基于混沌粒子群优化的Contourlet域红外图像自适应增强
吴一全1,2, 吴诗婳1, 张宇飞1
1.南京航空航天大学 电子信息工程学院, 南京 210016
2.中航工业电光设备研究所 光电控制技术重点实验室, 河南 洛阳 471009

作者简介:吴一全(1963-),男,教授,博士生导师.研究方向:图像处理与分析,目标检测与识别.E-mail:nuaaimage@163.com

摘要

为进一步增强红外图像的对比度、提高清晰度并抑制噪声,提出了一种基于混沌粒子群优化(PSO)的Contourlet域红外图像自适应增强方法。首先对红外图像进行Contourlet变换,调整低通图像和细节图像在原始图像中的比例,并经灰度线性拉伸增强图像对比度;然后通过非线性增益函数调整含噪带通方向子带系数;利用兼顾对比度、清晰度和信噪比3个指标的定量综合评价函数作为混沌PSO的适应度,寻找基于Contourlet的空间域增强和带通方向子带系数调整的非线性增益函数所涉及的最优参数。大量实验结果表明:与近年提出的4种图像增强方法相比,该方法能使红外图像的对比度和清晰度提高,噪声降低,整体视觉效果更佳。

关键词: 信息处理技术; 红外图像增强; Contourlet变换; 自适应增强; 混沌小生境粒子群优化; 非线性增益函数
中图分类号:TN911.73 文献标志码:A 文章编号:1671-5497(2014)05-1466-08
Infrared image adaptive enhancement in Contourlet domain based on chaotic particle swarm optimization
WU Yi-quan1,2, WU Shi-hua1, ZHANG Yu-fei1
1.College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
2.Science and Technology on Electro-optic Control Laboratory, Institute of Electro-optical Equipnent of AVIC,Luoyang 471009, China
Abstract

To further enhance the contrast of infrared image, improve the definition and suppress the noise, an adaptive enhancement method in Contourlet domain based on chaotic Particle Swarm Optimization (PSO) is proposed. First, Contourlet transform of the infrared image is performed. The proportion of low-pass image and detail image in the original image is adjusted, and the contrast is enhanced by linear gray stretch. Then, the coefficients of noisy bandpass directional subbands are adjusted by nonlinear gain function. An integrated quantitative evaluation function is used as the fitness of the chaotic PSO. In this evaluation function three indexes are taken into account, i.e. contrast, definition and signal-to-noise ratio. The optimal parameters, involved in the enhancement method in spatial domain and the nonlinear gain function for adjustment of coefficients of bandpass directional subbands base on Contourlet, are obtained by chaotic PSO algorithm. Experimental results for a large number of infrared images show that, compared with four existing image enhancement methods, the proposed method improves the contrast of enhanced infrared image, increases the definition, reduces the noise, and has a better overall visual effect.

Keyword: information processing technology; infrared image enhancement; Contourlet transform; adaptive enhancement; niche chaotic mutation particle swarm optimization; nonlinear gain function
0 引言

红外成像技术在搜索与跟踪、精确制导、预警与告警、大视场目标监视、卫星遥感等一系列系统中得到了广泛的应用。因其空间分辨率低、波长长、传输距离远以及受大气衰减、探测器噪声、外界环境的随机干扰等诸多因素的影响,造成红外图像对比度较低、边缘和细节模糊且含有多种噪声[ 1, 2]。为此,需对红外图像进行增强处理。图像增强是图像预处理中的重要环节,通过提高对比度、增强边缘和细节特征、抑制噪声等手段,改善图像质量,使之更适于人类视觉观察与分析或计算机处理与识别。图像增强按作用域可分成空间域和变换域两类方法。传统的空间域方法主要有灰度变换、直方图均衡化[ 3]、反锐化掩模[ 4]等;而早期的变换域方法主要是在傅里叶变换域上进行。这些传统方法,或者由于灰度级合并易丢失图像细节信息,对于低亮度和低对比度的图像增强效果较差;或者在增强图像对比度的同时也增强了噪声,且细节表现欠佳。随后提出的小波变换域增强方法[ 5, 6, 7],因小波的多尺度与局域性,在噪声抑制、细节表达上有了很大的改进。然而,小波变换只能反映奇异“点”的特性,难以表达更高维的特性。随后又出现了基于二代小波变换、平稳小波变换的图像增强算法[ 8, 9, 10],但二代小波变换采用固定的滤波器结构,可能会影响变换后的结果,尤其对突变信号效果不佳;平稳小波虽适合处理相关性问题,但其自身冗余度过高。为此,人们提出利用Curvelet变换、Contourlet变换等多尺度几何分析的增强方法[ 11, 12, 13, 14],弥补了小波变换的不足,能更好地表现图像的方向信息。但Curvelet变换对于高阶正则奇异边缘的逼近能力不如小波,易在边缘产生“划痕”。而Contourlet变换则是一种多方向、多尺度、多维数的函数表示方法,冗余度小,与Curvelet变换和小波变换相比,能更稀疏地表示二维图像,更好地保留边缘和纹理信息。经过Contourlet分解后,对应噪声的Contourlet系数迅速减弱,代表纹理和轮廓的系数则相对稳定。将其用于图像增强有很好的效果。另一方面,人们也试图利用优化算法对空域增强方法进行改进,采用模拟退火、遗传及粒子群等算法选取非完全Beta灰度变换函数中涉及的参数[ 15, 16, 17, 18],但仍无法避免空域方法固有的缺陷。

在基于Contourlet变换的增强算法中,调整低频系数和带通方向子带系数的增益函数通常含有若干参数,参数选择不同会使得图像增强效果差异很大。如果尝试利用优化算法,根据图像自身特点筛选出最优参数,可望使图像增强效果更佳。为此,可利用混沌小生境粒子群优化(Niche chaotic mutation particle swarm optimization,NCPSO)算法[ 18]提高搜索增益函数最优参数的速度和精确度。基于上述分析,本文提出了一种基于混沌PSO的Contourlet域红外图像自适应增强方法。先利用混沌PSO算法选取增益函数的优化参数,再根据优化后的增益函数采用基于Contourlet的空间域增强方法对原始图像进行处理,接着按照非线性增益函数调整经上述处理后的红外图像带通方向子带系数,由此实现红外图像增强。文中给出了实验结果,并与近年来提出的基于双向直方图均衡、二代小波、平稳小波、Curvelet变换等增强方法在视觉效果、对比度、清晰度、抗噪性方面进行了比较。

1 Contourlet变换和基本粒子群优化算法
1.1 Contourlet变换

Contourlet变换是一种有效的多分辨率、局域、多方向的图像表示方法,可以表示视觉信息中重要而复杂的几何结构。其基本思想是首先用一个类似小波的多尺度分解捕获边缘奇异点,再根据方向信息将位置相近的奇异点连成线形结构,捕捉图像中的轮廓。离散Contourlet变换也称塔形方向滤波器组(Pyramidal direction filter bank,PDFB),其结构原理图如图1所示。它由拉普拉斯塔式(Laplacian pyramid,LP)分解和方向滤波器组(Directional filter banks,DFB)两个步骤实现。首先用LP滤波器对图像进行多尺度分解,即在每一层上产生上一层图像的低通采样逼近图像及上一层图像与该低通采样逼近图像之间的差值图像(即高频分量或称带通子带),然后在差值图像上应用DFB,得到2的整数幂个“锲形”频率分割方向子带图像,从而捕获图像中的轮廓。对LP分解得到的每层低通图像重复上述操作可得到图像的多尺度多方向分解。原始图像经Contourlet分解,最终得到一个低通图像和分布于多尺度多方向上的高频分量。

图1 Contourlet滤波器组Fig.1 Contourlet filter bank

1.2 基本粒子群优化算法

设在 n维解空间中,每个粒子i有位置Xi=(Xi1,Xi2,,Xin),它表示问题的解,粒子的优劣程度用其适应度函数表示,粒子从当前位置移动到下一位置的速度Vi=(Vi1,Vi2,,Vin)。首先对粒子群初始化,然后通过迭代方式在解空间中寻找最优参数。假设在第t次迭代时刻,粒子i的最优参数为Bi(t),称为个体极值,整个粒子群的最优解为Gb(t),称为全局极值。在t+1时刻,按下式更新速度:

Vi(t+1)=wVi(t)+c1r1[Bi(t)-Xi(t)]+c2r2[Gb(t)-Xi(t)](1)

然后以速度 Vi(t+1)移动到下一个位置,即:

Xi(t+1)=Xi(t)+Vi(t+1)(2)

式中:学习因子 c1=c2=2;r1r2是均匀分布在(0,1)上的随机数;惯性因子w=wmax-ttmax(wmax-wmin),其中tmax表示总迭代次数,wmaxwmin分别表示最大和最小惯性因子,本文中wmax=0.95,wmin=0.4。迭代更新过程中,粒子速率限制在[Vmin,Vmax],Vmin=-Vmax=-8。位置限制在允许范围内,最后输出的Gb(t)为全局最优解。

2 基于混沌PSO和Contourlet变换的红外图像增强算法

红外图像的目标和背景对比度较低、边缘和细节模糊且含有多种噪声。增强算法首先应该提高目标和背景的对比度与清晰度,还需具备良好的去除噪声能力。红外图像经Contourlet分解后得到一个低频子带图像和分布于多尺度多方向上的带通子带。低频区包含图像的大量基本信息,关系到图像整体对比度,带通子带系数则反映图像细节,包含图像噪声信息。本文提出的基于混沌PSO和Contourlet变换的红外图像自适应增强算法的基本思想是:首先将图像进行Contourlet分解;然后根据优化后的增益函数,采用基于Contourlet的空间域增强方法对原始图像进行处理,接着按照非线性增益函数调整红外图像各带通方向子带系数,其中增益函数的最优参数利用混沌PSO算法选取;最后经Contourlet反变换得到增强后的红外图像。

2.1 基于Contourlet的空间域增强

首先用LP滤波器对图像进行多尺度分解,即产生原始图像的低通采样逼近图像及原始图像与该低通采样逼近图像之间的差值图像(即高频分量或称带通子带),再在差值图像上应用DFB。对LP分解得到的低通图像重复上述操作即得到图像的多尺度多方向分解。其中第一个差值图像即为原始图像的细节图像。低通图像含有图像的大量基本信息,而高频细节图像主要包括细节信息和噪声。因此,调整低通图像和细节图像在原始图像中的比例,增大细节图像所占成分,就能够提高原始图像清晰度,接着再通过灰度线性拉伸可以达到进一步增强图像对比度的目的。

调整低通图像和细节图像在原始图像中的比例按下式进行:

IP=k1IL+k2(I-IL)(3)

式中: IIL分别为原始图像和原始图像的低通图像;IP为比例调整后的图像;k1k2分别为低通图像增益和细节图像增益,k1<k2

对上述比例调整后的图像按式(4)进行灰度线性拉伸,以进一步提高原始图像的对比度和清晰度:

IE=255(IP-Imin)Imax-Imin4

式中: IE为经过空间域增强后的图像;ImaxImin分别为图像IP的最大和最小灰度级。

该方法很好地增强了图像对比度和清晰度,但是随着高频分量的增多,也引入了更多的噪声。所以下一步将通过非线性增益函数对含有噪声的带通方向子带系数(即高频系数)进行调整,以此达到增强细节和去除噪声的目的。

2.2 带通方向子带系数调整

带通方向子带系数通常含有一些细节信息,并包含一定的噪声,对于该类系数的调整应该以增强细节信息,抑制噪声为目的[ 14]。下面给出去噪和增强一体化的带通方向子带系数调整方法。

首先利用式(5)确定归一化方向子带系数 x,x[-1,1],再根据其大小来进行增强。

x=fjd(m,n)Mjd5

式中: fjd(m,n)Mjd分别为第j层、d方向子带系数和最大系数。

G(m,n)表示调整后图像方向子带系数,则:

G(m,n)=MjdF(x)(6)

式中: F(x)为调整方向子带系数的非线性增益函数。

F(x)=0,|x<T1sign(x)T2+u2,T2|xT3x,其他式中:sign(x)=11+e-x;u2=a(T3-T2)[sign(c(u1-b))-sign(-c(u1+b))];a=1sign(c(1-b))-sign(-c(1+b));u1=sign(x)|x-T2T3-T2;

b(0,1),b可以控制增强曲线的形状;c为增益因子,c越大增强的幅度越大;T1,T2,T3为阈值,0<T1T2T3<1,T1T2T3是有待利用混沌PSO算法进行优化的参数。当归一化带通方向子带系数的绝对值小于某个阈值 T1,则该子带系数就被划为类似噪声的系数,需要进行抑制,置零;当大于阈值T2并小于阈值T3,则被认为是需做保留处理部分,根据式(6)进行增强拉伸;其余则被认为有足够大的对比度或者噪声较小的部分,无需进行增强或抑制。

2.3 增强效果的定量评价准则及适应度函数

对图像增强效果的评价一般从定性和定量两方面进行。由于人眼的视觉强度往往不同,具有主观性,对于某些细节的认知也不够准确,尤其是当图像细节过多,分辨不够明显时,定量分析的优势就体现出来。如何定量评价增强效果目前尚无统一的标准。本文根据红外图像的特点,选用清晰度、对比度及信噪比3种评价准则函数。

清晰度(definition)反映图像中的微小细节反差和纹理变化特征,该值越大,说明越清晰。大小为 M×N图像f的清晰度函数表示为:

Cdef=1MNi=1Mj=1NΔfx(i,j))2+(Δfy(i,j))27式中:Δfx(i,j)=f(i,j)-f(i-1,j)Δfy(i,j)=f(i,j)-f(i,j-1)

对比度(contrast)函数表示为:

Ccontrast=1MNi=1Mj=1Nf2(i,j)-1MNi=1Mj=1Nf(i,j)28

信噪比(SNR)函数表示为:

CSNR=10lgi=1Mj=1N[f(i,j)]2i=1Mj=1N[f(i,j)-f'(i,j)]29

式中: f'为去噪后的图像。

综合考虑清晰度、对比度和信噪比3种定量评价准则函数,以此作为混沌PSO算法的适应度函数Fitness:

Fitness=Ccontrast×Cdef×CSNRβ10

式中: β是一常数。

该综合评价函数更好地兼顾了对比度、清晰度和信噪比3个指标,由该评价函数作为适应度函数得出的优化参数能够使得增强后的红外图像对比度和清晰度提高,噪声降低,整体效果更佳。

2.4 参数选择的混沌小生境粒子群优化算法

基本粒子群算法实现简单,易陷入局部极值,搜索精度还不够高。结合小生境策略全局优化与变尺度混沌变异精细搜索两者优点的混沌小生境粒子群算法,可以避免算法收敛过早,保证搜索精度。

采用的混沌映射Logistic迭代方程为:

βjk+1=μβjk(1-βjk)k=1,2,;βj(0,1);βj0.25,0.5,0.75(11)

迭代过程中,对每个小生境种群中的最优个体 Bi(t)=[X1,X2,,Xj,,Xn]进行混沌迭代变异:

pc=Xj,min+βjk+1(Xj,max-Xj,min)Xjk+1=(1-λg)Xjk+λgpc12

式中: λg为收缩因子,它决定了变量Xj的变异空间:

λg=1-[g-1g]u13

式中: g为粒子群的进化代数;u用于控制收缩速度,本文中u=2

现利用基于混沌变异的小生境粒子群算法搜索最优参数,算法具体步骤如下:

Step1 读入低对比度红外图像,对其进行Contourlet变换。

Step2 初始化小生境粒子种群。随机产生5个粒子,分别代表 T1,T2,T3,k1,k2,并分成n个子种群。

Step3 粒子速度在 [Vmin(i),Vmax(i)]上随机产生,先利用k1k2调整低通图像和细节图像在原始图像中的比例,然后对调整后的图像进行灰度线性拉伸。

Step4 通过基于阈值 T1T2T3的非线性增益函数根据式(6)调整图像的各方向子带系数,并用式(7)~(10)计算每个粒子的适应度,找出每个小生境种群中最优粒子和全局最优粒子。

Step5 计算两个粒子种群最优个体 Bi(t)Bj(t)之间的距离dij。若dij<Rniche(小生境半径,取为5),比较两个小生境最优个体的适应度,低者置零,高者保持不变。对置零的最优个体重新初始化,并在其所在的小生境内重新选择最优个体,直至任意两个小生境最优个体之间的距离dijRniche

Step6 如果迭代次数达到预定值(50次),则对最劣小生境子种群进行更新初始化。

Step7 按式(12)对所有小生境最优个体的位置进行变尺度混沌变异,进一步提高搜索精度。

Step8 更新每个粒子的位置和速度。

Step9 如果达到迭代次数,则停止迭代,输出最优参数值,并对图像进行增强,否则转Step2。

3 实验结果与分析

利用上述提出的基于混沌PSO的Contourlet域红外图像增强算法对200幅低对比度红外图像进行增强实验,并与基于双向直方图均衡、二代小波变换、平稳小波变换和Retinex、Curvelet变换等近年来提出的4种增强方法进行了比较。实验结果在Core i3处理器/2G内存下测得,所选取的混沌PSO参数为:迭代次数 tmax=50,粒子个数为40,达到粒子群参数优化的收敛标准。现以其中两幅有噪红外图像的实验结果为例加以说明。这两幅图像背景偏暗、对比度低、细节不够清晰且含有噪声。针对两幅红外图像,采用上述5种方法的增强结果分别如图2图3所示。两图中的(a)为原始图像,(b)为直方图双向均衡方法[ 3],(c)为二代小波变换方法,(d)为平稳小波变换和Retinex方法,(e)为Curvelet变换方法的图像增强结果,(f)则为本文方法的图像增强结果。仔细辨别和比较上述方法所得增强后图像,发现本文方法的整体增强效果优于其他4种方法。从图2图3可以看出:双向直方图均衡方法在增强图像对比度的同时,显著放大了噪声,部分区域出现了过增强或增强不足现象;二代小波变换方法和Curvelet变换方法较好地抑制了噪声,没有出现过增强现象,但对比度不及平稳小波变换和Retinex方法,图像中人物和背景区分得不明显;平稳小波变换和Retinex方法虽然能增强红外图像的对比度,改善其亮度均匀性,但没有突出红外图像的细节特征,往往还会产生局部过增强现象,例如图2左上方位置和图3中上方的楼房处均存在此现象。综合来看,本文提出的基于混沌PSO的Contourlet域增强方法能很好地调节红外图像的对比度,改善图像的视觉效果,并抑制噪声。

图2 红外图像1的5种增强方法结果比较Fig.2 Comparison of results of five enhancement methods for infrared image 1

图3 红外图像2的5种增强方法结果比较Fig.3 Comparison of results of five enhancement methods for infrared image 2

下面针对上述两幅红外图像选用对比度、清晰度及信噪比3种评价准则函数,进一步对5种方法的增强图像进行定量评价。表1中给出了5种方法增强图像的对比度增益、清晰度增益及信噪比。

对比度增益为:

Acontrast=C'contrast/Ccontrast

清晰度增益为:

Adef=C'def/Cdef

式中: CcontrastCdefC'contrastC'def分别表示增强方法处理前后的图像对比度及清晰度。

表1可见,直方图双向均衡方法可在增强图像对比度的同时放大了噪声;二代小波变换方法、Curvelet变换方法虽然抑制了噪声,但是对比度的提高不是非常明显,清晰程度也不及本文方法;平稳小波变换和Retinex方法虽然在对比度提高的能力上与本文方法不相上下,但是在噪声去除能力上稍显欠佳。综合来看均没有本文方法的增强效果好。

表1 本文方法与现有方法的定量指标评价 Table 1 Quantitative index evaluation of the proposed method with existing methods
4 结束语

提出了基于混沌粒子群优化的Contourlet域红外图像自适应增强方法。基于Contourlet的空间域增强调整低通图像和细节图像在原始图像中的比例,增大细节图像所占成分,并通过灰度线性拉伸增强了图像的对比度。采用非线性增益函数对含有噪声的带通方向子带系数进行调整,能够同时达到增强细节和去除噪声的目的。利用增强效果的定量综合评价函数更好地兼顾了对比度、清晰度和信噪比3个指标。由该评价函数作为混沌PSO算法的适应度,优化了基于Contourlet的空间域增强和带通方向子带系数调整的非线性增益函数所涉及的参数。针对大量红外图像增强的实验结果表明:与双向直方图均衡、二代小波变换、平稳小波变换和Retinex、Curvelet变换4种近年来提出的图像增强方法相比,本文方法能够使得增强后的红外图像对比度提高,清晰度增加,噪声降低,综合来看提高了定量性能指标,整体视觉效果更佳。本文提出的方法已应用于红外目标检测系统的预处理部分,效果极佳。

The authors have declared that no competing interests exist.

参考文献
[1] Zhang Fei, Li Chen-fang, Shi Li-na. Detecting and tracking dim moving point target in IR image sequence[J]. Infrared Physics & Technology, 2005, 46(4): 323-328. [本文引用:1]
[2] Qidwal Uvais. Infrared image enhancement using H bounds for surveillance applications[J]. IEEE Transactions on Image Processing, 2008, 17(8): 1274-1282. [本文引用:1] [JCR: 3.199]
[3] 陈钱, 柏连发, 张保民. 红外图像直方图双向均衡技术研究[J]. 红外与毫米波学报, 2003, 22(6): 428-430.
Chen Qian, Bai Lian-fa, Zhang Bao-min. Histogram double equalization in infrared image[J]. Journal of Infrared and Millimeter Waves, 2003, 22(6): 428-430. [本文引用:2] [JCR: 0.292] [CJCR: 1.14]
[4] Andrea P, Giovanna R V, John M. Image enhancement via adaptive unsharp masking[J]. IEEE Transactions on Image Processing, 2000, 9(3): 505-510. [本文引用:1] [JCR: 3.199]
[5] 张长江, 付梦印, 金梅, . 一种红外图像对比度增强的小波变换法[J]. 红外与毫米波学报, 2004, 23(2): 119-124.
Zhang Chang-jiang, Fu Meng-yin, Jin Mei, et al. Approach to enhancement contrast of infrared image based on wavelet transform[J]. Journal of Infrared and Millimeter Waves, 2004, 23(2): 119-124. [本文引用:1] [JCR: 0.292] [CJCR: 1.14]
[6] Demerial H, Ozcinar C, Anbarjafari G. Satellite image contrast enhancement using discrete wavelet transform and singular value decomposition[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(2): 333-337. [本文引用:1] [JCR: 1.823]
[7] 宫武鹏, 王永仲. 一种基于小波变换的红外图像对比度增强技术[J]. 国防科技大学学报, 2000, 22(6): 117-119.
Gong Wu-peng, Wang Yong-zhong. Contrast enhancement of infrared image via wavelet transform[J]. Chinese Journal of National University of Defense Technology, 2000, 22(6) : 117-119. [本文引用:1]
[8] 秦翰林, 周慧鑫, 刘上乾, . 基于二代小波变换的红外图像非线性增强算法[J]. 光学学报, 2009, 29(2): 353-356.
Qin Han-lin, Zhou Hui-xin, Liu Shang-qian, et al. Nonlinear enhancement algorithm for infrared image based on second generation wavelet transform[J]. Acta Optica Sinica, 2009, 29(2): 353-356. [本文引用:1] [CJCR: 1.042]
[9] 占必超, 吴一全, 纪守新. 基于平稳小波变换和Retinex的红外图像增强方法[J]. 光学学报, 2010, 30(10): 2788-2794.
Zhan Bi-chao, Wu Yi-quan, Ji Shou-xin. Infrared image enhancement method based on stationary wavelet transformation and retinex[J]. Acta Optica Sinica, 2010, 30(10): 2788-2794. [本文引用:1] [CJCR: 1.042]
[10] Zhang Chang-jiang, Wang Xiao-dong, Zhang Hao-ran. Global and local contrast enhancement algorithm for image using wavelet neural network and stationary wavelet transform[J]. Chinese Optics Letters, 2005, 3(11): 636-639. [本文引用:1] [JCR: 0.968] [CJCR: 0.9021]
[11] Stack Jeanluc, Mugtach Fionn, Cand setal Emmeual J. Gray and color image contrast enhancement by the curvelet transform[J]. IEEE Transactions on Image Processing, 2003, 12(6): 706-717. [本文引用:1] [JCR: 3.199]
[12] Do M N, Vetterli M. The contourlet transform: an efficient directional multi resolution image representation[J]. IEEE Transactions on Image Processing, 2005, 14(12) : 2091-2106. [本文引用:1] [JCR: 3.199]
[13] 石丹, 李庆武, 倪雪, . 基于Contourlet变换的红外图像非线性增强[J]. 光学学报, 2009, 29(2): 342-347.
Shi Dan, Li Qing-wu, Ni Xue, et al. Infrared image nonlinear enhancement algorithm based on contourlet transform[J]. Acta Optica Sinica, 2009, 29(2): 342-347. [本文引用:1] [CJCR: 1.042]
[14] 李骜, 李一兵, 刘丹丹, . 基于非下采样轮廓波的多曝光工件图像Retinex增强方法[J]. 吉林大学学报: 工学版, 2012, 42(6): 1592-1596.
Li Ao, Li Yi-bing, Liu Dan-dan, et al. Retinex enhancement method of multi-exposure workpiece images based on NSCT[J]. Journal of Jilin University (Engineering and Technology Edition), 2012, 42(6): 1592-1596. [本文引用:2] [CJCR: 0.701]
[15] 张长江, 付梦印, 金梅. 基于模拟退火算法的红外图像自适应对比度增强[J]. 中国图象图形学报, 2004, 9(4): 291-295.
Zhang Chang-jiang, Fu Meng-yin, Jin Mei. Adaptive contrast enhancement of infrared image based on simulated annealing algorithm[J]. Journal of Image and Graphics, 2004, 9(4): 291-295. [本文引用:1] [CJCR: 0.758]
[16] Hashemi Sara, Kiani Soheila, Noroozi Navid. An image contrast enhancement method based on genetic algorithm[J]. Pattern Recognition Letters, 2010, 21(3): 1816-1824. [本文引用:1] [JCR: 1.266]
[17] 李林宜, 李德仁. 粒子群优化算法在遥感影像增强中的应用[J]. 测绘科学技术学报, 2010, 27(2): 116-119.
Li Lin-yi, Li De-ren. Research on particle swarm optimization in remote sensing image enhancement[J]. Journal of Geomatics Science and Technology, 2010, 27(2): 116-119. [本文引用:1] [CJCR: 0.538]
[18] 贾东立, 张家树. 基于混沌变异的小生境粒子群算法[J]. 控制与决策, 2007, 22(1): 117-120.
Jia Dong-li, Zhang Jia-shu. Niche particle swarm optimization combined with chaotic mutation[J]. Control and Decision, 2007, 22(1): 117-120. [本文引用:2] [CJCR: 0.907]