[发明专利]基于自适应学习粒子群优化的列车车轮踏面图像增强方法

说明书

本发明公开了一种基于自适应学习粒子群优化的列车车轮踏面图像增强方法，使用粒子群优化算法选择的自适应伽马校正因子对列车车轮踏面图像进行增强处理，将灰度标准方差融入评价函数，熵、边缘内容、灰度标准方差被用作每个粒子的目标函数，来评估所获得的图像增强结果，通过寻找最优伽马值对图像进行全局增强，实现了对列车车轮踏面图像的细节增强，通过自适应调整学习因子，提高了标准粒子群算法的寻优效果；相比传统方法本发明显著提高了图像对比度，并且图像观看舒适度和细节可辨识度更高，使得图像细节更丰富。

技术领域

本发明涉及图像处理技术领域，具体是一种基于自适应学习粒子群优化的列车车轮踏面图像增强方法。

背景技术

随着铁路事业的发展，作为列车行驶重要组成部件的车轮踏面的检测与维护越来越受到重视。目前，以冲击载荷法为主的接触式测量和人工目视法检测是实际应用中的主要手段，而这两种检测方法在实际应用中都存在检测效率、工作效率低下的问题。采用图像处理的方法以其无接触、快速、高效、稳定的特点，可以达到目视检测的作用，在无损检测领域得到了广泛应用。在实际拍摄处于运动状态的踏面图像时，很容易受到拍摄环境与条件的影响，造成图像低对比度和纹理细节不清晰等，背景对比度低，这使得它很难辨认原始图像中的背景与目标物体，传统处理方法如直方图法的效果不佳。因此，需要研究一种针对列车车轮踏面图像的高效图像增强算法。

发明内容

本发明解决的技术问题是：提供一种列车车轮踏面图像的增强方法，解决现有方法对原始图像增强后细节等级效果不佳的问题。

为了达到上述目的，本发明采用下述技术方案：

基于自适应学习粒子群优化的列车车轮踏面图像增强方法，其特征在于，使用粒子群优化算法选择的自适应伽马校正因子对列车车轮踏面图像进行增强处理；包括以下步骤：

步骤1输入车轮踏面图像；

步骤2初始化种群和参数；初始化种群个数N、粒子位置x和速度v、惯性权重ω、学习因子c1a、c1b、c2a、c2b、最大迭代数tmax等；

步骤3对输入原始图像进行伽马校正；

步骤4评价粒子；分别计算熵值H和边缘内容S，计算灰度标准方差Std；计算客观评价函数fitness；

步骤5更新粒子最优值；若更新后适应度值大于原来个体最优值pbest，则将该粒子位置作为个体最优pbest，若更新后粒子适应度值大于原来全局最优值gbest，则将该粒子位置作为全局最优gbest；

步骤6判断是否达到迭代停止条件，若未达到，则更新学习因子c1、c2的值，更新每个粒子的速度与位置，跳转到步骤3；若满足迭代停止条件，退出循环；

步骤7使用迭代中存储下来的最优伽马值(gbest)增强图像。

使用粒子群优化(PSO)选择的自适应伽马校正因子来改善熵并增强列车车轮踏面图像的细节。伽马校正是一种比较成熟的技术，可以保留图像的平均亮度，通过选择最佳伽马因子产生更自然的图像。提出基于多目标粒子群优化算法确定的最佳伽马值校正增强原始图像，所提出方法流程图如图5所示。通过优化的粒子群算法找出增强列车车轮踏面图像的最佳伽马值。一组粒子值即伽马值被定义为N个粒子:γ＝{γ1，γ2，…，γN}。

评价函数的选取很重要，每个粒子对应评价函数的值是评价增强图像效果的重要参考标准。列车车轮踏面图像具有低对比度和纹理细节不清晰等特点，很难辨认原始图像中的背景与目标物体。传统方法针对灰度图像，可使增强图像中熵或信息内容最大化，但未考虑对比度问题，这种缺陷会导致增强后的图像视觉效果不佳。因此利用优化的粒子群算法对图像进行对比度增强时，增强图像应具有信息量大、纹理清晰、对比度高等特点。在所提出的方法中，将灰度标准方差融入评价函数，边缘内容、熵和灰度标准方差被用作每个粒子的目标函数，因此，客观评价函数是三种性能测度的综合，即熵值、边缘内容和灰度标准方差。