【正文】 地突出，以便于人與計(jì)算機(jī)的分析主處理[3]。在圖像的獲取和傳輸過程中，由于圖像采集器的固有缺陷，或是光照程度，或是傳輸過程中存在各種各樣的噪聲，或是傳感器溫度，都會(huì)導(dǎo)致圖像視覺效果不盡人意，且需要的有用信息無法識(shí)別等問題。 Chaotic particle swarms optimization 目 錄摘 要 iAbstract ii目 錄 iii圖表清單 vi注釋表 vii 第一章 緒 論 1 課題研究的目的與意義 1 圖像增強(qiáng)技術(shù)的國內(nèi)外發(fā)展?fàn)顩r 1 圖像增強(qiáng)技術(shù)的應(yīng)用概況 4 本文的研究工作和內(nèi)容安排 4第二章 圖像增強(qiáng)的基本方法 6 引言 6 空域法 6 頻域法 10 本章小結(jié) 12第三章 多分辨率分析原理及相關(guān)增強(qiáng)算法 13 引言 13 小波變換 13 連續(xù)小波變換 13 多分辨率分析 14 離散小波變換 14 Contourlet變換 16 基于小波變換的圖像增強(qiáng)算法 20 基于Contourlet變換的圖像增強(qiáng)算法 22 本章小結(jié) 24第四章 混沌粒子群優(yōu)化算法 25 引言 25 基本粒子群優(yōu)化算法 25 PSO的基本思想 25 PSO算法描述 26 基本PSO算法步驟 27 混沌粒子群優(yōu)化算法 27 混沌小生境粒子群算法 27 混沌雙粒子群算法 28 本章小結(jié) 30第五章 針對多種圖像的基于Contourlet和混沌PSO的增強(qiáng)算法 31 引言 31 圖像增強(qiáng)質(zhì)量評價(jià) 31 適用于紅外熱波圖像的增強(qiáng)算法及實(shí)驗(yàn)結(jié)果 32 低通子帶系數(shù)調(diào)整 32 帶通方向子帶系數(shù)的自適應(yīng)調(diào)整 33 適應(yīng)度函數(shù)選取 34 基于Contourlet變換和粒子群優(yōu)化算法步驟 34 實(shí)驗(yàn)結(jié)果及分析 35 適用于火焰圖像的增強(qiáng)算法及實(shí)驗(yàn)結(jié)果 37 低通子帶的模糊增強(qiáng) 37 帶通方向子帶的非線性增強(qiáng) 37 圖像增強(qiáng)效果評價(jià)及適應(yīng)度函數(shù) 38 采用混沌小生境粒子群優(yōu)化的算法步驟 38 實(shí)驗(yàn)結(jié)果及分析 38 適用于數(shù)字全息圖像的增強(qiáng)算法及實(shí)驗(yàn)結(jié)果 40 低通子帶系數(shù)調(diào)整 40 帶通方向子帶系數(shù)調(diào)整 41 圖像質(zhì)量評價(jià)準(zhǔn)則和適應(yīng)度函數(shù) 41 基于混沌小生境算法優(yōu)化的Contourlet域圖像增強(qiáng)步驟 41 實(shí)驗(yàn)結(jié)果及分析 42 本章小結(jié) 44第六章 總結(jié)與展望 45 本文主要工作 45 進(jìn)一步研究工作 46參考文獻(xiàn) 49致 謝 50圖表清單圖21 常用的灰度級(jí)函數(shù) 7圖31 小波分解示意圖 15圖32 小波分解樹 15圖33 小波變換二維Mallat分解算法 16圖34 塔式分解過程 17圖35 塔式重構(gòu)過程 17圖36 楔形頻域子帶分解 17圖37 四方向?yàn)V波器組框圖 17圖38 五株采樣濾波器組與逼近濾波器組的組合 18圖39 第三級(jí)及三級(jí)以后的方向?yàn)V波器組結(jié)構(gòu)等效示意圖 18圖310 多通道級(jí)樹型結(jié)構(gòu)DFB 19圖311 多通道級(jí)樹型結(jié)構(gòu)DFB 20圖51 紅外圖像1的4種增強(qiáng)方法結(jié)果比較 35圖52 紅外圖像2的4種增強(qiáng)方法結(jié)果比較 35圖53 火焰圖像1的5種增強(qiáng)方法結(jié)果比較 39圖54 火焰圖像2的5種增強(qiáng)方法結(jié)果比較 39圖55 數(shù)字全息圖像1的4種增強(qiáng)方法結(jié)果比較 42圖56 數(shù)字全息圖像2的4種增強(qiáng)方法結(jié)果比較 43表21 幾種基于局部均值和標(biāo)準(zhǔn)差的自適應(yīng)增強(qiáng)方法 9表51 適用于紅外圖像的增強(qiáng)方法與現(xiàn)有方法的定量指標(biāo)評價(jià) 36表52 適用于火焰圖像的增強(qiáng)方法與現(xiàn)有方法的定量指標(biāo)評價(jià) 40表53 適用于數(shù)字全息圖像的增強(qiáng)方法與現(xiàn)有方法的定量指標(biāo)評價(jià) 44注釋表PSO Particle Swarm Optimization 粒子群優(yōu)化算法NCPSO Niche Chaotic Mutation Particle Swarm Optimization 混沌小生境粒子群優(yōu)化算法ACPSO A Daptive Double Particle Swarms Optimization 混沌自適應(yīng)雙粒子群優(yōu)化算法PDFB Pyramid Directional Filter Bank 塔型方向?yàn)V波器組LP Laplacian Pyramid 拉普拉斯金字塔DFB Directional Filter Bank 方向?yàn)V波器組QFB Quincunx Filter Bank 五株濾波器組 50 第一章 緒 論 課題研究的目的與意義21世紀(jì)，人類已進(jìn)入信息化時(shí)代，據(jù)研究，人類接受的信息中，圖像等視覺信息占75% ~85%。關(guān)鍵詞：圖像增強(qiáng),Contourlet變換,空間域增強(qiáng),頻域增強(qiáng),混沌粒子群優(yōu)化本論文受以下基金項(xiàng)目資助：1. 無損檢測技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室（南昌航空大學(xué)）開放基金重點(diǎn)項(xiàng)目：Contourlet和混沌PSO在紅外熱波無損檢測圖像處理中的應(yīng)用(批準(zhǔn)號(hào)：ZD2010290) 2. 煤燃燒國家重點(diǎn)實(shí)驗(yàn)室（華中科技大學(xué)）開放基金重點(diǎn)項(xiàng)目：基于復(fù)Contourlet、混沌粒子群和Krawtchouk矩的火焰圖像處理與狀態(tài)識(shí)別（批準(zhǔn)號(hào)：FSKLCC1001） 3. 瞬態(tài)光學(xué)與光子技術(shù)國家重點(diǎn)實(shí)驗(yàn)室開放基金重點(diǎn)項(xiàng)目：基于Contourlet的數(shù)字全息再現(xiàn)像方法研究（批準(zhǔn)號(hào)：FSKLCC1001）Image enhancement technology based on multiresolution analysis and chaotic PSO algorithmAbstractImage enhancement is meant to improve the visual effect, contrast and clarity of image. Moreover, image enhancement can selectively highlight the interesting features of image. In this paper, the existing enhancement algorithms are studied firstly. It finds out that the traditional enhancement algorithms can’t enhance the detail information and suppress the noise. In addition, the parameters in traditional algorithms are obtained by experience. Therefore, different images can’t be enhanced adaptively. In this paper, the respective characteristics of infrared thermal wave image, flame image and digital holographic image are considered. An adaptive infrared image enhancement algorithm based on Contourlet transform and chaotic particle swarms optimization is proposed in this article. Firstly, Contourlet transform of infrared image is performed. Then the coefficients of lowpass subband and bandpass directional subband are adjusted. For the lowpass subband, Spatial domain methods are introduced. The optimal parameters are determined by chaotic particle swarms optimization. The fitness function takes into account four indexes such as peak signal to noise ratio, contrast, definition and entropy. For the bandpass directional subband, noise is suppressed by the adaptive threshold, and the coefficients of details are adjusted. A large number of images are enhanced in the experiment. The experimental results show that, pared with three tranditional image enhancement methods, the method proposed in this article can get a better visual effect. Furthermore, the method has a good adaptability for all kinds of similar images.Key Words： Image enhancement。首先對圖像進(jìn)行Contourlet變換，然后調(diào)整低通子帶和帶通方向子帶系數(shù)。作者簽名： 年 月 日 （學(xué)號(hào)）： 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙基于多分辨率分析和混沌PSO的圖像增強(qiáng)技術(shù)摘 要圖像增強(qiáng)的目的是為了改善圖像的視覺效果，提高圖像的對比度、清晰度，將圖像中感興趣的特征有選擇地突出。盡本人所知，除了畢業(yè)設(shè)計(jì)（論文）中特別加以標(biāo)注引用的內(nèi)容外，本畢業(yè)設(shè)計(jì)（論文）不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的成果作品。為此，本文針對紅外熱波圖像、火焰圖像、數(shù)字全息圖像的各自特點(diǎn)，提出了基于Contourlet變換和混沌粒子群優(yōu)化的圖像自適應(yīng)增強(qiáng)算法。實(shí)驗(yàn)中對大量圖像進(jìn)行了增強(qiáng)處理，實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的三種增強(qiáng)算法相比，本文的方法能得到更好的視覺效果，并且對所有同類圖像都有好的適應(yīng)性。 Frequency domain enhancement。各個(gè)部分都有可能導(dǎo)致圖像質(zhì)量的退化。圖像增強(qiáng)不考慮引起圖像質(zhì)量下降的原因，而是突出預(yù)處理圖像中的有用信息，并衰減不需要的特征，按需要進(jìn)行適當(dāng)?shù)淖儞Q，擴(kuò)大圖像中不同物體特征之間的差別，如對對比度、邊緣、輪廓等進(jìn)行強(qiáng)調(diào)。 圖像增強(qiáng)技術(shù)的國內(nèi)外發(fā)展?fàn)顩r 在圖像增強(qiáng)領(lǐng)域，國內(nèi)外學(xué)者已經(jīng)做了大量卓有成效的研究工作，提出了各種有效的算法。其特點(diǎn)是先將圖像進(jìn)行變換，在空間域?qū)D像作傅里葉變換得到它的頻譜，按照某種變換模型(如傅里葉變換)變換到頻率域，完成圖像由空間域變換到頻率域，然后在頻域內(nèi)對圖像進(jìn)行低通或高通頻率域?yàn)V波處理。該方法通過修整個(gè)別圖象點(diǎn)的灰度級(jí), 以克服原來記錄圖象時(shí)非均勻“曝光”映射的現(xiàn)象, 使衰減多的點(diǎn)在灰度級(jí)上得到適當(dāng)?shù)难a(bǔ)償, 由此改善圖象的對比度。改進(jìn)空域同態(tài)濾波算法[8], 在補(bǔ)償圖像光照非均衡性、降低計(jì)算量的同時(shí), 有效地保持了圖像低頻信息, 但低通濾波的權(quán)值取舍、邊緣效應(yīng)補(bǔ)償及補(bǔ)償模型的加權(quán)值等問題仍需進(jìn)一步研究。針對這些問題，人們開始研究一些新的基于變換域的圖像增強(qiáng)方法。然而，二維小波分析不能充分利用數(shù)據(jù)本身特有的幾何特征，不能表示圖像的方向信息，即對圖像中的細(xì)節(jié)、連續(xù)邊緣沒有好的增強(qiáng)效果。經(jīng)過Contourlet變換，代表噪聲的Contourlet系數(shù)迅速衰減，代表細(xì)節(jié)輪廓的系數(shù)相對穩(wěn)定，因此，基于Contourlet變換的圖像增強(qiáng)算法在增強(qiáng)圖像對比度的同時(shí)，可以很好地抑制噪聲，且增強(qiáng)細(xì)節(jié)信息，克服了傳統(tǒng)算法的不足[18]。對于在不同環(huán)境不同背景下拍攝的圖像同樣的方法可能要在不同的參數(shù)才能獲得較好的增強(qiáng)效果。PSO算法存在易于過早陷入局部極值點(diǎn)，進(jìn)化后期收斂速度慢，對于復(fù)雜的問題可能搜索不到最優(yōu)解，計(jì)算精度不高等問題[25]。又如基于混沌變異的自適應(yīng)雙粒子群優(yōu)化算法(A Daptive Double Particle Swarms Optimization, ACPSO)。評價(jià)方式上，目前典型的基本方法分為兩類：主觀評價(jià)和客觀評價(jià)。觀察者根據(jù)規(guī)定的評價(jià)尺度，對測試圖像按視覺效果給出圖像等級(jí)，最后將所有觀察者給出的等級(jí)進(jìn)行歸一化平均，得到評價(jià)結(jié)果。因此針對不同的圖像，會(huì)有不同的客觀評價(jià)標(biāo)準(zhǔn)[29]。并且由于紅外探測器的自身特性，紅外圖像還具有信噪比低、立體感差、目標(biāo)邊緣模糊平滑、紋理信息少等缺點(diǎn)。然而，數(shù)字全息技術(shù)仍存在一些困難，比如，在實(shí)際操作中，由于光照的不均勻、系統(tǒng)噪聲污染等原因，圖像質(zhì)量降低，所以必須對數(shù)字全息圖像進(jìn)行增強(qiáng)處理，提高數(shù)字全息圖像的分辨率、條紋對比度、信噪比?；煦鏟SO算法中的適應(yīng)度函數(shù)與圖像質(zhì)量評價(jià)相關(guān)，因此本文針對不同種類的圖像采取不同的適應(yīng)度函數(shù)。第四章混沌粒子群優(yōu)化算法，闡明了粒子群優(yōu)化算法的概念和實(shí)現(xiàn)方法，并介紹了兩種混沌PSO算法。本文的創(chuàng)新點(diǎn)如下：(1) 針對紅外熱波圖像提出了一種基于Contourlet和混沌