基于萤火虫算法的农业遥感图像增强研究

郭红山，张慧宁

(黄河水利职业技术学院，河南 开封 475004)



基于萤火虫算法的农业遥感图像增强研究

郭红山，张慧宁

(黄河水利职业技术学院，河南 开封 475004)

农业遥感图像增强有利于图像信息的提取与分析，萤火虫算法是近年来较为新颖的智能仿生算法，目前国内外关于其能否用于农业遥感图像增强的研究未见报道。文章首先利用非完全Beta函数建立农业遥感图像增强模型，结合人眼最小灰度分辨力函数进行图像细节增强，将每个输入区间的像素灰度值变换到适当的输出灰度级区间，最终生成对比度均衡的图像；然后通过萤火虫优化算法在其动态决策域半径进行伪差分操作更新；最后确定最佳参数的收敛条件，给出了算法流程。试验仿真结果表明，萤火虫算法的农业遥感图像检测在图像细节增强评价指标、相位一致性指标、通用质量评价指标等方面与直方图算法、Retinex算法、小波变换算法、模糊聚类算法等相比数据较优，能够用于农业遥感图像增强。

萤火虫算法；Beta函数；农业遥感图像；增强；灰度

通过遥感图像可对农田、森林、草场等进行监测，也可以对土壤侵蚀、沙尘暴等进行评估。但是遥感图像在获取的过程中由于受到大气的散射、反射、折射或者天气等的影响，获得的图像难免会带有噪声，如对比度不够、图像模糊；有时总体效果较好，但所需要的信息不够突出，如线状地物或地物的边缘部分。通过图像增强技术，改善遥感图像质量，提高图像目视效果，使遥感应用者易于从经过增强处理的遥感影像上获得所感兴趣的有用信息，快速实现从遥感数据向有用信息的转化[1-2]。

当前，遥感图像增强有直方图、小波变换、Retinex理论、模糊聚类等算法。国内的研究有：直方图算法能够从全局显著提高图像对比度，在图像增强中取得了不错的应用效果，但仅能描述图像中的奇异点的特性和位置，无法准确描述图像的“沿”边缘特征，会使图像在低亮度区域和高亮度区域对比度过饱和[3]；小波变换能有效抑制图像的噪声[4]，但是在实际应用中仍然存在不能保持图像的细节及边缘信息，图像清晰度低等缺陷，只能捕获图像有限的方向信息。国外的研究有：美国物理学家Land等提出的基于人类视觉的光亮度和色彩感知模型的Retinex理论[5]，使图像具有锐化、动态范围压缩大或颜色恒常性等优点，但容易放大噪声、图像明暗对比度强烈易产生光晕现象以及图像过增强等现象；模糊聚类算法设计简单[6]，易于实现，但是不能对无中心的像素数据进行聚类，如果针对这种情况改进，时间复杂度和空间复杂度都增加很多。为了解决这个问题，国内外学者研究了仿生学算法，提高了寻优效率，但处理速度仍较慢。

农业遥感图像增强算法不仅需要提高图像的对比度，有效地抑制图像噪声，而且应当使低亮度区域和高亮度区域的像素失真减到最小。萤火虫算法是近年来提出的群体智能算法，其在高光谱影像分类、遥感波段选择等领域已经有部分研究，目前国内外关于其能否用于农业遥感图像增强的研究未见报道。本研究拟采用萤火虫优化算法利用非完全Beta函数通过实验仿真研究萤火虫算法能否用于遥感图像增强，为萤火虫算法在农业遥感领域的应用提供理论与算法支持。

1 农业遥感图像增强模型

1.1 非完全Beta函数

采用非完全Beta函数来实现遥感图像的增强[7]，归一化的非完全Beta函数F(u)定义为：

(1)

(2)

设yij表示像素(i，j)的原始灰度值，yij‴为处理后的灰度值，非完全Beta函数增强算法的步骤如下。

1)对原始图像每个像素进行归一化变换：

(3)

其中：yij′为像素(i，j)的归一化灰度值，Lmax和Lmin分别为原始图像的最大和最小灰度值。

2)对归一化图像每个像素进行增强处理：

(4)

其中：函数F为非完全Beta函数。

3)根据图像灰度值范围，对每个像素进行反变换得到结果图像：

(5)

其中：L′max和L′min分别为图像灰度值范围中的最大和最小灰度值，与结果图像的位数有关，对于8位结果图像，L′max=255，L′min=0。

只有α和β获得最优取值时，遥感图像的增强效果才能最佳，因此可将参数α，β选取问题转换为优化问题进行处理。

图1 Beta函数图形Fig.1 Beta function graphics

1.2 细节增强

为了适应人眼的视觉效果[8]，在低灰度和高灰度级区域，将灰度间隔拉伸；在中等灰度区域，对灰度级间隔过大的部分缩短其间隔，使人眼更好分辨。人眼最小灰度分辨力函数ΔI(k)随灰度k的函数关系，用分段函数表示为：

(6)

设输入图像X的灰度值分布为p(x)，其中x∈X，将之视为一个用高斯混合模型模拟的由N个函数线性组合而成的统计密度函数：

(7)

则高斯模型中的成分密度函数：

(8)

2 萤火虫算法的农业遥感图像增强 模型寻优

2.1 萤火虫算法描述

萤火虫算法包括相对荧光亮度和吸引度2个要素[9-10]，相对荧光亮度计算为：

l=l0×e-γrij。

(9)

其中：rij为萤火虫i与j之间的空间距离，l0为萤火虫在rij=0处的最大萤光亮度，l0与适应度函数有关，适应度函数越优自身亮度越高，γ为光强吸收系数，亮度体现了萤火虫所处位置的优劣并决定其移动方向。

吸引度计算为：

(10)

其中：q0为最大吸引度，吸引度决定了萤火虫移动的距离。

萤火虫i被吸引向萤火虫j移动位置为：

(11)

2.2 基于伪差分算法的迭代策略

通过伪差分操作进行迭代，这样萤火虫通过多次移动后，所有个体都将聚集在亮度最高的萤火虫的空间位置上，从而实现寻优。

荧光亮度值更新：

li(t)=ρli(t-1)+τJ(xi(t))。

(12)

每个萤火虫在其动态决策域半径内选择荧光亮度值比自己高的个体组成其邻域集合[11-14]，设t次迭代选择移向萤火虫i的领域集合Ni(t)内萤火虫个体j的概率pij(t)：

(13)

位置更新：

(14)

其中：s为移动步长。

(15)

伪差分操作更新为：

(16)

其中：ζ为[0，1]区间的随机数，xbest(t)为当前种群中最优的个体，xm(t)和xn(t)分别为种群中任意的2个个体，ξ为变异因子，这样减少算法寻优过程的盲目性，加快算法寻优速度。

2.3 非完全Beta函数最佳参数选择

算法流程:

(1)输入遥感图像，初始化萤火虫算法参数；

(2)计算每个萤火虫所对应的遥感图像像元的灰度值，将适应度函数值作为其灰度值，并排序，得到亮度最大的萤火虫位置；

(3)按照伪差分算法进行迭代，在决策域半径范围内更新；

(4)获得α，β参数，满足算法收敛要求，进行步骤(5)，否则转(3)；

(5)输出遥感图像。

3 结果与分析

为了检验农业遥感图像增强的效果，选择2幅大小为512×512，灰度级为256的遥感图像作为测试样本。在实验中，依次进行直方图、Retinex算法、小波变换、模糊聚类算法、萤火虫算法对比实验，实验PC配置为CPU3.6GHz、内存4GB、IntelH61主板，集成显卡，Matlab7.0实现仿真。

3.1 视觉分析

本研究选取2幅不同的遥感图像，图像由于光照条件不好或有薄雾，图像模糊不清，对比度差，需要进行图像增强处理，实验结果如图2、图3所示。

在图2和图3的结果可以看出：萤火虫算法能够增强遥感图像中的边缘信息片段，且边缘定位准确，可以看到细节和灰度拉伸至人眼敏感的中等区域上，适合人眼观察。直方图算法、Retinex算法、小波变换算法、模糊聚类算法在增强图像的同时，将一些杂乱背景也增强了，且导致了细节的下降，细节部分如图2中的居民点和农田被归为同一灰阶，无法细分，同时有过增强的现象。

3.2 评价指标

a, 图像1；b, 直方图增强结果；c, Retinex算法增强结果；d, 小波变换增强结果；e, 模糊聚类算法增强结果；f, 萤火虫算法增强结果图2 图像1不同算法增强结果Fig.2 Different algorithms enhancement results of image NO.1

a, 图像2；b, 直方图增强结果；c, Retinex算法增强结果；d, 小波变换增强结果；e, 模糊聚类算法增强结果；f. 萤火虫算法增强结果图3 图像2不同算法增强结果Fig.3 Different algorithms enhancement results of image NO.2

3.2.1 EME指标

图像细节增强评价指标 (enhancement measure evaluation， EME)，其原理是将图像分成k1×k2个区域，通过计算区域中灰度最大值和最小值之比的对数均值作为评价结果。其物理意义是表现出图像局域灰度的变化程度，当局域灰度变化越强烈，细节表现越丰富，值越大。其表达式：

(17)

3.2.2 PC指标

相位一致性(phase congruency，PC)源于局部能量模型，其实质是图像各个频率成分的相位相似度的一种度量方式，即使在对比度非常弱的图像局部区域，相位一致性也能够很好地检测图像轮廓细节特征。相位一致性是一种频率域的测度值，是一个无量纲参数，取值范围[0，1]，越大说明某处的特征越明显，表达式为：

(18)

3.2.3 DI指标

偏差指数(differenceindex，DI)用来比较增强图像和标准图像偏离的程度，定义重建图像的偏差指数的表达式为：

(19)

式中：m，n为图像宽和高；xij，yij分别为原始图像和增强图像上对应(i，j)点的灰度值。偏差指数的大小反映了增强图像对标准图像的保持程度，偏差指数越大，增强效果越差。

增强评价指标如表1所示，其中每个测试指标进行20次的蒙特卡洛测试，再取均值。从增强评价指标可以看出，萤火虫算法的评价指标结果较优，因此，其他的农业遥感图像增强方法无法兼顾细节信息，而萤火虫算法却能较好地满足细节增强的需求。

表1 增强评价指标

Table 1 Enhanced evaluation index

算法图像1EMEPCDI图像2EMEPCDI直方图0.79290.81020.79190.81520.80590.7082Retinex算法0.79870.83010.92180.85190.83050.8901小波变换0.81380.84080.89130.84180.82690.9001模糊聚类0.86210.88600.60680.83620.83630.7621萤火虫算法0.99910.99330.35650.97930.99560.3447

4 小结

本研究建立农业遥感图像增强模型，通过萤火虫优化算法在其动态决策域半径进行数据更新，对模型求解，实验仿真显示萤火虫算法与直方图算法、Retinex算法、小波变换算法、模糊聚类算法相比，图像细节增强评价指标值较大，相位一致性指标值接近于1，通用质量评价指标值接近于1，数据指标较优，萤火虫算法具有能够增强遥感图像的细节信息的性能。因此，为遥感图像目标的检测提供了一种新思路。

[1] 鲍程辉，贺新光，蒋卫国.非下采样 Contourlet 变换和脉冲耦合神经网络相结合的遥感图像融合方法[J].遥感信息，2015，30(2):52-56.

[2] 吴乐芹，姜春，陈进栋，等.面向城市道路目视识别的遥感图像滤波增强方法[J].地理空间信息，2015，13(2):104-106，109.

[3] 刘陶胜，李沛鸿，李辰风.结合像素频率分布特征的遥感图像自适应线性增强[J].江西理工大学学报，2014，35(5)：40-44.

[4] 伊力哈木·亚尔买买提，谢丽蓉，孔军.基于PCA变换与小波变换的遥感图像融合方法[J].红外与激光工程，2014,43(7):2335-2340.

[5] 李建存，周丽梅，刘军.基于多尺度Retinex理论的遥感图像增强算法[J].西安工业大学学报，2014,34(1):27-33.

[6] 杨波，贾振红，覃锡忠，等.基于改进模糊算法和相对熵的遥感图像增强[J].激光杂志，2014，35(2):37-38.

[7] 姜建国，周佳薇，周润生，等.一种采用改进细菌觅食优化算法的图像增强方法[J].控制与决策，2015,30(3):461-466.

[8] 王才子，孙士保，段建辉，等.基于人眼视觉的遥感图像广义直方图增强算法[J].合肥工业大学学报，2012，35(9)：1208-1211，1292.

[9] 刘洲洲，王福豹.基于离散萤火虫压缩感知重构的无线传感器网络多目标定位[J].光学精密工程，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] 吴鹏.萤火虫算法优化最大熵的图像分割方法[J].计算机工程与应用，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.

(责任编辑 张 韵)

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

河南省科技厅鉴定项目(预科鉴委字[2014]第664号)

郭红山(1978—)，男，河南宁陵人，讲师，硕士，从事计算机技术研究。E-mail：ghs3171412@foxmail.com

TP393

A

1004-1524(2016)06-1076-06

郭红山，张慧宁. 基于萤火虫算法的农业遥感图像增强研究[J].浙江农业学报，2016，28(6)： 1076-1081.