基于螢火蟲算法的農(nóng)業(yè)遙感圖像增強研究

郭紅山，張慧寧

(黃河水利職業(yè)技術(shù)學(xué)院，河南 開封 475004)

?

基于螢火蟲算法的農(nóng)業(yè)遙感圖像增強研究

郭紅山，張慧寧

(黃河水利職業(yè)技術(shù)學(xué)院，河南 開封 475004)

農(nóng)業(yè)遙感圖像增強有利于圖像信息的提取與分析，螢火蟲算法是近年來較為新穎的智能仿生算法，目前國內(nèi)外關(guān)于其能否用于農(nóng)業(yè)遙感圖像增強的研究未見報道。文章首先利用非完全Beta函數(shù)建立農(nóng)業(yè)遙感圖像增強模型，結(jié)合人眼最小灰度分辨力函數(shù)進行圖像細(xì)節(jié)增強，將每個輸入?yún)^(qū)間的像素灰度值變換到適當(dāng)?shù)妮敵龌叶燃墔^(qū)間，最終生成對比度均衡的圖像；然后通過螢火蟲優(yōu)化算法在其動態(tài)決策域半徑進行偽差分操作更新；最后確定最佳參數(shù)的收斂條件，給出了算法流程。試驗仿真結(jié)果表明，螢火蟲算法的農(nóng)業(yè)遙感圖像檢測在圖像細(xì)節(jié)增強評價指標(biāo)、相位一致性指標(biāo)、通用質(zhì)量評價指標(biāo)等方面與直方圖算法、Retinex算法、小波變換算法、模糊聚類算法等相比數(shù)據(jù)較優(yōu)，能夠用于農(nóng)業(yè)遙感圖像增強。

螢火蟲算法；Beta函數(shù)；農(nóng)業(yè)遙感圖像；增強；灰度

通過遙感圖像可對農(nóng)田、森林、草場等進行監(jiān)測，也可以對土壤侵蝕、沙塵暴等進行評估。但是遙感圖像在獲取的過程中由于受到大氣的散射、反射、折射或者天氣等的影響，獲得的圖像難免會帶有噪聲，如對比度不夠、圖像模糊；有時總體效果較好，但所需要的信息不夠突出，如線狀地物或地物的邊緣部分。通過圖像增強技術(shù)，改善遙感圖像質(zhì)量，提高圖像目視效果，使遙感應(yīng)用者易于從經(jīng)過增強處理的遙感影像上獲得所感興趣的有用信息，快速實現(xiàn)從遙感數(shù)據(jù)向有用信息的轉(zhuǎn)化[1-2]。

當(dāng)前，遙感圖像增強有直方圖、小波變換、Retinex理論、模糊聚類等算法。國內(nèi)的研究有：直方圖算法能夠從全局顯著提高圖像對比度，在圖像增強中取得了不錯的應(yīng)用效果，但僅能描述圖像中的奇異點的特性和位置，無法準(zhǔn)確描述圖像的“沿”邊緣特征，會使圖像在低亮度區(qū)域和高亮度區(qū)域?qū)Ρ榷冗^飽和[3]；小波變換能有效抑制圖像的噪聲[4]，但是在實際應(yīng)用中仍然存在不能保持圖像的細(xì)節(jié)及邊緣信息，圖像清晰度低等缺陷，只能捕獲圖像有限的方向信息。國外的研究有：美國物理學(xué)家Land等提出的基于人類視覺的光亮度和色彩感知模型的Retinex理論[5]，使圖像具有銳化、動態(tài)范圍壓縮大或顏色恒常性等優(yōu)點，但容易放大噪聲、圖像明暗對比度強烈易產(chǎn)生光暈現(xiàn)象以及圖像過增強等現(xiàn)象；模糊聚類算法設(shè)計簡單[6]，易于實現(xiàn)，但是不能對無中心的像素數(shù)據(jù)進行聚類，如果針對這種情況改進，時間復(fù)雜度和空間復(fù)雜度都增加很多。為了解決這個問題，國內(nèi)外學(xué)者研究了仿生學(xué)算法，提高了尋優(yōu)效率，但處理速度仍較慢。

農(nóng)業(yè)遙感圖像增強算法不僅需要提高圖像的對比度，有效地抑制圖像噪聲，而且應(yīng)當(dāng)使低亮度區(qū)域和高亮度區(qū)域的像素失真減到最小。螢火蟲算法是近年來提出的群體智能算法，其在高光譜影像分類、遙感波段選擇等領(lǐng)域已經(jīng)有部分研究，目前國內(nèi)外關(guān)于其能否用于農(nóng)業(yè)遙感圖像增強的研究未見報道。本研究擬采用螢火蟲優(yōu)化算法利用非完全Beta函數(shù)通過實驗仿真研究螢火蟲算法能否用于遙感圖像增強，為螢火蟲算法在農(nóng)業(yè)遙感領(lǐng)域的應(yīng)用提供理論與算法支持。

1 農(nóng)業(yè)遙感圖像增強模型

1.1 非完全Beta函數(shù)

采用非完全Beta函數(shù)來實現(xiàn)遙感圖像的增強[7]，歸一化的非完全Beta函數(shù)F(u)定義為：

(1)

(2)

設(shè)yij表示像素(i，j)的原始灰度值，yij?為處理后的灰度值，非完全Beta函數(shù)增強算法的步驟如下。

1)對原始圖像每個像素進行歸一化變換：

(3)

其中：yij′為像素(i，j)的歸一化灰度值，Lmax和Lmin分別為原始圖像的最大和最小灰度值。

2)對歸一化圖像每個像素進行增強處理：

(4)

其中：函數(shù)F為非完全Beta函數(shù)。

3)根據(jù)圖像灰度值范圍，對每個像素進行反變換得到結(jié)果圖像：

(5)

其中：L′max和L′min分別為圖像灰度值范圍中的最大和最小灰度值，與結(jié)果圖像的位數(shù)有關(guān)，對于8位結(jié)果圖像，L′max=255，L′min=0。

只有α和β獲得最優(yōu)取值時，遙感圖像的增強效果才能最佳，因此可將參數(shù)α，β選取問題轉(zhuǎn)換為優(yōu)化問題進行處理。

圖1 Beta函數(shù)圖形Fig.1 Beta function graphics

1.2 細(xì)節(jié)增強

為了適應(yīng)人眼的視覺效果[8]，在低灰度和高灰度級區(qū)域，將灰度間隔拉伸；在中等灰度區(qū)域，對灰度級間隔過大的部分縮短其間隔，使人眼更好分辨。人眼最小灰度分辨力函數(shù)ΔI(k)隨灰度k的函數(shù)關(guān)系，用分段函數(shù)表示為：

(6)

設(shè)輸入圖像X的灰度值分布為p(x)，其中x∈X，將之視為一個用高斯混合模型模擬的由N個函數(shù)線性組合而成的統(tǒng)計密度函數(shù)：

(7)

則高斯模型中的成分密度函數(shù)：

(8)

2 螢火蟲算法的農(nóng)業(yè)遙感圖像增強 模型尋優(yōu)

2.1 螢火蟲算法描述

螢火蟲算法包括相對熒光亮度和吸引度2個要素[9-10]，相對熒光亮度計算為：

l=l0×e-γrij。

(9)

其中：rij為螢火蟲i與j之間的空間距離，l0為螢火蟲在rij=0處的最大螢光亮度，l0與適應(yīng)度函數(shù)有關(guān)，適應(yīng)度函數(shù)越優(yōu)自身亮度越高，γ為光強吸收系數(shù)，亮度體現(xiàn)了螢火蟲所處位置的優(yōu)劣并決定其移動方向。

吸引度計算為：

(10)

其中：q0為最大吸引度，吸引度決定了螢火蟲移動的距離。

螢火蟲i被吸引向螢火蟲j移動位置為：

(11)

2.2 基于偽差分算法的迭代策略

通過偽差分操作進行迭代，這樣螢火蟲通過多次移動后，所有個體都將聚集在亮度最高的螢火蟲的空間位置上，從而實現(xiàn)尋優(yōu)。

熒光亮度值更新：

li(t)=ρli(t-1)+τJ(xi(t))。

(12)

每個螢火蟲在其動態(tài)決策域半徑內(nèi)選擇熒光亮度值比自己高的個體組成其鄰域集合[11-14]，設(shè)t次迭代選擇移向螢火蟲i的領(lǐng)域集合Ni(t)內(nèi)螢火蟲個體j的概率pij(t)：

(13)

位置更新：

(14)

其中：s為移動步長。

(15)

偽差分操作更新為：

(16)

其中：ζ為[0，1]區(qū)間的隨機數(shù)，xbest(t)為當(dāng)前種群中最優(yōu)的個體，xm(t)和xn(t)分別為種群中任意的2個個體，ξ為變異因子，這樣減少算法尋優(yōu)過程的盲目性，加快算法尋優(yōu)速度。

2.3 非完全Beta函數(shù)最佳參數(shù)選擇

算法流程:

(1)輸入遙感圖像，初始化螢火蟲算法參數(shù)；

(2)計算每個螢火蟲所對應(yīng)的遙感圖像像元的灰度值，將適應(yīng)度函數(shù)值作為其灰度值，并排序，得到亮度最大的螢火蟲位置；

(3)按照偽差分算法進行迭代，在決策域半徑范圍內(nèi)更新；

(4)獲得α，β參數(shù)，滿足算法收斂要求，進行步驟(5)，否則轉(zhuǎn)(3)；

(5)輸出遙感圖像。

3 結(jié)果與分析

為了檢驗農(nóng)業(yè)遙感圖像增強的效果，選擇2幅大小為512×512，灰度級為256的遙感圖像作為測試樣本。在實驗中，依次進行直方圖、Retinex算法、小波變換、模糊聚類算法、螢火蟲算法對比實驗，實驗PC配置為CPU3.6GHz、內(nèi)存4GB、IntelH61主板，集成顯卡，Matlab7.0實現(xiàn)仿真。

3.1 視覺分析

本研究選取2幅不同的遙感圖像，圖像由于光照條件不好或有薄霧，圖像模糊不清，對比度差，需要進行圖像增強處理，實驗結(jié)果如圖2、圖3所示。

在圖2和圖3的結(jié)果可以看出：螢火蟲算法能夠增強遙感圖像中的邊緣信息片段，且邊緣定位準(zhǔn)確，可以看到細(xì)節(jié)和灰度拉伸至人眼敏感的中等區(qū)域上，適合人眼觀察。直方圖算法、Retinex算法、小波變換算法、模糊聚類算法在增強圖像的同時，將一些雜亂背景也增強了，且導(dǎo)致了細(xì)節(jié)的下降，細(xì)節(jié)部分如圖2中的居民點和農(nóng)田被歸為同一灰階，無法細(xì)分，同時有過增強的現(xiàn)象。

3.2 評價指標(biāo)

a, 圖像1；b, 直方圖增強結(jié)果；c, Retinex算法增強結(jié)果；d, 小波變換增強結(jié)果；e, 模糊聚類算法增強結(jié)果；f, 螢火蟲算法增強結(jié)果圖2 圖像1不同算法增強結(jié)果Fig.2 Different algorithms enhancement results of image NO.1

a, 圖像2；b, 直方圖增強結(jié)果；c, Retinex算法增強結(jié)果；d, 小波變換增強結(jié)果；e, 模糊聚類算法增強結(jié)果；f. 螢火蟲算法增強結(jié)果圖3 圖像2不同算法增強結(jié)果Fig.3 Different algorithms enhancement results of image NO.2

3.2.1 EME指標(biāo)

圖像細(xì)節(jié)增強評價指標(biāo) (enhancement measure evaluation， EME)，其原理是將圖像分成k1×k2個區(qū)域，通過計算區(qū)域中灰度最大值和最小值之比的對數(shù)均值作為評價結(jié)果。其物理意義是表現(xiàn)出圖像局域灰度的變化程度，當(dāng)局域灰度變化越強烈，細(xì)節(jié)表現(xiàn)越豐富，值越大。其表達(dá)式：

(17)

3.2.2 PC指標(biāo)

相位一致性(phase congruency，PC)源于局部能量模型，其實質(zhì)是圖像各個頻率成分的相位相似度的一種度量方式，即使在對比度非常弱的圖像局部區(qū)域，相位一致性也能夠很好地檢測圖像輪廓細(xì)節(jié)特征。相位一致性是一種頻率域的測度值，是一個無量綱參數(shù)，取值范圍[0，1]，越大說明某處的特征越明顯，表達(dá)式為：

(18)

3.2.3 DI指標(biāo)

偏差指數(shù)(differenceindex，DI)用來比較增強圖像和標(biāo)準(zhǔn)圖像偏離的程度，定義重建圖像的偏差指數(shù)的表達(dá)式為：

(19)

式中：m，n為圖像寬和高；xij，yij分別為原始圖像和增強圖像上對應(yīng)(i，j)點的灰度值。偏差指數(shù)的大小反映了增強圖像對標(biāo)準(zhǔn)圖像的保持程度，偏差指數(shù)越大，增強效果越差。

增強評價指標(biāo)如表1所示，其中每個測試指標(biāo)進行20次的蒙特卡洛測試，再取均值。從增強評價指標(biāo)可以看出，螢火蟲算法的評價指標(biāo)結(jié)果較優(yōu)，因此，其他的農(nóng)業(yè)遙感圖像增強方法無法兼顧細(xì)節(jié)信息，而螢火蟲算法卻能較好地滿足細(xì)節(jié)增強的需求。

表1 增強評價指標(biāo)

Table 1 Enhanced evaluation index

算法圖像1EMEPCDI圖像2EMEPCDI直方圖0.79290.81020.79190.81520.80590.7082Retinex算法0.79870.83010.92180.85190.83050.8901小波變換0.81380.84080.89130.84180.82690.9001模糊聚類0.86210.88600.60680.83620.83630.7621螢火蟲算法0.99910.99330.35650.97930.99560.3447

4 小結(jié)

本研究建立農(nóng)業(yè)遙感圖像增強模型，通過螢火蟲優(yōu)化算法在其動態(tài)決策域半徑進行數(shù)據(jù)更新，對模型求解，實驗仿真顯示螢火蟲算法與直方圖算法、Retinex算法、小波變換算法、模糊聚類算法相比，圖像細(xì)節(jié)增強評價指標(biāo)值較大，相位一致性指標(biāo)值接近于1，通用質(zhì)量評價指標(biāo)值接近于1，數(shù)據(jù)指標(biāo)較優(yōu)，螢火蟲算法具有能夠增強遙感圖像的細(xì)節(jié)信息的性能。因此，為遙感圖像目標(biāo)的檢測提供了一種新思路。

[1] 鮑程輝，賀新光，蔣衛(wèi)國.非下采樣 Contourlet 變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的遙感圖像融合方法[J].遙感信息，2015，30(2):52-56.

[2] 吳樂芹，姜春，陳進棟，等.面向城市道路目視識別的遙感圖像濾波增強方法[J].地理空間信息，2015，13(2):104-106，109.

[3] 劉陶勝，李沛鴻，李辰風(fēng).結(jié)合像素頻率分布特征的遙感圖像自適應(yīng)線性增強[J].江西理工大學(xué)學(xué)報，2014，35(5)：40-44.

[4] 伊力哈木·亞爾買買提，謝麗蓉，孔軍.基于PCA變換與小波變換的遙感圖像融合方法[J].紅外與激光工程，2014,43(7):2335-2340.

[5] 李建存，周麗梅，劉軍.基于多尺度Retinex理論的遙感圖像增強算法[J].西安工業(yè)大學(xué)學(xué)報，2014,34(1):27-33.

[6] 楊波，賈振紅，覃錫忠，等.基于改進模糊算法和相對熵的遙感圖像增強[J].激光雜志，2014，35(2):37-38.

[7] 姜建國，周佳薇，周潤生，等.一種采用改進細(xì)菌覓食優(yōu)化算法的圖像增強方法[J].控制與決策，2015,30(3):461-466.

[8] 王才子，孫士保，段建輝，等.基于人眼視覺的遙感圖像廣義直方圖增強算法[J].合肥工業(yè)大學(xué)學(xué)報，2012，35(9)：1208-1211，1292.

[9] 劉洲洲，王福豹.基于離散螢火蟲壓縮感知重構(gòu)的無線傳感器網(wǎng)絡(luò)多目標(biāo)定位[J].光學(xué)精密工程，2014，22(7):1904-1911.

[10] BAYKASOLU A， OZSOYDAN F B. Adaptive firefly algorithm with chaos for mechanical design optimization problems [J].AppliedSoftComputing，2015，36(11):152-164.

[11] 吳鵬.螢火蟲算法優(yōu)化最大熵的圖像分割方法[J].計算機工程與應(yīng)用，2014，50(12):115-119.

[12] AYDIN I. A new approach based on firefly algorithm for vision-based railway overhead inspection system[J].Measurement，2015，74(10):43-55.

[13] KOUGIANOS E， MOHANTYA S P. A nature-inspired firefly algorithm based approach for nanoscale leakage optimal RTL structure[J].Integration,theVLSIJournal，2015，51(9):46-60.

[14] YU S H， ZHU S L， MA Y， et al. A variable step size firefly algorithm for numerical optimization [J].AppliedMathematicsandComputation，2015，263(15):214-220.

(責(zé)任編輯 張 韻)

Agricultural remote sensing image enhancement based on firefly algorithm

GUO Hong-shan，ZHANG Hui-ning

(YellowRiverConservancyTechnicalInstitute，Kaifeng475004，China)

Agricultural remote sensing image enhancement is advantageous to extraction and analysis of image information. Firefly algorithm is new intelligent bionic algorithm in recent years. Domestic and foreign research on whether it can be used for agricultural remote sensing image enhancement has not been reported at present. Firstly， incomplete Beta function was used to establish agricultural remote sensing image enhancement model， which was combined with human minimum gray level resolution function for image detail enhancement， each input interval of the pixel gray value was transformed to the appropriate output gray scale interval， and generated image contrast equalization. Secondly， difference operation was updated in the dynamic decision domain radius based on firefly algorithm. Finally， the convergence condition of the optimal parameter was determined， and the algorithm flow was given. The experimental simulation results showed that the agricultural remote sensing image enhancement based on firefly algorithm data was better than histogram algorithm， Retinex algorithm， wavelet transform， fuzzy clustering algorithm about enhancement measure evaluation， phase congruency and universal image quality index， so that it can be used for agricultural remote sensing image enhancement.

firefly algorithm; Beta function; agricultural remote sensing image; enhancement; gray

10.3969/j.issn.1004-1524.2016.06.27

2015-10-12

河南省科技廳鑒定項目(預(yù)科鑒委字[2014]第664號)

郭紅山(1978—)，男，河南寧陵人，講師，碩士，從事計算機技術(shù)研究。E-mail：ghs3171412@foxmail.com

TP393

A

1004-1524(2016)06-1076-06

郭紅山，張慧寧. 基于螢火蟲算法的農(nóng)業(yè)遙感圖像增強研究[J].浙江農(nóng)業(yè)學(xué)報，2016，28(6)： 1076-1081.