【正文】 在鍋爐爐膛內(nèi)，獲得的火焰圖像包含很多噪聲信號，且火焰的邊界又模糊不清，對比度較低。利用上述提出的基于模糊理論和粒子群優(yōu)化的Contourlet域火焰圖像增強算法，對大量的火焰圖像進行了增強處理。對置零的最優(yōu)個體重新初始化，并在其所在的小生境內(nèi)重新選擇最優(yōu)個體，直至任意兩個小生境最優(yōu)個體之間的距離。隨機產(chǎn)生2個粒子，分別代表模糊算子，并分成4個子種群，并限制2個粒子的位置和速度； Step4：根據(jù)式()()，代入搜尋到的模糊算子，對低通子帶系數(shù)進行模糊增強；Step5：根據(jù)式()計算出的粒子適應(yīng)度，找出每個小生境種群中最優(yōu)粒子和全局最優(yōu)粒子；Step6：計算兩個粒子種群最優(yōu)個體之間的距離。式中是閾值，由文獻[32]中的方法確定。 帶通方向子帶的非線性增強對高頻系數(shù)采用式()()進行調(diào)整：式中，控制增強的幅度，本文取20；參數(shù)控制增強曲線的形狀。為了適當(dāng)提高圖像的對比度，采用廣義對比度增強算子： 式中。表51 適用于紅外圖像的增強方法與現(xiàn)有方法的定量指標(biāo)評價實驗圖像圖像質(zhì)量評價函數(shù)直方圖均衡方法雙向直方圖均衡方法平穩(wěn)小波方法本文方法紅外圖像1峰值信噪比/db對比度增益清晰度增益紅外圖像2峰值信噪比/db對比度增益清晰度增益由表51可以看出，傳統(tǒng)的直方圖均衡方法能對紅外圖像的對比度、清晰度有所改善，但是峰值信噪比很低，說明引入了較多噪聲；雙向直方圖均衡方法峰值信噪比有所提高，但噪聲仍較多，清晰度不佳，還是會影響紅外圖像質(zhì)量；平穩(wěn)小波方法能有效抑制噪聲，但是對比度增益較??；本文方法峰值信噪比、清晰度增益和對比度增益比前幾種方法高，說明本文增強方法能有效抑制噪聲，提高對比度和清晰度，獲得更好地視覺效果。本文方法極大程度地抑制了噪聲，且邊緣輪廓得到增強，目標(biāo)清晰。雙向直方圖均衡方法仍會存在較多噪聲，且圖像偏灰，目標(biāo)和背景不能很清晰地區(qū)分。上述所有算法均是在Intel(R) Core(TM)2 Duo CPU， /2 GB內(nèi)存、Matlab 2009a環(huán)境中運行的。實驗表明，本文提出的算法有較好的增強效果，能很好地提高紅外熱波圖像的對比度，增強細節(jié)、邊緣，抑制噪聲。利用上述提出的基于Contourlet變換和混沌雙粒子群優(yōu)化的增強算法對大量低對比度含噪紅外熱波圖像進行了增強處理。選取適應(yīng)度函數(shù)對，進行雙粒子群尋優(yōu)，為了兼顧紅外的圖像的峰值信噪比，對比度，清晰度，使紅外圖像得到最佳的視覺效果，本文提出如下公式作為雙粒子群優(yōu)化適應(yīng)度函數(shù)： 本文取40。非線性增益函數(shù)由下式確定： 式中，是原始圖像經(jīng)Contourlet變換后第個尺度上的第個子帶上處的系數(shù)，該系數(shù)的最大值為，是調(diào)整后的系數(shù)。本文自適應(yīng)確定閾值，在不同尺度、不同方向下采用不同閾值： 式中，是在第個尺度上的第個子帶的閾值，是該子帶圖像的大小，是該子帶處的系數(shù)，是該子帶系數(shù)的均值。本文采取自適應(yīng)閾值去噪，并對其它帶通方向子帶系數(shù)采用式()進行調(diào)整：式中，控制增強強度，本文取20，控制增強范圍。式中，和是待確定參數(shù)，通過粒子尋優(yōu)找到最優(yōu)值，自適應(yīng)地進行紅外圖像增強，得到最好的視覺效果。是灰度級變換函數(shù)，選取適當(dāng)?shù)暮瘮?shù)可以提高紅外圖像的對比度。本文對低通子帶采用基于局部均值的對比度增強方法，假設(shè)低通子帶系數(shù)是，局部均值為，由下式確定： 式中，為低通子帶系數(shù)的鄰域，本文取的窗口，為內(nèi)的系數(shù)個數(shù)，本文取9。 低通子帶系數(shù)調(diào)整Contourlet變換后產(chǎn)生的低通子帶，包含了圖像大量的基本信息。假設(shè)原圖像為，圖像大小為，增強后的圖像為。不定參數(shù)可由混沌PSO算法尋優(yōu)得到。因此，主觀評價和客觀評價都有局限性和缺陷性。第五章 針對多種圖像的基于Contourlet和混沌PSO的增強算法 引言對圖像增強效果的評價分為主觀評價和客觀評價。然后本章對自適應(yīng)雙粒子群優(yōu)化算法(ACPSO) 詳細介紹。在基本PSO算法基礎(chǔ)上，詳細地分析了兩種混沌PSO算法。鄰域搜索方法能夠增強粒子在鄰域的細化搜索能力。所謂鄰域搜索的方法, 就是粒子除向自身歷史最優(yōu)學(xué)習(xí)外，還向鄰域的最優(yōu)粒子學(xué)習(xí)。動態(tài)自適應(yīng)慣性權(quán)重設(shè)置如下： 式中，為第個粒子在第次迭代時所對應(yīng)的適應(yīng)度函數(shù)值，為第次迭代時群體最優(yōu)適應(yīng)度函數(shù)。在粒子群的搜索過程中，經(jīng)常變異必然影響粒子群的搜索效率，過度變異將導(dǎo)致混亂。then end首先，隨機產(chǎn)生向量和當(dāng)優(yōu)化停滯步數(shù)大于5時，由Logisitic映射進行迭代，產(chǎn)生混沌變量；然后，進行混沌變異， 更新粒子的歷史最優(yōu)解和全局最優(yōu)解的值，以提高全局搜索能力。此時，調(diào)整個體極值pbest和全局極值gbest，引導(dǎo)所有粒子飛向新的位置，從遷移聚集到一個新位置，經(jīng)歷新的搜索路徑和領(lǐng)域, 增加發(fā)現(xiàn)更優(yōu)解的概率，擺脫局部極值。種群1為混沌變異全局搜索種群。采用2個獨立的粒子群進行協(xié)同優(yōu)化，其中種群1 采用標(biāo)準(zhǔn)的微粒群算法()，充分利用標(biāo)準(zhǔn)粒子群在搜索前期效率高的特點執(zhí)行全局搜索；種群2 采用自適應(yīng)慣性權(quán)重和局部鄰域搜索的方法執(zhí)行局部細化搜索，以提高搜索精度。NCPSO算法步驟如下：　Step1 : 初始化小生境粒子種群；Step2 : 計算粒子適應(yīng)度, 找出每個小生境種群中的最優(yōu)粒子；Step3 : 實施RCS小生境淘汰選擇進化策略,確定每個小生境獨立搜索空間的最優(yōu)個體；Step4 : 如果迭代次數(shù)達到一定代數(shù), 則對最劣小生境子種群進行更新初始化；Step5 : 對所有小生境最優(yōu)個體實行變尺度混沌變異,進一步提高搜索精度；Step6 : 對每一小生境種群獨立進行PSO 優(yōu)化；Step7 : 如果滿足結(jié)束條件, 則停止迭代, 并輸出最優(yōu)解,否則轉(zhuǎn)Step2。這樣,在進化初期變異尺度大，有利于算法在廣闊的空間搜索全局最優(yōu)解；在進化后期變異尺度小,在小空間內(nèi)緊緊圍繞局部極點精細搜索, 有利于提高解的精度。通過混沌映射Logistic迭代方程得到： 由下式更新的位置： 式中，稱為收縮因子，它決定了變量的變異空間，由下式得到： 式中，為粒子群的進化代數(shù)，用于控制收縮速度，本文中。小生境半徑定義了各個子種群獨立的搜索空間,一旦某個小生境最優(yōu)個體進入了其他小生境的搜索空間,則重置該個體,并在其所在的小生境內(nèi)重新選擇最優(yōu)個體. 從而使每個小生境子種群自然形成不同的獨立搜索空間, 追逐不同的局部極值,有效地減少了標(biāo)準(zhǔn)PSO 算法的所有個體作為整體種群陷入局部最優(yōu)的概率。RCS 小生境算法具體實現(xiàn)如下：設(shè)PSO 算法種群由個子種群組成，每個子種群中最優(yōu)個體為。該策略通過控制子種群之間的排擠和競爭，使各個子種群在進化中動態(tài)形成各自獨立的搜索空間，對多個局部極值進行同步搜索，避免了算法的早熟收斂。 混沌粒子群優(yōu)化算法 混沌小生境粒子群算法賈東立于2004年提出了基于混沌變異的小生境粒子群算法(NCPSO)。位置限制在允許范圍內(nèi)，最后輸出gbest，為全局最優(yōu)解。粒子迭代公式如下： 式中，和稱為加速因子，控制粒子向極值追蹤的速度，一般取2；為慣性因子，較大的有利于大范圍搜索，使種群跳出局部極值點；較小的有利于快速收斂，取值范圍一般為；和是均勻分布在上的隨機數(shù)。首先對粒子群進行初始化，然后通過迭代方程尋找最優(yōu)解。 PSO算法描述設(shè)在維空間中，每個粒子有位置和速度，代表問題的解，代表粒子從當(dāng)前位置移動到下一位置的速度大小。Kennedy和Eberhart對Hepper的模仿鳥群的模型進行了修正，以使粒子能夠飛向解空間，并在最好解處降落，從而得到了PSO算法。兩個個體即使不被綁在一塊，也具有相同的態(tài)度和 信仰，但是兩只鳥是絕對不可能不碰撞而在空間中占據(jù)相同的位置。我們更多的 是調(diào)節(jié)自己的信仰和態(tài)度，來和社會中的杰出人物或 者專家，或者在某件事情上獲得最優(yōu)解的人保持一致。鳥類和魚類是調(diào)節(jié)他們的物理運動，來避免天敵， 尋找食物，優(yōu)化環(huán)境的參數(shù)，比如溫度等。”這說明，同種生物之間信息的社會共享能夠帶來好處。1975年，生物社會學(xué)家Wilson在論文中闡述了對魚群的研究。他在論文中提出：“至少在理論上，魚群的個體成員能夠受益于群體中其他個體在尋找食物的過程中發(fā)現(xiàn)的和以前的經(jīng)驗，這種受益是明顯的，它超過了個體之間的競爭所帶來的利益消耗，不管任何時候食物資源不可預(yù)知的分散于四處。在這些早期的模型中他們把重點都放在了個體間距的處理，也就是讓鳥群中的個體之間保持最優(yōu)的距離。他們發(fā)現(xiàn)，由數(shù)目龐大的個體組成的鳥群飛行中可以改變方向，散開，或者隊形的重組等等，那么一定有某種潛在的能力或者規(guī)則保證了這些同步的行為?；煦缌Ｗ尤核惴朔薖SO算法早熟收斂、搜索精度低等缺點。 對于帶通子帶，先估計噪聲閾值，對子帶系數(shù)進行抑制噪聲處理，然后通過模糊增強算法，對高頻系數(shù)進行非線性增強，增強目標(biāo)邊緣紋理的特征，抑制背景信號。本章也描述了一種基于Contourlet變換和模糊理論的圖像增強算法。 本章小結(jié)本章闡述了小波的基本原理，包括連續(xù)小波變換、多分辨率分析概念和離散小波變換，并且詳細介紹了Contourlet變換的基本概念，對拉普拉斯金字塔 (LP)分解和方向濾波器組(DFB)的原理作了詳盡闡述，給出了DFB的具體構(gòu)造方法以及Contourlet變換分解的具體流程。首先根據(jù)公式()()求取閾值，進行抑噪處理，然后采用公式()()對抑噪后的帶通子帶進行模糊增強。綜上所述，基于Contourlet變換和模糊理論的紅外圖像增強算法的步驟可歸納為：(1) 對圖像進行Contourlet 變換，得到低通子帶和帶通子帶。 式中，為可調(diào)參數(shù)，為了讓圖像的增強具有自適應(yīng)性，必須能根據(jù)子帶的特性自動地進行調(diào)整： 式中，與分別為子帶系數(shù)的最小值與最大值。它能抑制代表噪聲和背景的小系數(shù)，同時提升較大的系數(shù)。(2) 首先用以上所求的閾值，對系數(shù)進行抑噪處理，采用硬閾值法： 構(gòu)造造模糊隸屬度函數(shù)，采用一種升半梯形模糊分布求，即： 然后利用下面的廣義模糊算子GFO對模糊隸屬度函數(shù)進行非線性調(diào)整。閾值取為： 式中，為子帶的噪聲方差，取帶通系數(shù)最小尺度的各個方向的帶通子帶噪聲方差的最小值: 采用經(jīng)典的中值估計公式對噪聲方差進行估值: 式中，為各個帶通子帶的系數(shù)。圖像信號的Contourlet系數(shù)強相關(guān)，而噪聲的系數(shù)弱相關(guān)或者不相關(guān)。經(jīng)Contourlet變換后的帶通方向子帶包含了大量的圖像輪廓和紋理信息和一些噪聲。首先統(tǒng)計得到圖像灰度值的最小值和最大值。低通子帶對原始圖像的最大影響是影響對比度。低通子帶采用線性增強方法，經(jīng)Contourlet變換產(chǎn)生的低通子帶，經(jīng)Contourlet變換后，產(chǎn)生的低通子帶中含有大量的圖像基本信息。綜上所述，可以得到增強后的圖像： 式中，該算法的步驟如下：(1) 對圖像進行離散平穩(wěn)小波變換；(2) 對變換后的各個高頻子帶利用式()進行增強處理；(3) 利用增強后的各個高頻子帶圖像重建圖像,得到最終結(jié)果。對于增強前的圖像（表示第分解層的第個子帶圖像中像素的灰度值，；）而言，其中，設(shè)中所有像素灰度的絕對值最大值為，則可以通過將增強前的圖像的像素灰度范圍從映射到?？偞嬖谀骋粋€閾值，對那些灰度的絕對值小于的像素保持不變，而對那些灰度的絕對值大于 的像素被增強。和分別用來控制閾值大小和增強的速率。這樣,使得增強后的圖像目標(biāo)突出，細節(jié)明顯，層次過渡感強，避免增強后效果生硬，以產(chǎn)生良好的視覺效果。在各個子帶圖像中,對幅值小于某個閾值的像素保持不變， 相當(dāng)于對圖像中的過渡區(qū)域像素的灰度值保持不變。該算法采用非線性增強方法。但是這個變換陣存在一個左逆, 這個左逆的計算復(fù)雜度如上所述為。文獻[11]提出了一種基于離散平穩(wěn)小波變換的圖像增強方法。(5) 用FIR濾波器，對像素圖像PDFB的算法復(fù)雜度為 。Contourlet變換和小波變換一樣，兩者都是一個迭代過程，因此可以容易地用遞歸的方法實現(xiàn)Contourlet變換程序。圖311 Contourlet變換的分解框圖Contourlet變換具有比小波變換分解出更多的方向子帶，分解具有更多的方向信息。將一個層方向濾波器組的二叉樹結(jié)構(gòu)看作一個并行通道的濾波器組，每個通道由等效分析濾波器、等效合成濾波器和組合采樣矩陣組成，如圖310所示。(a) 0型(b) 1型圖39 第三級及三級以后的方向濾波器組結(jié)構(gòu)等效示意圖以后各層對楔型頻率子帶的劃分過程類似第三層的劃分過程，由于等效的平行四邊型濾波器與前一層分解產(chǎn)生的信號頻譜僅有一半重合，因此，總的效果相當(dāng)于將信號的頻譜進一步劃分。此時，用0型和1型分別指代使用和的分支。圖38 五株采樣濾波器組與逼近濾波器組的組合選擇和用在第一通道中，而選擇和用在第二通道中。從第三級開始，采用圖38所示的重采樣扇型QFB結(jié)構(gòu)。通過互換，扇型濾波器被變換成一個四象限的等價濾波器（用表示），其和第一級的扇形濾波器一起組成了四方向楔型頻域子帶濾波器（卦限濾波器）。圖37展示了一個四方向濾波器組的結(jié)構(gòu)，圖中將第一級和第二級分解的五株采樣矩陣分別定為和，這樣對整個系統(tǒng)而言，其下采樣矩陣就是，各個方向上都進行了二抽取下采樣。為了獲得理想的頻率劃分，還必須使用一種特殊的樹型結(jié)構(gòu)進行迭代運算，這樣就會造成頻率劃分后的子帶不能按照需要的順序進行排列。方向濾波器組對影像進行層的樹狀結(jié)構(gòu)分解，在每一層將頻域分解成個子帶，每個子帶呈楔型，如圖36，實現(xiàn)了3層8個子帶頻域分解。因而，小波分解后，對高頻部分進行了重新劃分，而塔式分解沒有對圖象的高頻部分進行劃分，易于后面使用方向濾波器組來對高頻部分進行方向劃分。其分解過程如圖34所示： 圖34 塔式分解過程圖中，為第尺度上的低頻圖像，為低通濾波器，為采樣矩陣。在LP分解中，首先對原始信號采用分析(低通