心处为主粒子,主粒子周围的粒子可与其进行信息交流；每个次层空间之间可以进行信息交流,次层空间通过交流获得的信息均分给内部的各个粒子,因此无论在次层空间、主层空间各个粒子获得信息交流有2种方式,一种为自身主层空间周围的粒子,一种自身次层空间周围的次层空间中的主粒子。

2.2.1 多层空间粒子信息交流

(6)

(7)

(8)

(9)

2.3 量子旋转门更新操作

量子粒子群算法更新的核心是量子旋转门进行调整从而获得下一代种群[9],通过量子镜像门操作、量子旋转角调整优化。

2.3.1 量子镜像门操作

(10)

K=sin(2θmax)

(11)

只需要用到一个量子位元,镜像门可以使效率加倍,此时产生的纠缠能力为非镜像门的2倍,提高了量子算法能力。

2.3.2 量子旋转角调整策略

量子旋转角过大容易错过较优解空间,旋转角度过小会导致算法收敛速度慢,算法迭代周期较长[10]。自适应调整量子旋转角度,避免旋转的盲目性,在算法运行初期量子的旋转角赋予较大值,进行大空间寻优,随着算法不断进行,逐渐对旋转角赋予较小值,进行局部精确寻优,提高了搜索精度。

(12)

当δ≠0时,量子门旋转方向为-sig(δ),当δ=0时,量子门旋转方向可正、负。

通过梯度方法自适应调整量子门的旋转角度,当红外图像增强的目标函数f(x)变化率较小时,增加旋转角步长；变化率较大时,减小旋转角步长:

(13)

式中,fmax、fmin为个体适应度的最大、最小值；f(x)为f(x)在个体x处的梯度；M为规模数；N为位数。

2.3.3 粒子群目标函数

粒子群目标函数是评价红外图像增强效果的重要参考标准,依据红外图像增强特性,将边缘内容H1、熵H2、峰值信噪比H3、灰度标准方差H4、均方误差H5用作每个粒子的目标函数,因此,所构造的目标函数fitness是五种性能测度的综合:

fitness=γ1H1+γ2H2+γ3H3+γ4H4+γ5H5

(14)

式中,γ1、γ2、γ3、γ4、γ5为常数,代表目标函数的相对重要性,等同取值,γ1=γ2=γ3=γ4=γ5=0.2。

改进量子粒子群优化算法流程:

①粒子群初始化；

②计算粒子群的目标函数值；

③多层空间粒子信息交流、量子旋转门更新粒子群；

④比较粒子当前位置和对应的目标函数值,若当前目标函数值优于历史最优目标函数值,将此粒子当前的位置作为最优位置,否则保持历史最优值和目标函数值不变；

⑤返回第③步继续执行运算,直至算法满足终止判据(保持最优目标函数值达到6次迭代)或达到最大迭代次数,输出执行结果。

3 红外图像增强模型

3.1 红外图像低频、高频分量增强

通过傅立叶变换将红外图像高频分量和低频分量分离,对其分别进行增强。

3.1.1 红外图像低频分量增强

红外图像的全局视觉主要集中在低频分量上,通过抑制背景增强来有效增强全局对比度[11],利用模糊统计红外图像灰度等级h周围强度等级出现的频率P′(h),红外图像通过模糊隶属函数模糊化,令K′(x,y)为灰度值K(x,y)的模糊数量,则红外图像直方图模糊统计为:

通过对水利工程设计阶段造价控制分析，得出在水利工程设计阶段造价控制的更关键因素，在水利工程设计阶段造价的控制的措施主要是设计方案的合理性和科学性，在进行水利工程设计方案的选择时应该充分的考虑到设计方案的合理性与经济实用性，如果在水利工程的设计初期就能考虑到工程设计的经济适用性，对于工程成本以及造价的控制是十分有利的。

(15)

对模糊直方图进行一阶偏导:

(16)

式中,p(h)是模糊直方图P′(h)的一阶偏导。

局部最大值ht过程为:

(17)

最大值对应的直方图通过中值滤波,从而得到最优阈值T:

T={P′(h1),P′(h2),…,P′(hs)}

(18)

式中,s为局部最大值的数量,p(h)是模糊直方图P′(h)的一阶偏导。

最后对低频分量L完成增强:

(19)

3.1.2 红外图像高频分量增强

红外图像高频分量中包含着大量的细节以及被噪声干扰的目标[12],处理的重点在于对噪声的抑制以及细节信息的增强,通过非线性变换对细节层增强:

(20)

3.2 基于人眼视觉特性的红外图像恢复调整

当增强红外图像中目标亮度相同时,图像中较暗的背景使得人眼视觉更亮,从而利于人眼视觉对增强红外图像中目标亮度观察[13-14],因此根据人眼视觉特性对低频增强图像El(x,y)、高频增强图像Eh(x,y)线性融合调整。由于红外图像背景灰度均值一般略小于整幅红外图像均值,把整幅红外图像均值作为图像背景区域均值,利用人眼视觉特性、图像灰度均值进行图像优化调整,使增强后的图像背景均值能够在人眼视觉控制范围内。

低频增强图像El(x,y)、高频增强图像Eh(x,y)线性融合,获得最终效果E(x,y):

E(x,y)=e1El(x,y)+e2Eh(x,y)

(21)

式中,e1+e2=1,e1为背景调节系数,用来调节整体灰度水平,e2为细节增强系数,用来控制图像细节及图像边缘增强程度,减少了图像背景亮度值,低灰度级的图像背景不被视觉感知,同时增加了图像中目标物体亮度,从而提升了红外图像全局与局部的对比度。e1与e2最佳组合可实现不同细节增强效果,从而达到最佳图像增强效果,这样把e1与e2最佳组合转化为量子行为粒子群算法寻优问题。

红外图像增强的本质是实现关键图像信息更加突出视觉效果,评价改进量子粒子群算法对图像增强的函数为:

ε=E(x,y)-E′(x,y)

(22)

式中,E′(x,y)为融合前图像。

算法收敛是在给定的精度ε=1×10-2下,如果满足|E(x,y)-E′(x,y)|<ε,则认为算法收敛,否则不收敛。

红外图像增强流程:

①输入红外图像；

②图像进行高频分量、低频分量划分；

③低频分量增强、高频分量增强；

④按公式(21)进行低频增强图像、高频增强图像线性融合；

⑤改进量子粒子群算法对融合系数e1与e2组合值寻优；

⑥满足ε条件或者达到最大迭代次数,进行步骤⑦,否则进行步骤⑤；

⑦输出红外图像。

4 实验仿真

实验参数:本文算法粒子总数为180个,划分次层空间为3个,每个次层空间里面有60个粒子,最大迭代次数为500次。实验对比涉及到的算法分别有:HE、NSCT、MSR、PSO、RSQS、IQPSO,实验PC配置为CPU为英特尔i5-10400F、内存16GB、显卡2GB,由Matlab7.0编程实现仿真。

4.1 视觉仿真

为了检验红外图像增强的效果,选择两幅大小为512×512,灰度级为0～255的红外图像作为实验样本,不同算法的视觉仿真效果如图2、图3所示,图2(a)、图3(a)为红外图像待增强灰度原图,图2(b)、图3(b)为HE算法增强效果,图2(c)、图3(c)为NSCT算法增强效果,图2(d)、图3(d)为MSR算法增强效果,图2(e)、图3(e)为PSO算法增强效果,图2(f)、图3(f)为RSQS算法增强效果,图2(g)、图3(g)为IQPSO算法增强效果。

图2 各种算法的对比增强效果1Fig.2 Contrast enhancement effect of various algorithms No.1

图3 各种算法的对比增强效果2Fig.3 Contrast enhancement effect of various algorithms No.2

从图2,图3的增强效果上可以看出,IQPSO算法能够从很难辨认的原始红外图像中把背景与目标物体识别出来,增强的红外图像视觉效果较佳,例如图2(g)能够看出路标以及道路周围参照物,图3(g)能够看出人物以及周围细节部分。其他算法增强效果存在模糊,对比度较低,暗处细节不明显,只能找到大致的位置,无法确定精确位置。

4.2 评价指标分析

4.2.1 优质系数

优质系数ρ作为检测红外图像增强的细节评价指标:

(23)

式中,n0、nd为增强、原始图像的边缘像素数；κ∈(0,1)为调节系数；di为原始图像第i点边缘点到增强后边缘线的法线距离,单位为像素个数。

ρ∈(0,1)越小表示红外图像增强边缘细节效果越差,通过40次蒙特卡洛仿真取均值,各种增强算法对红外图像增强的优质系数指标评价结果如图4所示。

图4 优质系数指标评价结果Fig.4 Quality coefficient index result

从图4可以看出,IQPSO算法优质系数评价指标均值为0.942,高于其他算法结果,相比HE、NSCT、MSR、PSO、RSQS算法分别提高了43.60 %、36.52 %、25.60 %、19.24 %、12.14 %,说明本文算法对图像增强细节增强效果较好。

4.2.2 对比度指标

对比度指标采用(Measurement of Enhancement by Entropy,EMEE)为:

(24)

式中,图像分割成M×N个4×4的子图像块;Imax;m,n和Imin;m,n分别表示子图像块的灰度最大值和最小值;ξ接近于0,主要是防止Imin;m,n为0。

EMEE越大表示图像对比度增加比较明显。进行40次蒙特卡洛仿真取均值,各种增强算法对红外图像增强的对比度指标结果如图5所示。

图5 对比度指标评价结果Fig.5 EMEE index result

从图5可以看出,IQPSO算法EMEE评价指标均值为0.937,高于其他算法结果,相比HE、NSCT、MSR、PSO、RSQS算法分别提高了27.99 %、20.70 %、15.28 %、13.97 %、10.85 %,说明本文算法对图像增强整体对比度较好。

5 总 结

为了提升红外图像增强效果,本文采用改进量子粒子群算法,构造粒子运行空间及量子门更新策略。实验仿真通过各种算法对比,本文算法对红外图像增强视觉效果比较清晰,性能指标分析比较好,因此该方法为红外图像增强提供了一种新思路。