基于多分辨率分析和混沌PSO的图像增强技术毕业论文

合集下载

基于混沌粒子群算法的多阈值图像分割

2010，46（10）1引言图像分割[1]的目的是将感兴趣的区域提取出来，这种从图像中将某个特征的区域与其他部分进行分离并提出来的处理就是图像分割。

单一阈值进行图像分割就是对整个图像采用一个被确定为最佳阈值进行图像分割，这类方法对比较简单的图像有效，但对比较复杂的图像其分割效果不理想。

目前一些学者尝试将粒子群算法和最大熵图像分割相结合[2]，该方法充分发挥了这两种算法的优势大大提高了搜索效率同时保证了图像分割效果和鲁棒性，但这两种方法结合也存在一些不足，由于粒子群算法本身容易陷入局部最优的缺陷，考虑将混沌状态引入到优化变量中，将混沌的遍历范围映射到优化变量取值范围。

用混沌粒子群算法和多阈值分割相结合，实验表明基于混沌粒子群算法的多阈值图像分割具有较快收敛速度和较高的收敛率[3]。

2混沌粒子群算法一般将由确定性方程得到的具有随机性的运动状态称为混沌，呈现混沌状态的变量称为混沌变量。

如下的方程是一个典型的混沌系统：S i+1=uS i（1-S i）i=0，1，2， (1)式中u为控制参量，方程可以看作是一个动力学系统。

u值确定后，由任意初值S0∈[0，1]，可迭代出一个确定的时间序列S1，S2，S3，…一个混沌变量在一定范围内有随机性，即它的表现同随机变量一样杂乱遍历性，它可以不重复地经历空间内的所有状态规律性，该变量是由确定的迭代方程导出。

混沌优化方法是一种新颖的优化方法，它利用混沌系统特有的遍历性来实现全局最优，不要求目标函数具有连续性和可微性的性质。

当3.15699456<u≤4时，logistic映射工作于混沌状态。

粒子群优化算法（PSO）[4]是一种进化计算技术（evolutionary computation），源于对鸟群捕食的行为研究，由Eberhart博士和kennedy博士提出。

它通过迭代搜寻最优值，系统初始化为一组随机解，而粒子潜在的解在解空间追随最优的粒子进行搜索。

假设在一个n维的目标搜索空间中，有N个粒子组成一个群体，其中第i个粒子表示一个n维的向量x i=（x i，1，x i，2，…，x i，n），分基于混沌粒子群算法的多阈值图像分割蒋艳会，李峰JIANG Yan-hui，LI Feng长沙理工大学计算机与通信工程学院，长沙410076Computer and Communication Engineering Institute，Changsha University of Science&Technology，Changsha410076，ChinaE-mail：cslg08@JIANG Yan-hui，LI Feng.Multi-threshold method of image segmentation based on chaotic particle swarm optimization puter Engineering and Applications，2010，46（10）：175-176.Abstract：Due to the problems of the single threshold image segmentation method isn’t ideal，the particle swarm optimization al－gorithm is easy to fall into local optimum，and the speed is slow，a multi-threshold method of image segmentation based on chaotic particle swarm optimization algorithm is proposed to solve the optimization problems.By using randomicity，ergodic and ini－tial value sensitivity of chaos，chaotic particle swarm optimization algorithm is combined with multi-threshold method.The experi－mental result indicates multi-threshold method of image segmentation based on chaotic particle swarm optimization algorithm re－duces the searching time，and the operating time doesn’t significantly enhance with the increase number of threshold.Key words：image segmentation；particle swarm optimization algorithm；multi-threshold；chaos摘要：针对单阈值图像分割方法在求取比较复杂的图像时效果不理想及粒子群算法容易陷入局部最优且速度较慢等等问题，提出了基于混沌粒子群优化算法的多阈值图像分割方法。

基于多分辨率的医学图像区域融合算法

基于多分辨率的医学图像区域融合算法。
３基于局部绝对值选大昀高频融合规则．１在小波分解后的高频带图像中，绝对值较大的系数包含
着更多的信息，因此，采用绝对值选大的融合规则能够很好地保持源图像的细节信息和对比度，但也容易引入噪声。因
上都取得了令人满意的结果，与基于监督的封闭抠像算法结果相当，且明显优于非监督的光谱抠像算法。本文方法的抠
像效果与显著度提取的精度有直接关系，下一步将提高图像显著度的提取精度与速度，以改进整体抠像的质量。
参考文献
［］ＬｖｎＡ，ｉｈｎｋＷｅｓＹｌｓｄＦｒＳｌｔｎｔ — １ｅｉＬｓｉｓｉｃＤ，ｉｓＡＣｏｅｏｍｏｕｉＮａｏｏ
塔变换，小波变换能提供更多的方向信息，且解决了分解后
各层间的数据冗余和相关的问题。本文采用Ｈａｒｒ小波变换。Ｊ
的主要信息，对噪声有一定的抑制作用，但是其融合结果中会丢失一些局部细节信息。而基于多分辨率的方法有利于获
得图像的局部化细节，减少时问开销，因此，本文提出一种
［ｓｒｃ］ＴｉｐｐｒｐｏｏｅｄｃｌｍａｅｒｇｏｕｉｎａｏｔｍａｅｎｍｕｔｒｓｌｔｎＴｅｓｕｃｍａｅｒｅｏｏｅｎｏＡｂｔａｔｈｓａｅｒｐｓｓａｍｅｉａｉｇｅｉｎｆｓｌｒｈｂｓｄｏｌ—ｅｏｕｉ．ｈｏｒｅｉｇｓａｅｄｃｍｐｓｄｉｔｏｇｉｉｏ
ｎ
合规则，进行高频带的融合。采用模糊ｃ均值算法对熵值大的低频带进行区域分割，将区域映射到其他低频带中，利用Ｅ融合算法融合Ｍ

基于混沌优化的最佳熵阈值的图像分割

7
图+
原始图像
#! ， $$$$$$ ， #- ， #& "5.， / 6。 .、 / 为图像的灰度级的上下限。
步骤 ! 确定混沌优化机制・（+" ） 01)+(! 0（ 1 +$",01 ）采用式（+" ）的 890:;<:= 映射作为混沌优化机制。其中 !(# 时映射处于混沌状态。步骤 4 初始化寻优参数为式（+" ）赋初值，将当前优化函数值 2+ ， 01 $0"； 2! ， $$$$$$ ， 2赋较大的初值。步骤 # 优化计算利用式（+" ）计算 01)+，利用式（++ ）将其变换到寻优空间中。（/%.）（++ ） #$5.)01)+ 6 判断 # 是否已做标记，是则转至步骤 > ，否则按照式 01$01)+，（- ）计算（后，标记 #， 2 #） 5 6为取整操作。步骤 > 重复 3 次步骤 # 计算，得到 #+， #!， $$$$$$ ， #3 及相应的（，（，（。 2 2 $$$$$$ ， 2 + #+） ! #!） 3 #3）步骤 * 选择当前的优化函数值 2+ ， 2! ， $$$$$$， 2- 及 #+ ， #! ， $$$$$$ ，
!$&
"#$!& % 86& %
% # "
（& ）
差之比来选择门限。./0/1/2/ 和 34,567589 假设目标像元均服从正态分布，但二者的均值和方差不同，在此前提下，他们通过最小化总体错误分类的概率来选择门限。 :/;-< 等人 ’#(提出了最佳熵阈值方法，此方法不需要先验知识，而且也可以对非理想双峰直方图的图像进行分割处理，但有的时候，对于图像中背景或目标为多灰度级等复杂情况，有可能效果不理想，同时在进行阈值确定的时候，计算量比较大。混沌的发现，对科学的发展具有空前深远的影响。混沌具有其独特的性质，在优化计算中，利用混沌的随机性，可以避免陷入局部极小点，利用混沌的遍历性，可以确保寻找到全局最优点。大量的实验表明，混沌优化方法寻优效率明显优于其它随机搜索算法，如模拟退火、遗传算法等。该文修改了最佳熵阈值法确定阈值的准则，利用混沌优化方法，一次确定出图像熵函数的所有极大值，对于类似在目标

基于多分辨率和SMQT变换的电力设备红外图像增强算法研究

本文提出一种新的变换方法，这种变换方法的核心思想是
图均衡化方法容易引起图像局部过饱和。这里将ＳＴ变ＭＱ
换应用于图像增强中，在保持直方图均衡化方法优点的同时，又消除了直方图均衡化方法引起的图像局部过饱和。
值。
②根据图像显示质量的要求和运算量将上述区间等分
为 Ⅳ 部分，通常 Ⅳ取为２Ｑ。一个ＭＱＵ）Ｕ由三步运算得
到，分别是平均值计算、量化和输入集的划分。ＭＱＵ的第一步是计算出图像像素灰度值的平均值，这
２５之间的一些像素值占有的比例很小，或者就空着。直５
观上说，若一幅图像其像素占有全部可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调，理论上也就是这样的图像平均信息量最大。目前，对图像像素分布均匀化的最典型方法就是直方图均衡化，但是直方
０
５Ｏ
１００
１０５
２００
２Ｓ５
０
５０
１００
１０５
０ ’ ’
（）线性变换ａ
图１线性变换和改进算法效果对比图
其映射为０到２５的灰度值图像才能显示。现在常用的算５法有线性变换、对数变换和幂次变换。由于红外图像在不同情况下，它的温度值范围有很大不同，采用上面的几种变换共同的缺点是自适应差，为了将不同范围的温度值转换为０到２５区间要选取不同的变换参数。比如传统使用５最多的线性变换，首先需要选择变换区间，这里用图像中的最高温点和最低温点分别作为变换区间的上端点和下端

基于多分辨率分析的灰度调制影像融合方法研究

第11卷第1期2007年1月遥感学报J OURNAL OF REMOTE SENSI N GV o.l 11,N o .1Jan .,2007收稿日期:2004-09-30;修订日期:2006-05-10基金项目:江苏省高校自然基金项目(编号:04KJ D420193)和徐州师范大学重点基金(编号:04XLA12)。

作者简介:林卉(1973 ),男,讲师,2001年毕业于武汉大学摄影测量与遥感专业,获工学硕士学位,现从事遥感图像边缘提取、图像融合、I nSAR 技术的研究工作。

已发表论文30余篇,合编教材3部。

E-m ai:l li nhu i xznu@126.co m 。

文章编号:1007-4619(2007)01-0062-07基于多分辨率分析的灰度调制影像融合方法研究林卉1,张连蓬1,张庆利1,肖剑平2(1.徐州师范大学国土信息与测绘工程系,江苏徐州 221116; 2.武汉市勘测设计研究院,湖北武汉 430022)摘要: 在遥感图像处理中,由于应用的需要,已经有很多算法可以用来融合高分辨率的全色影像和低分辨率的多光谱影像。

本文阐述了小波变换的M all a t 算法和a T rous(多孔)算法,在此基础上,作者提出了一种基于多分辨率分析的灰度调制影像融合方法(M RAGM 算法),以SPOT 全色影像与TM 多光谱影像融合为例,详细给出了算法和解算步骤,最后分别用三种方法对SPOT 高分辨率全色影像和TM 低分辨率多光谱影像进行了融合,并且对融合后的影像从定性和定量方面都进行了评价,可以得出MRAGM 方法比M a llat 算法和a T rous(多孔)算法的融合效果要好。

关键词: 影像融合;多分辨率分析;M RAGM 算法;影像融合评价中图分类号: TP751.1 文献标识码: AI mage Fusion R esearch on the Basis ofM ult-i resol uti onAnal ysis Grey M odul ationL I N H ui 1,Z HANG L i an -peng 1,Z HANG Q i ng -li 1,X I AO Ji an -pi ng2(1.S c hool of Geod es y an d G e o m a ti c of X uzhou N or m al Universit y ,Jian g su X uzhou 221116,C hina ;2.Wuhan d esi g n and researc h institute o f e xploration an d surveyi ng ,H ubeiWuhan 430022,C hina )Abstract : In the course of re m ote sensi ng m i age processi ng ,i n or der to meet the application needs ,no w,m any a l gorithm s have been provided for the fusi on bet w een hi gh -resoluti on panc hro m atic m i age and lo w-resolut i on mu lt-i spectra l m i age .Th i s paper infers M all at algorith m and a T rous(porous algorith m )al gorith mtheoretically ,then prov i des specific calculat i on procedure .On the basi s of the m,mult-i resolut i on analysis grey modu l ation(M RAGM algorithm)is put for w ard ,at the sa m e tm i e ,ta k i ng the f usion bet w een SP OT m i age and TM m i age as an exa mple .A t last ,three ki nds of method are used for m i age f usion bet ween SP OT h i gh -resolut i on panchro mat i c m i age and T M l o w-reso l utionmult-i spectral m i age respectively ,and the f used m i age has been evaluated fr o m qualitative and quantitative aspect .The concl usion is dra wn that the ne w m ethod pr oposed i n th i s paper i s better t han other kinds of fusi on algorith m.K ey words : m i age f usion ;mult-i resoluti on ana l ysis ;M RAGM algorithm;m i age fusi on evaluati on1 引言在遥感图像处理中,由于应用的需要,已经有很多算法可以用来融合高分辨率的全色影像和低分辨率的多光谱影像。

基于混沌粒子群算法的多阈值图像分割

． ห้องสมุดไป่ตู้
Ｋｅｒｓｉｇｓｇｎａｉｎ；ａｉｌｗｒｐｉｚｔｎａｇｒｔｍ；ｌ－ｈｅｈｌ；ｈｏｙｗｏｄ：ｍａｅｅｍｅｔｔｏｐｒｃｅｓａｔｍｏｔｍｉａｉｌｏｈｍｕｔｔｒｓｏｄｃａｓｏｉｉ
ｄｕｅｔｓａｃｉｇｔｍｅ，ｎｄｈｅｐｅａｉｇｔｍｅｃｓｈｅｅｒｈｎｉａｔｏｒｔｎｉｄｏｓｔｉｎｉｃｎｌｅｈａｃｗｉｈｈｅｎｒａｅｕｍｂｒｏｈｅｈｏｄｅｎ’ ｓｇｆａｔｙｎｎｅｉｔｔｉｃｅｓｎｅｆｔｒｓｌ
．
ｍｅｔｌｒｓｌｎｉａｅｌ－ｈｅｈｌｍｅｈｄｆｉｇｅｍｅｔｔｎａｅｏｃａｔｐｒｉｌｓｒｐｉｚｔｎｌｏｔｍｅｎａｅｕｔｄｃｔｓｍｕｔｔｒｓｏｄｉｉｔｏｏｍａｅｓｇｎａｉｂｓｄｎｈｏｉａｃｅｗａｌｏｔｏｃｔｎｍｉａｉａｇｒｈｒ — ｏｉ
ａｇｒｈＣｍｐｔｒＥｇｎｅｉｇａｄＡｐｉａｏｓ２１．６１）１５１６ｌｏｉｍ．ｏｕｅｎｉｅｒｎｐｌｔｎ，００４（０：７ — ７．ｔｎｃｉ
ＡｂｔａｔＤｅｏｔｅｐｏｌｍｓｏｈｓｎｌｈｅｈｌｉｇｅｍｅｔｔｎｍｅｈｄｓｔｉｅｌｔｅｐｒｉｌｗｒｐｉｚｔｎａ— ｓｒｃ：ｕｔｈｒｂｅｆｔｅｉｇｅｔｒｓｏｄｍａｅｓｇｎａｉｔｏｉｏｎ’ ｄａ，ｈａｔｅｓａｌｏｔｃｎｍｉａｉｌｏｇｒｔｍｉａｙｏａｌｎｏｏａｏｔｍ，ｎｔｅｐｅｉｓｏａｏｉｈｓｅｓｔｆｌｉｔｌｃｌｐｉｍｕａｄｈｓｅｄｓｌｗ，ｍｕｔ－ｈｅｈｌｍｅｈｄｆｉｇｓｇｎａｉｎａｅｏｌｔｒｓｏｄｉｔｏｏｍａｅｅｍｅｔｔｂｓｄｎｏｃａｔａｔｌｗａｌｐｉｚｔｎａｇｒｈｉｒｐｓｄｔｏｖｈｐｉｚｔｎｐｏｌｍｓＢｓｎａｄｍｉｉ，ｒｏｉｎｎ — ｈｏｉｐｒｉｅｓｒｌｏｔｃｃＴｍｉａｉｌｏｉｍｓｐｏｏｅｏＳｌｅｔｅｏｔｏｔｍｉａｉｒｂｅ．ｙｕｉｇｒｎｏｃｔｅｇｄｃａｄｉｉｏｙｔｌｖｌｅｓｎｉｖｔｏｈｏ，ｈｏｉａｔｃｅｓｒｏｔｚｔｎｌｏｉｍｉｏｉｅｔｍｕｔ— ｈｅｈｌｔｏｒｅｅｐｒｉａｕｅｓｔｉａｉｙｆｃａｓｃａｔｐｒｌｗａｍｐｉａｉａｇｒｈｃｉｍｉｏｔｓｃｍｂｎｄｗｉｈｌｔｒｓｏｄｍｅｈｄｈｘｅ — ｉｉ

多分辨率域HMT图像去噪增强算法

ｍｅｈｄｐｓｅｓｓｍｕｄｒｃｉｎｌｏｔｏｓ，ｐｒｌｅｒｃｓｉｇａｉｉｙｆｒｉｇｎｏｍａｉｎ，ｈｇｔｉｙｒｔｆｉ — ｔｏｏｓｓｅｈｉｉｅｔｏａｐｉｎａａｌｌｐｏｅｓｎｂｌｔｍａｅｉｆｒｔｏｏｉｈｕｉｔａｅｏｎｌｆｒａｉｎａｄｅｈｎｅｍａｅｆｉｎｃｐａｌｔｎｄｆｒｎｒｑｎｉｓｏｍｔｎｎａｃｄｉｇｕｓｏａｂｉｙｉｉｆｅｔｆｅｕｅｃｅ．Ｔｈｏｇｅｅｆｓｍｕａｉｎｏｉｅｒｕｈａｓｒｓｏｉｌｔｓ，ｗｅｐｏｅｉｏｒｖｄｔｅｅｆｃｉｅｓｎｕｅｉｒｔｆｔｅｍｅｈｄａｔｒｃｍｐｒｎｔｗｉａｅｅ，ＣｏｔｕｌｔａｄＷａｅｅ— ｈｆｅｔｎｅｓａｄｓｐｒｏｙｏｈｅｎｗｔｏｆｅｏａｉｇｉｖｉｔＷｖｌｔｈｎｏｒｅｎｖｌｔＨＴＭ
ｄｖｌｐｅｙｕｉｇｍｕｔ—ｅｏｕｉｎｐｉｃｐｅ．ＩｆｅｔｅｙｒｄｃｓｔｅｐｅｏＧｉｂｆｅｔｆｕｎＷａｅｅｒｎｓｅｅｏｄｂｓｎｌｉｒｓｌｔｏｒｎｉｌｔｅｆｃｉｌｅｕｅｈｓｕｄ — ｂｓｅｆｃ０ｎｄｉｖｌｔｔａ — ｖ
中图分类号：Ｐ３１４文献标识码：文章编号：０６７４（０８０－８－６Ｔ９．１Ａ１０－０３２０）９０５０９

计算机论文：基于深度森林的图像超分辨率复原算法研究

计算机论文：基于深度森林的图像超分辨率复原算法研究本文是一篇计算机论文，本文提出的单帧和多帧图像复原算法在高维图像数据和多帧序列图像位移较大情况下，比目前流行的算法在实用性和价值性上都有很大的提高。

提高了传统图像超分辨率复原算法的性能；扩展了图像超分辨率复原算法的思路；满足生活应用领域和科学研究领域的需求；推进图像处理，模式识别等学科的发展。

第一章绪论1.1 研究背景和研究意义随着计算机应用和网络技术的发展，人类获取信息的渠道不再局限于文字，更多的是通过计算机网络中数字图像和视频所包含的视觉信息作为主要通道。

数字时代，数字图像是其中必不可少的信息传播媒介，很多场景都可以看到它们的身影。

但由于采集设备，传输介质和处理方法的不完善等因素，导致人们获取的大多是低分辨率图像。

低分辨率图像观赏性差，信息量少等特性不再满足图像在生活应用和科研发展的要求。

因而急需通过一定技术提高图像的分辨率使其拥有高密度的像素和丰富的细节。

超分辨率复原技术是把图像从低分辨率复原到高分辨率图像，并受到研究者们的热衷。

最开始，人们想的是通过改进硬件设备来提高图像的分辨率，简单来说就是通过提高采集设备系统中的传感器或光学器件等设备。

虽说获得了一定的性能提升，但缺陷也是显而易见的，成本高且实用性不强。

这就催生人们研究出成本低且实用性更强的复原技术。

根据图像理论，最直接的方法就是通过减少像素尺寸用来提高单位面积像素的数量。

但经过实验验证，单位面积内的像素是会互相干扰的。

而随着像素数量增加，同时干扰也会增大。

起不到很好的复原作用，并且会导致成像单元减少在曝光时间内对能量的吸收。

之后研究者们就开始寄希望于数字信号处理原理和机器学习理论，通过数字信号处理低分辨率图像的空间分辨率或利用训练学习低分辨率图像与高分辨率图像之间的对应关系。

复原得到一帧高分辨图像。

在一定程度上满足了生活应用和科研研究的要求。

但还是有待改进，以便获得实用性，价值性更高的高分辨率图像。

基于神经网络的图像超分辨率重建算法研究

基于神经网络的图像超分辨率重建算法研究在现代社会中，图像处理已成为影响人们生活的重要领域之一。

图像超分辨率重建技术是其中的热门研究课题之一，它通过低分辨率图像重建出高分辨率图像，使得图像的清晰度和细节得到极大提升，具有广泛的应用前景。

在图像超分辨率重建技术中，目前主要采用的方法是插值法、插值再加噪声法、边缘保持滤波法和基于样式的超分辨率重建算法等。

然而，这些方法存在一定的局限性，因为插值法会使得图像中出现锯齿和模糊等问题，而其他方法则容易出现伪影和失真等问题。

近年来，基于神经网络的图像超分辨率重建算法得到了广泛的研究和应用。

该方法通过利用深度学习技术对低分辨率图像和对应的高分辨率图像进行学习，从而建立起一个神经网络模型，并运用模型来对低分辨率图像进行重建。

该算法通过识别和自适应学习图像中的细节信息，从而提高图像超分辨率重建的精度和效果，减少了插值法和其他传统算法中常见的问题。

基于神经网络的图像超分辨率重建算法的研究和发展，主要关注以下几个方面：1.神经网络的构建基于神经网络的图像超分辨率重建算法，首先要构建一个合理的神经网络模型。

神经网络的结构和层数、激活函数的选择以及损失函数的设计等因素都会对重建算法的效果产生影响。

目前，常用的神经网络模型包括SRCNN、FSRCNN、VDSR和SRGAN 等，而其中，SRCNN模型是应用较为广泛的模型之一。

2.训练数据的准备训练数据的质量和数量对图像超分辨率重建算法的学习效果和性能具有重要影响。

因此，在进行训练之前，需要先准备大量的低分辨率图像和对应的高分辨率图像。

此外，为了减轻数据集的不平衡性，可以采用数据增强技术，如旋转、翻转、裁剪等，为训练数据集增加多样性。

3.网络训练和优化网络训练是基于神经网络的图像超分辨率重建算法的核心环节，其目的是通过反向传播算法，调整网络中的权重和偏置参数，从而优化模型的性能和精度。

在网络训练中，通常采用灰度值均值和标准差的归一化方法，以避免数据偏差，同时也会使用合适的优化算法、学习率、正则化参数等技术，以提高网络效果。

基于多尺度小波的图像增强算法

（ｌｇｆＭｅｈｎｃｌｇｎｅｉｇａｄＡｕｏｔｎ，ＮｏｔｉｅｓｔｆＣｉａＣｏｌｅｏｃａｉａｅＥｎｉｅｒｎｎｔｍａｉｏｒｈＵｎｖｒｉｏｈｎ，Ｔａｙａｈｎｉ００５，Ｃｈｎ）ｙｉｕｎＳａｘ３０１ｉａ
章编号：０８１３（０１０—３９０１０ —５４２１）６０６ —３
基于多尺度小波的图像增强算法
王晋，潘宏侠，润鹏赵
００５）３０１（中北大学机械工程与自动化学院，西太原山
摘要：出了一种基于多尺度小波的图像增强算法。首先对图像做小波分层，用散布矩阵对分提利
层后的图像提取更丰富的局部结构信息，最后对每一个子图像进行局部直方图均衡化，可将表明该方法的增强效果明显优于传统的直方图均衡
化方法，既提高了图像的整体对比度又突出了图像的局部细节，同时还抑制了噪声。关键词：图像增强；多尺度小波；声噪中图分类号：Ｎ９１７Ｔ１．３文献标志码：Ａ
将式（）为期望的输出图像直方图分布函数１作
ｈ（，Ｄ）可得到直方图均衡化所需的变化函数为
第２８卷第６期
２１年ｌ月０１１
河北工业科技
ＨｅｅｏｒａｆＩｄｓｒａｃｅｃｎｃｎｌｇｂｉｕｎｌｏｎｕｔｉｌｉｎｅａｄＴｅｈｏｏｙＪＳ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

编号南京航空航天大学毕业论文

题目基于多分辨率分析和混沌PSO的图像增强技术南京航空航天大学本科毕业设计（论文）诚信承诺书

本人郑重声明：所呈交的毕业设计（论文）（题目：基于多分辨率分析和混沌PSO的图像增强技术）是本人在导师的指导下独立进行研究所取得的成果。尽本人所知，除了毕业设计（论文）中特别加以标注引用的内容外，本毕业设计（论文）不包含任何其他个人或集体已经发表或撰写的成果作品。

作者签名：年月日（学号）：毕业设计（论文）报告纸

i 基于多分辨率分析和混沌PSO的图像增强技术

摘要图像增强的目的是为了改善图像的视觉效果，提高图像的对比度、清晰度，将图像中感兴趣的特征有选择地突出。本文首先研究了现有的增强算法，传统增强算法无法增强细节信息，而且不能抑制噪声。且传统算法中的参数是由经验所得，不能对不同图像自适应增强。为此，本文针对红外热波图像、火焰图像、数字全息图像的各自特点，提出了基于Contourlet变换和混沌粒子群优化的图像自适应增强算法。首先对图像进行Contourlet变换，然后调整低通子带和带通方向子带系数。对于低通子带采用空间域算法，待定参数由混沌粒子群算法寻优，适应度函数兼顾了峰值信噪比、对比度、清晰度、信息熵四个指标。对于带通方向子带，采用自适应阈值去噪，并对代表细节的系数进行增强。实验中对大量图像进行了增强处理，实验结果表明，与现有的三种增强算法相比，本文的方法能得到更好的视觉效果，并且对所有同类图像都有好的适应性。

关键词：图像增强,Contourlet变换,空间域增强,频域增强,混沌粒子群优化

本论文受以下基金项目资助： 1. 无损检测技术教育部重点实验室（南昌航空大学）开放基金重点项目：Contourlet和混沌PSO在红外热波无损检测图像处理中的应用(批准号：ZD2010290) 2. 煤燃烧国家重点实验室（华中科技大学）开放基金重点项目：基于复Contourlet、混沌粒子群和Krawtchouk矩的火焰图像处理与状态识别（批准号：FSKLCC1001） 3. 瞬态光学与光子技术国家重点实验室开放基金重点项目：基于Contourlet的数字全息再现像方法研究（批准号：FSKLCC1001）毕业设计（论文）报告纸 ii Image enhancement technology based on multiresolution analysis and chaotic PSO algorithm

Abstract Image 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 low-pass subband and band-pass directional subband are adjusted. For the low-pass 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 band-pass 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, compared 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; Contourlet transform; Spatial domain enhancement;

Frequency domain enhancement; Chaotic particle swarms optimization 毕业设计（论文）报告纸 iii 目录摘要 ................................................................................................................................................... i Abstract ................................................................................................................................................ ii 目录 ................................................................................................................................................. iii 图表清单 ............................................................................................................................................. vi 注释表 ................................................................................................................................................ vii 第一章绪论 .................................................................................................................................... 1 1.1 课题研究的目的与意义 ........................................................................................................ 1 1.2 图像增强技术的国内外发展状况 ........................................................................................ 1 1.3 图像增强技术的应用概况 .................................................................................................... 4 1.4 本文的研究工作和内容安排 ................................................................................................ 4 第二章图像增强的基本方法 ............................................................................................................ 6 2.1 引言 ........................................................................................................................................ 6 2.2 空域法 .................................................................................................................................... 6 2.3 频域法 .................................................................................................................................. 10 2.4 本章小结 .............................................................................................................................. 12 第三章多分辨率分析原理及相关增强算法 .................................................................................. 13 3.1 引言 ...................................................................................................................................... 13 3.2 小波变换 .............................................................................................................................. 13 3.2.1 连续小波变换 ............................................................................................................ 13 3.2.2 多分辨率分析 ............................................................................................................ 14 3.2.3 离散小波变换 ............................................................................................................ 14 3.3 Contourlet变换..................................................................................................................... 16 3.4 基于小波变换的图像增强算法 .......................................................................................... 20 3.5 基于Contourlet变换的图像增强算法............................................................................... 22 3.6 本章小结 .............................................................................................................................. 24 第四章混沌粒子群优化算法 .......................................................................................................... 25