基于二维粒子群的视觉传达图像对比度增强

林 伟，赵继平

(电子科技大学成都学院，四川 成都 611731)

1 引言

不同类型的图像在传递或者转换的过程中会导致图像质量的降低，需要及时对这些降质的图像进行改善，常用的改善方式主要有两种形式：一种是图像增强技术，在实际操作的过程中不需要考虑图像介质的原因[1，-2]，只需要增加图像主要特征的显著度，降低次要信息的显著度，进而扩大图像中各个特征向量的差异性，为后续的图像特征提取和分析奠定坚实的基础；另外一种则是图像复原技术，分析图像降质的原因，采用不同的方式进行降质补偿，经过修正后的图像最大限度逼近原始图像。虽然上述方法通过不同形式均能够实现图像增强的目的，但是实用性不强。

在现有研究的基础上，相关专家也针对视觉传达图像对比度增强方面的内容展开了研究，例如王冰雪等人[3]在CIE Lab空间中优化目标函数，通过求解全局映射函数获取初始灰度化图像，对其进行尺度分解，同时结合轮廓波变换得到增强后的图像。郭钰璐等人[4]通过引导滤波将初始图像作为基础图像和细节图像，采用对比度限制的直方图对基础图像进行均衡处理，引入Gamma变换处理图像细节部分，提升信息的完整性，将经过处理的两幅图像进行融合处理，获取最终经过增强处理的图像。由于上述两种方法未对图像进行去噪处理，导致获取的图像对比度增强效果并不理想。为此，提出基于二维粒子群的视觉传达图像对比度增强方法，结果表明，所提方法能够更好地实现图像对比度增强。

2 视觉传达图像对比度增强方法

2.1 视觉传达图像去噪处理

将小波分解方法与改进全局阈值算法相结合，对原始噪声图像进行小波分解，并计算图像中不同子带噪声级别与图像边缘强度，从而获取自适应阈值[5]。经过改进后，能够有效克服传统算法下图像细节信息丢失的问题，更好地保留图像的边缘信息，具体的操作流程如图1所示：

图1 视觉传达图像去噪流程图

优先将含有高斯白噪声的视觉传达图像P划分为m×n个像素块，全面分析本地噪声的主要特征，同时视觉传达图像的去噪主要是借助自适应阈值实现的。

对视觉传达图像进行阈值处理时，部分图像信息会丢失，同时，图像分解也会受到影响，会造成邻像素块细节信息丢失。因此，选取一个n×n的像素区域Bn，对该区域中的不同像素块分别进行离散小波变换处理。

在小波变换的基础上，检测图像视觉传达边缘，其主要目的是有效识别图像中的边缘细节信息，同时将检测出的边缘信息和对应的邻域信息进行对比[6，7]，如果邻域信息不属于边缘成分，则停止检测，建立一个二值化边缘图像，用“0”代表非边缘成分，“1”代表边缘成分。图像边缘检测不仅能够有效识别视觉传达图像中的边缘信息，同时还能够精准划分不同的子块。

图像阈值通过式(1)进行计算

(1)

由于图像经过小波变换之后，会造成子带统计结果存在差异性，因此，可以根据子带统计特性设置自适应阈值。假设图像子带阈值为λi，该参数是指图像信号与噪声信号二者方差估计的比值，具体的计算过程如式(2)所示

(2)

视觉传达图像中的噪声全部分布在高分辨级i-1上，通过小波系数对噪声方差进行改进，具体的计算式如下

(3)

式中，k表示小波尺度间的相关性，k=1，2，…2i-1。

由于大部分的噪声会集中在小波分解的第一层中，且在层数逐渐增加的条件下，噪声会逐渐减少。由此可知，小波分解层数和尺度会对噪声产生影响，因此，加入系数μ，使得阈值随着尺度的增加而增加，噪声随着层数的增加而降低，满足小波系数的分布特征，即

(4)

式中，Lk表示小波包分解系数。

完成上述操作后，对区域Bn中各个像素块实施小波逆变换。

2.2 基于二维粒子群的视觉传达图像对比度增强

在传统的粒子群(PSO)算法中，各个个体粒子中均包含两个变量，分别为：各个粒子的位置和速度。随着研究的不断深入，传统的PSO已经无法满足当前社会的需求，同时还存在收敛过早的情况。为了更好地解决上述问题，结合空间对称原理对种群中各个粒子的分布状态进行调整[8，9]，具体的操作过程如下所示：

1)对位置进行调整，确保各个粒子位置距离局部最优解的长短近似一致：

为了有效避免PSO算法陷入局部最优或者提前进行收敛状态，通常需要根据最优解周围可能存在的粒子数量，自动调整剩余粒子的位置，使全部个体均匀分布在距离全局最优解最近的位置，且长度近似。

2)调整数量，保证粒子的数量维持在局部最优解周围的核心位置：

对粒子和局部最优解位置之间的距离进行调整，能够在一定程度上反映出各个种群中粒子对局部最优解的贴近程度，但是无法保证能够进一步搜索到全局最优解。

为了保证种群中的粒子个体在寻优的过程中保持高维分布空间的对称程度，主要通过多样性测试函数进行衡量，即

(5)

式中，D表示搜索空间维度；N表示种群中粒子的数量；xi，j表示节点粒子的初始化信息。

根据相关的代入数据对H(I)进行求解，检测出种群中不同粒子在空间维度以及局部最优解位置之间的偏差量大小。

通过上述分析，在粒子空间对称分布原理的基础上，引入禁忌搜索算法，改进PSO算法，具体如图2所示。

图2 传统粒子群算法改进流程图

经过改进后的二维粒子群优化算法的寻优步骤如下所示：

1)根据种群中粒子的数量N和搜索空间维度D，对种群中全部粒子的自身参量和禁忌表进行初始化处理。

设定四个不同的禁忌表，对两个未知量进行搜索[10]，则和第i个粒子相关的项可以表示为：

①利用式(6)给出位置向量的具体表达形式：

(6)

②利用式(7)给出飞行速度向量的表达形式

(7)

③粒子自身历史最优的位置向量可以表示为

(8)

④种群维护的全局最优位置向量表示为式(9)的形式，即

(9)

2)判断是否达到停止操作的要求，如果是，则跳转至步骤8)；反之，则继续执行步骤3)。

3)在每次进行迭代的过程中，分别更新粒子的位置和速度，直至满足终止条件或者得到全局最优解。

4)设定目标函数，分别计算各个粒子针对目标函数的适应度取值，明确候选位置或候选解。其中，目标函数如式(10)所示

(10)

5)对粒子的位置和数量进行调整，同时统计此时两个不同未知量全局两侧的粒子数量。

6)通过禁忌表中的“记忆特性”判定粒子是否重复搜索任意位置。

7)对没有进行搜索的位置进行搜索，同时跳转至步骤2)。

8)输出种群中搜索的全局最优解或者目标函数极值，停止计算。

由于图像在采集的过程中是通过实际场景中的三维影像映射获取的，所以会存在部分灰度信息丢失的现象，导致采集到的信息不准确且模糊。以下采用二维粒子群算法进行视觉传达图像对比度增强操作[11]，优先设定有效的目标适应度函数和对应的约束条件，使其能够自动寻找最优值，具体的操作过程如图3所示：

图3 基于二维粒子群的视觉传达图像对比度增强流程图

在实际操作的过程中，全面考虑了包含繁杂信息的图像特点和图像处理过程中图像含有的模糊性，促使整个图像的视觉效果得到显著提升。以下给出具体的操作过程：

1)设定粒子的总数，对不同粒子的自身参量和禁忌表进行更新。

2)判断是否满足最终的约束条件，如果满足，则跳转至步骤11)；反之，则跳转至步骤3)。

3)更新各个粒子的位置向量和速度向量方程，当算法经过一次迭代，对应粒子的位置和速度也会更新，直至满足最终的终止条件或者获取全局最优解。

4)明确模糊参数Fe和Fp的大小，提取视觉传达图像中的模糊特征，构建模糊特征平面P。

5)分别计算不同粒子的适应度取值，明确候选位置，同时对禁忌表进行更新。

①以“氵”(同“水”)为形符的字：江、河、湖、海、泼、洒、汹、涌、汁、汤；这些字都跟水有关，“江、河、湖、海”表示不同的水域，“泼、洒、汹、涌”表示水的运动状态，“汁、汤”表示与水有关的液体。

为了获取更加理想的视觉效果，在二维粒子群算法中通过模糊清晰度函数H(P)评价视觉传达图像增强后的视觉效果。设定H(P)为目标函数，则有：

H(P)=lg[Sd(i)+0.1·Ffd(i)/Fcs(i)·Gl(i)·E(i)]

(11)

式中，Sd(i)代表视觉传达图像增强后的标准差；Ffd(i)代表模糊特征平面的清晰度；Fcs(i)代表模糊平面的模糊紧支度；Gl(i)代表模糊增强后视觉传达图像的最大灰度级；E(i)代表视觉传达图像增强后的熵值，以下给出具体的表达式

(12)

(13)

(14)

(15)

6)将粒子的位置以及数量进行空间对称分布调整。

7)通过禁忌表中的“记忆特性”判定粒子是否反复搜索同一位置。

8)根据判断，对已搜索位置周围没有进行搜索的位置进行搜索，同时直接跳转至步骤2)。

9)对视觉传达图像进行对比度模糊增强变换。

10)对步骤9)中得到的图像进行逆变换，同时进行特征还原，最终获取增强后的图像。

3 实验

为了验证所提基于二维粒子群的视觉传达图像对比度增强方法的有效性，实验从ImageNet数据库中分别选取三种不同类型的图像进行对比度增加处理，同时和文献[3]以及文献[4]方法进行对比，实验环境为：Windows 10系统，处理器是Intel(R)Core(TM)i3-2120CPU，主频是2.30GHz，内存(RAM)是4.00GByte，采用2015a版本的Matlab软件进行实验图像处理。将文献[3]方法与文献[4]方法作为对比方法，与所提方法进行对比。

1)将常用视觉传达类图像作为测试对象，测试不同的方法对比度增强效果，具体验结果如图4所示。

图4 常用视觉传达图像对比度增强效果

根据图4可知，采用不同方法进行对比度增强处理之后，所提方法能够清晰描述图像的轮廓特征和细节信息，但是另外两种方法处理后的图像仍然存在边缘模糊不清的情况，由此证明所提方法能够获取较好的增强效果。

2)选取医学图像进行对比度增强处理，具体的实验结果如图5所示。

图5 医学图像对比度增强效果

根据图5可知，所提方法能够清晰看到脑部图像的内部结构和细节等信息，且整体图像的清晰度明显优于另外两种方法。这是由于所提方法在图像对比度增强之前对图像进行了去噪处理，为后续的对比度增强处理奠定坚实的基础，促使所提方法获取的增强效果和视觉效果明显更好一些。

4 结束语

由于传统的图像对比度增强方法无法获取理想的视觉效果，结合二维粒子群提出一种基于二维粒子群的视觉传达图像对比度增强方法。仿真结果表明，所提方法能够获取更加理想的对比度增强效果，同时图像整体的视觉效果得到了显著提升。