环型对称量子结构算法的电路板红外图像增强

2018-10-30李宏义

实验室研究与探索 2018年9期

李艳, 李宏义

(新乡职业技术学院，河南新乡 453000)

0 引言

通过红外成像诊断电路板故障是一项重要的方法，但是由于电路板红外成像对比度差，严重影响电路板红外成像的质量，因此需要对电路板红外图像进行增强[1]。目前算法有：直方图变换(Histogram Transformation,HT)方法实现编程简单[2]，由于增强过程中需要提高背景的对比度，使得细节增强效果不明显；小波变换方法(Wavelet Transform,WT)由于多尺度的方向性有限[3]，细节信息的增强明显不足；星型量子(Star Type Quantum,STQ)结构算法[4]，其缺点是量子之间只能进行单向通信，两个接收者之间无法直接进行算法优化分配；总线型量子(Bus Type Quantum,BTQ)结构算法[5]，靠前的量子接收优化的概率大于后面的接收者，接收优化概率小的量子需要通过调节因子来保证整个优化概率匹配；多阶量子结构算法[6]，即使是相同的阶，由于量子在非对称条件下，量子获得的优化性能也不一样；全连接量子(Fully Connected Quantum,FCQ)结构算法可以使量子与所有量子交换信息[7]，虽然使得收敛速度加快，但迭代次数过多，容易陷入局部最优；栅格量子(Lattice Quantum,LQ)结构算法解决了空间结构复杂的问题[8]，但是,由于栅格单元的大小决定了在一个量子所覆盖的处理范围，单元越小处理越精确，但如果太小则数据量太大；对称量子(Symmetric Quantum,SQ)结构算法量子在空间位置中形成虚拟对等状态[9]，但是不能保证量子最优的空间位置处于最优分布上，树型量子(Tree Quantum,TQ)[10]结构算法，空间分支复杂，没有考虑支节点和支头间距离，容易造成整体量子数过多，影响算法的性能。

本文采用环型对称量子(Ring Symmetric Quantum，RSQ)结构算法对图像增强,建立RSQ结构模型，环核心为至少两条对称轴的交点，欧式距离确定量子参与优化的数量，量子旋转角通过隶属度函数控制，且量子旋转角动态变化，为了控制量子个体之间信息共享的程度，实现较差个体的更新，引入共享因子对同、邻环个体之间信息共享进行动态调节。实验仿真显示本文算法对电路板红外图像增强清晰，评价指标较好。

1 环型对称量子结构算法

1.1 量子算法

量子算法中任意量子比特的状态可以取值为0或1以及叠加态：

|φ〉=α|0〉+β|1〉

(1)

量子旋转门：

(2)

式中：θ为量子旋转角。

1.2 环型对称

在环型对称中，环核心为至少两条对称轴的交点，对称轴使得量子分布存在上下、左右或以特定角度对称，如图1所示。图1中，量子环核心为对称轴的交点，量子的对称轴描述为4个，因此量子对称性存在4个，分别为0°、45°、90°、126°对称，对称分布量子可使解在最优解的周围，由于到达最优解的距离在一个很小的区域内，这样可使算法收敛到最优解的概率大大增加。

1.3 量子环自适应动态调整过程

1.3.1各环量子参与优化的数量

量子之间的信息交流能增加各自量子信息的多样性[11]，从而避免量子单一性，采用欧式距离确定量子参与优化的数量，设第t个环上内、外ti(i=1,2)圆上的量子群体为X(t)=(xti,1,xti,2,…,xti,N),N为内、外圆上的量子个体数目，满足下式的量子才能参与优化：

图1 环型对称量子分布

(3)

1.3.2旋转门更新

采用量子个体旋转门更新如下：

(4)

式中：Δθ为旋转角度增量。Δθ范围动态调整具体计算为：

(5)

式中：z为调节系数;n为所处的环数。本文调节系数采用z形隶属函数，调节过程如图2所示。

图2 z形隶属函数控制旋转过程

从图2可知，离环核心越近的环，隶属度值比较大，这样Δθ增量也比较大，从而增大离环核心越远的环能够获取信息优势，整体上提高算法的搜索效率。

1.3.3信息共享非线性动态变化

在搜索过程中，环中量子可以有不同的Δθ，为了控制量子个体之间信息共享的程度，实现较差个体的更新，引入共享因子对同、邻环个体之间信息共享进行动态调节，环量子信息共享包括同环共享次数t1∈[1,T1]，T1为同环最大共享总次数；邻环共享次数t2∈[1,T2]，T2为邻环最大共享总次数。

同环共享因子ε1随t1进行非线性动态变化：

ε1=1+(t1/T1)1/t1

(6)

邻环共享因子ε2随t2进行非线性动态变化：

ε2=1-(t2/T2)1/t2

(7)

在共享过程中，要求:

ε2=sε1

(8)

式中：s为Sigmoid型隶属函数，本文设置

Sigmoid型隶属函数控制共享过程如图3所示。

图3 Sigmoid型隶属函数控制共享过程

从图3可以看出，t1/t2较小时可减弱同环量子个体对邻环量子个体的影响，寻优前期共享主要在同环中进行；当t1/t2达到一定程度时，s迅速增大，共享寻优主要与邻环进行，扩大搜索范围，避免局部解。

2 红外图像增强过程

2.1 Beta函数实现红外图像增强

由于Beta函数特性能够对红外图像实现各种类型增强[12]，非完全Beta函数归一化为：

(9)

式中：B(α,β)为Beta函数，

(10)

α∈(0,10)、β∈(0,10)；α<β时对较暗区域拉伸；α=β时对中间区域拉伸；α>β时对较亮区域进行拉伸，为了适用图像的各种灰度，需要α、β进行自适应寻优。

假设图像I={f(x,y)}，大小为M×N，具有L个灰度级，

f(x,y)∈{Lmin,Lmin+1,Lmin+2,…,Lmax}

Lmax、Lmin为图像灰度级的最大值和最小值，Lmin与Lmax满足Lmax-Lmin=L-1，将f(x,y)进行归一化处理为

(11)

如果图像的灰度范围为[0，L]，函数CG(m,n)统计图像灰度值在[m,n]内的灰度分布，函数η(i)是原图像灰度值i的向上取整值，自适应寻优判决规则如下。

对红外图像偏暗部分进行拉伸判决规则：

对红外图像的偏亮部分进行拉伸判决规则：

对红外图像的中间部分进行拉伸，偏暗和偏亮部分压缩判决规则：

对红外图像的偏暗和偏亮部分拉伸，中间部分进行压缩判决规则：

这样对不同的红外图像求解出各自的α、β最优取值，即得到最佳增强效果。把红外图像增强质量评价函数作为环型对称量子算法的适应度函数：

fitness(f,α,β)=

(12)

2.2 算法流程

算法流程如下:①输入待增强图像；②按式(3)获得参与数据优化的量子数，按式(5)更新量子个体；③通过式(6)、(7)不同共享因子更新量子群；④按判决规则对不同的红外图像自适应增强；⑤按式(12)判断适应度,若连续个新解都没有被接受则终止寻优，进行步骤⑤；否则进行步骤②；⑥输出增强图像。

3 实验仿真

实验参数：本文算法每个环上量子数目最大为20，环数为8，T1同环共享总次数为20，T2邻环共享总次数为10。其他算法分别有：HT方法、WT方法、STQ结构算法、BTQ结构算法、多阶量子结构算法、FCQ结构算法、LQ结构算法、SQ结构算法、TQ结构算法，编程通过Matlab7.0实现。

3.1 视觉仿真

首先从视觉上进行分析，电路板红外图像待增强灰度原图如图4(a)、图5(a)所示，由于外界条件的原因，整体模糊，里面的元器件无法辨识出来，图4(b)、图5(b)为HT方法增强效果，图4(c)、图5(c)为WT方法增强效果，图4(d)、图5(d)为STQ结构算法增强效果，图4(e)、图5(e)为BTQ结构算法增强效果，图4(f)、图5(f)为多阶量子结构算法增强效果，图4(g)、图5(g)为FCQ结构算法增强效果，图4(h)、图5(h)为LQ结构算法增强效果，图4(i)、图5(i)为SQ结构算法增强效果，图4(j)、图5(j)为TQ结构算法增强效果，图4(k)、图5(k)为RSQ结构算法增强效果。

(a)(b)(c)(d)(e)(f)(g)(h)(i)(j)(k)

图4 各种算法的对比增强效果1

图5 各种算法的对比增强效果2

从图4、5的检测效果可以看出，本文RSQ算法对电路板红外图像增强结果较清晰，能够识别出集成元件以及字母标号，说明本文算法通过非完全Beta函数可对不同灰度段进行自适应增强，分别涉及到中间部分、偏暗、偏亮的细节部分增强；其他算法有增强效果存在模糊，暗处细节不明显，只能找到大致的位置，无法确定精确位置。