沙特国王大学学报：基于Cuckoo搜索优化的图像融合增强

沙特国王大学学报基于Cuckoo搜索优化的图像融合增强Lalit Mauryaa，b，Viney Lohchaba，b，Prasant Kumar Mahapatraa，b， Lános Abonyica科学和创新研究院（AcSIR），Ghaziabad 201002，印度bCSIR-Central Scientific Instruments Organisation（CSIR-CSIO），Sector 30-C，Chandigarh 160030，IndiacMTA-PE Lendület复杂系统监测研究小组，Pannonia大学，Egyetem u。10磅158，Veszprém H-8200，匈牙利阿提奇莱因福奥文章历史记录：收到2021年2021年7月8日修订2021年7月9日接受2021年7月15日在线提供保留字：布谷鸟搜索粒子群优化对比度增强亮度图像融合A B S T R A C T许多基于视觉的系统遭受差的对比度和亮度水平，这主要是因为在图像获取过程期间照明不足和不适当结果，来自所获取的图像的所需指定信息对于特定应用不可用通常，在图像增强中，难以通过在图像增强中引入自然启发的优化，利用图像的最佳特征，并且可以利用各种约束（如对比度和亮度之间在这项工作中，一种新的自动图像增强方法，找到一个对比度和亮度之间的平衡，通过使用布谷鸟搜索优化的首先，基于布谷鸟搜索的优化算法生成两组优化参数。这些参数集用于生成一对增强的图像，一个具有高度的清晰度和对比度，另一个是明亮的，并且在不丢失细节水平的情况下得到了改进。此外，通过融合过程将两个增强图像融合，以获得对比度和亮度平衡的输出图像。通过对标准图像（CVG-UGR图像数据库）和刀具图像的应用，验证了实验结果表明，该方法在对比度和亮度质量方面都有较好的表现，而且与其他传统方法相比，其质量评价指标得到了增强。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍图像增强是图像处理中的一个重要工具，因为它可以提高图像的质量并引起对图像特征的关注。此外，它主要用作多个应用和机器视觉系统的主要处理工具。图像增强是将输入图像的像素强度值转换为新的强度值，以便突出某些特征以供后续处理*通讯作者。电子邮件地址：lalitmaurya47@gmail.com（L. Maurya），vineylohchab7@gmail.com （ V.Lohchab ） ， prasant22@csio.res.in （ P.KumarMahapatra ） ，j.abonyi@gmail. com（J. Abonyi）。沙特国王大学负责同行审查图像分析或显示。当出于显示原因执行增强时，它会增加图像的对比度和锐度，从而强调其视觉吸引力。另一方面，当为了机器识别的目的而执行增强时，作为通过机器的对象识别，增强强调某些特征，例如，边缘、边界和纹理，从而图像分析系统测量来自增强图像的定量信息，并使用该定量信息为特定应用做出复杂的决定。通常，图像增强方法可以大致分为两类：空间域方法和频域方法（Gonzalez等人，2011年）。空间域方法直接对输入图像的灰度值进行操作。在频域方法中，首先通过应用傅立叶变换来变换输入图像，然后通过预定义的操作来调制傅立叶变换，并且通过计算变换域的逆来获得输出图像。直方图均衡化（HE）、线性对比度拉伸（LCS）和反锐化掩蔽（UM）是用于图像增强的三种最常用的技术。它们在图像处理中应用简单。https://doi.org/10.1016/j.jksuci.2021.07.0081319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comL. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7248HE通过在整个图像中分布最频繁出现的强度值来提高全局对比度。线性对比度拉伸是增加图像强度水平的动态范围的过程。在许多情况下，因为这些方法在全局尺度上处理图像，所以不提取局部信息。图像采集过程中的不良和不当照明会导致对比度和亮度水平较差。对比度被定义为图像的暗区域和亮区域之间的亮度（强度水平）的分离。对比度的改进增加了这种分离，使得物体变得可区分（Agrawal等人，2022年）。亮度被定义为图像中的指定亮度量。这两种增强功能相互影响。通常，难以在图像增强中的这些改进之间进行平衡。提出了一种基于布谷鸟搜索的图像增强算法。引入了一种新的参数化变换函数来增强曝光过度和曝光不足图像的细节。本文的贡献如下：其目的是通过提高亮度来增强图像的曝光差和对比度差，以及通过增加或降低对比度来增强明暗之间的变化。布谷鸟搜索算法用于确定最佳参数集，无需人工解释。所提出的方法生成两个图像-一个丰富的细节，如高熵，大量的边缘像素和高清晰度;另一个的亮度已被调整。融合过程进一步组合这两个图像以生成增强图像，该增强图像在视觉上令人愉悦，在亮度和对比度之间具有更好的平衡。布谷鸟搜索（CS）算法已被广泛应用于解决各种工程优化问题。它本质上是简单、健壮、可扩展、灵活和快速的。此外，CS算法具有探索和开发的适当平衡，确保算法的最佳性能。在与搜索过程中对算法的探索 和 利 用 的 策 略 、 速 率 和 控 制 相 关 的 文 献 中 可 以 找 到 各 种 修改（Kordestani等人，2018; Sait等人，2016年）。Peng，2021通过布谷 鸟 生 长 中 的 序 列 行 为 的 启 发 ， 引 入 了 多 策 略 序 列 布 谷 鸟 搜索（MSSCS）。此外，通过结合Spark框架提出了一种新的变体（He，2019）。这里，Cuckoo Search的一个简单框架被设计为搜索具有不同质量的两个巢巢的质量这两个目标函数利用图像的对比度和亮度进行图像增强。结果在质量和数量上都很好。2. 相关工作在机器视觉中，捕获的图像的质量也可能由于不适当的照明而受到影响。它可能是曝光不足（黑暗和沉闷）或曝光过度（明亮和饱和）。即使在具有最佳相机设置的最佳环境条件下，实际上也不可能将捕获的图像与观察到的场景完全匹配。可能会引入曝光伪影，这可能会洗掉图像的细节。图像增强技术的详细细节由（Qi，et al.， 2021年）。在文献中，研究人员已经表现出了兴趣，在开发一种图像增强方法有关的曝光问题，使用对比度调整和伽马校正。（Vidya等人， 2012）提出了选择性照明增强技术（SIET），用于归一化整个图像中的光变化。（Huang等人，2013）提出了一种称为AGCWD的方法，通过结合直方图分析、加权分布和伽马校正来增强低照度图像的亮度。（Singh和Kapoor，2014年）提出了直方图均衡化中的曝光阈值概念，以增强低曝光灰度图像，称为ESIHE。（Arriaga-Garcia等人， 2014）提出了一种称为BEASF的简单方法，用于通过将直方图划分为子直方图并使用sigmoid函数平滑其累积分布来增强对比度并保持亮度。G. Jiang等人对比度和亮度是两个重要但相互矛盾的目标。 他们通过采用非线性伽马校正和加权和方法提出了在亮度和对比度增强方面的平衡性能，其被称为CEGAMMA（Jiang等人，2015年）。Turgay Celik提出了一种新的全局增强技术，称为基于空间熵的对比度增强（SECE）（Celik，2014），无需任何参数选择。此外，Turgay还实现了一种名为SECEDCT（Celik，2014）的方法，该方法使用SECE和2D离散余弦变换来实现全局和局部增强。（Guo等人，2017年）提出了一种基于估计图像的照明图的增强技术，该技术被称为LIME。（Ying等人， 1711）提出了一种融合框架，用于融合具有多重曝光的图像以增强弱光图像，并且被称为BIMEF。近年来，在IE领域，也出现了深度（Shen等人，1711）提出了一种通过卷积神经网络（CNN）实现多尺度Retinex的低光图像增强模型。 （Wei等人， 1808）设计了一个Retinex深度网络，由分解网络和增强网络组成，用于增强受光照不良影响的图像。图像增强的最新进展包括使用自然启发的超启发式算法，通过一些定义的目标函数优化算法的参数来自动化它。（Ketchet al.，1994）提出了一种基于遗传算法（GA）的图像增强算法，结合不同的变换函数。（Hashemi，2010）应用了使用简单染色体结构和遗传算子的IE技术。（Munteanu和Rosa，2004）提出了一种用于由进化算法驱动的灰度图像增强的自动过程。类似地，几种元启发式算法，例如粒子群优化（PSO）（Gorai和 Ghosh ， 2009 ） 、 萤 火 虫 算 法 （ FA ） （ Hassanzadeh 等 人 ，2011）、差分进化（DE）（Sarangi，2014）、和谐搜索（Al-Betar等人，2016）等，已成功应用于图像增强。在这些方法中，使用参数局部增强核，这导致输入图像的特征的高度变化。近年来，CuckooSearch（ CS ）算 法是 一种 广泛 应用 于各 种应 用的 自然 启发 算法（Yang and Suash，2009）。研究表明，它的性能远远优于PSO和GA。（Civicioglu和Besdok，2013）统计比较了CS算法与PSO、DE和ABC的性能和成功率。与PSO和ABC相比，结果有利于CS和DE。此外，（Yang和Deb，2014年）审查了CS在各种应用程序中的成功实施。此外，它在各种研究中优于其他几种算法（Abdualrhman和Padma，2019; Garg和Sahu，2015; Samal等人，2022; Agrawal等人，2012年）。使用具有参数化局部增强核的CS进行图像增强。（Babu和Sunitha，2015）提出了一种基于CS的对比度增强，随后进行形态学处理以强调图像细节。CS也被用于通过（Ghosh等人，2014年）。（Bhandari等人，2014）提出了对比度增强为低分辨率卫星图像通过使用CS●●●L. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7249ð Þ我我我最我我JKDWT-SVD技术中自适应阈值函数参数的优化算法此外，（Suresh等人， 2017）提出了一种新的自适应布谷鸟搜索，以增强卫星图像的对比度。（Kamoona和Patra，2019年）利用布谷鸟搜索算法中的贪婪选择方法进行灰度图像增强。（Bhandari和Maurya，2020年）采用布谷鸟搜索来优化子直方图均衡化中的平台限制3. 布谷鸟搜索布谷鸟搜索的灵感来自于某些布谷鸟物种的幼虫寄生。布谷鸟利用另一种宿主鸟的巢来产卵，从而进行专性育雏寄生。CS算法通过考虑某些杜鹃物种的这种行为并遵循三个理想化规则来实现（Yang和Suash，2009）：每只布谷鸟都倾向于一次产一个蛋，然后把它放在随机挑选的巢里。含有高质量蛋的最好的巢将被交付给下一代。宿主鸟巢的数量有限，宿主鸟发现布谷鸟蛋的可能性为pae [0，1]。宿主鸟要么把蛋从巢里扔出去，要么离开巢去创造另一个新的。从实现的角度来看，假设巢中的每个蛋都是一个解向量，杜鹃一次只能下一个蛋。在这种情况下，就不能区分布谷鸟、蛋或巢了。所有这些都表示解在解空间中的位置。通过下面的方程，可以得到初始解。nesti<$LbirandωUbi-Lbi1其中，nesti表示解向量。Ubi和Lbi分别表示解的上搜索边界和下搜索边界。根据下式，基于先前的最佳巢位置来计算用于丢蛋的新巢的位置（新解决方案）：Lévy walk（Yang and Algorithms，2008）。因此，用于探索的全局随机行走由Lévy行走执行如下，而它们的步长由Lévy分布确定nestt1nestta·Lb·nestt-nestt ·r2其中，a表示步长参数，r表示统一随机量，nest_best表示到目前为止的最佳解向量。Lb根据Lévy飞行提供随机游走。Mantegna布谷鸟搜索采用局部搜索和全局搜索的平衡策略，并且受发现概率pa的约束。由pa发现的一小部分更差的嵌套执行局部随机游走。当地的步行是作为（Yang and Deb，2014）：不，不。nestt-nestt3其中Hu表示随机选择两个不同解nestt和nestt的Heaviside阶跃函数。s代表uni-4. 材料和方法4.1. 问题公式化照明不佳的图像不会显示完整的动态范围。图像直方图的图案可以识别图像的问题，例如，过或欠显示、亮度、对比度和动态范围。在暗图像（曝光不足）中，直方图的图案朝向灰度的较低强度侧居中，而在亮图像中，图案朝向较高强度侧居中。低对比度和高对比度图像的灰度分别产生窄范围和宽范围的图案。当一个照明不佳的图像被很好地增强时，其直方图的图案覆盖了很宽的范围，并且可能向更高强度的一侧移动亮度、对比度、饱和度和锐度是通常用于图像增强的最简单的图像控制参数。虽然这些参数是通过不同的技术来测量的，但是一个参数的不适当控制会影响其他参数和图像的所有细节。如何在图像处理中使用这些参数来使图像在视觉上令人愉悦或为机器视觉系统提取信息，这常常是令人困惑的。实验测试的结果单独显示在图S1中。在这个测试中，MATLAB内置图像的亮度，即“摄影师”，“撅嘴”和“办公室”（随着曝光的增加）通过伽马校正得到改善。MATLAB内置的“增亮”功能用于在一个方向上移动所有像素值的强度。当beta从0增加到1时，亮度增加。通过增加亮度，图像的平均强度增加，如每个图像中的蓝线所示（见补充文件，图S1）。图像亮度每增加一次对应的对比度和锐度分别用红线和绿线表示。可以看出，在亮度的一些改进之后，对比度和锐度的斜率变为负值，即，这些参数随着亮度的增加而减小。然而，低曝光的图像表现出正斜率，直到稍高的水平（其中亮度包括对比度和锐度）。因此，可以说亮度和对比度的增加彼此对立。采集后，对图像中的像素进行几次操作，以平衡亮度、对比度、饱和度和锐度。此外，这里需要注意的是，像素的操作以某种方式在图像中引入了失真或噪声，然而，良好的增强操作突出了图像中的细节，并使其在视觉上令人愉悦。每个图像都有不同的像素分布，这是一个主观的问题，会导致经验上的增强。因此，增强方法应自动调整所需的对比度和亮度。在这项工作中使用的布谷鸟搜索为基础的算法评估的目标函数定义的图像质量在每次迭代中，通过应用变换函数。经过一些迭代，该算法收敛到最佳的最佳点，并产生两个图像。 利用非线性加权函数对两幅图像进行融合，使两幅图像具有均衡的特征。在下面的小节中，给出了变换函数、目标函数和方法的描述。4.2. 使用的功能利用变换函数在空间域中增强图像。它将输入图像的每个像素J K形式随机数，s是随机选择的步长。符号表示元素乘法。 另一方面，Lévy航班被用来进行随机的全球漫步（Yang和Deb，2014）。生成增强图像。当使用优化方法自动增强图像时，利用目标函数来确定图像在该方法中采用了两个目标L. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7250ðÞð Þ ðÞð Þ×ð Þ.gx;yx;XX¼英寸;ÞX1ðÞðÞ其中：ll/LbM×N4.2.1. 变换函数图像在空间域中的变换如下执行：gx;yT½fx;y]4其中f x;y表示输入图像，g x;y表示经处理或增强的图像，并且T是f上的变换算子，定义在x;y （Gonzalez等人，2011年）。我们提出的转换函数考虑了如下几个因素：提高图像的清晰度或锐度，而不引入出现在图像的平滑或平坦区域中的任何细微细节（像素噪声）通过拉伸输入-输出变换曲线的形状来在变换中使用的参数必须指定图像的各个特征以增强对比度。在这项工作中，执行局部和全局增强的变换函数建模如下：gsx;yc·fx;y-a·mx;yb·rx;y5测量图像的细节。有鉴于此，函数fitness1（F1）定义如下（Munteanu和Rosa，2004）：F1Ie其中，Ie表示在每次迭代中生成的增强图像， N表示图像的大小，SSI e表示在将Sobel Mask应用于I e之后的Sobel锐度图像的像素强度的总和 使用Sobel边缘检测技术生成增强图像的边缘图像。HIe表示Ie的平均信息含量，通过Shannon熵方法获得一般来说，图像的亮度是所有像素的平均强度值的量度。图像的直方图显示其色调范围。它表示图像中亮度范围内的像素分布。图像直方图提供图像中每个灰度级的像素hrknk;0≤kL8<其中rk表示第k个强度级，nk表示强度级rk处的像素数。调整曝光不足图像或照明不良图像的亮度可以通过fitness2（F2）建模，如下所示：gs_x;y_x-L指数H指数-L指数ð6ÞF2Ie D=std9其中，M-1其中f=x;y=输入图像mx;y=邻域为3× 3rx;y=邻域为3× 3的局部标准差图像D1f x y10M×Nx<$0y<$0[L指数;H指数]=下限和上限，公差为1%用于对比度拉伸[a，b，c，d]=优化算法使用的参数vut1XL-12L k¼0L-1hrk11k¼0以在输入图像中产生期望的操纵该函数的第一部分应用于输入图像，以通过使用局部增强来获得更清晰和高度详细的图像。其次，通过拉伸输入输出变换曲线的形状来执行全局增强。从图像fx;y中减去平滑图像mx;y以实现局部强调的细节，这些细节被进一步添加到图像f x;y，这给出了高提升。参数“a”控制用于强调目的的平滑度去除的水平。这也平均了出现在图像的平滑或平坦区域中的像素噪声。项rx;y表示局部对比度，其指示邻域中的像素值的变化程度，并且通过将其添加到图像，突出显示边缘信息（强度）。参数“b”控制图像中边缘的锐度。由参数“d”控制的输入-输出变换曲线的形状促进全局增强。应该注意的是，所提出的转换内核不能创建额外的细节，只是简单地强调细节。在进行几次实验之后，参数[a，b，c，d]被设置为ae [0，1.5]，be [0，1.5]，ce [2.0，2.5]和de[0，1.0]。基于布谷鸟搜索的算法必须确定[a，b，c，d]的最佳值以实现更好的图像增强。4.2.2. 目标函数建议的布谷鸟搜索算法使用两种类型的目标函数，以产生两个图像。这些目标函数被定义为调整两个重要的图像特征，对比度和亮度，分别命名为fitness1和fitness2。对比度增强后的图像边缘像素多、边缘强度高、信息量大。通过提高边缘像素和边缘数的强度，图像变得更清晰。平均信息量（熵）被用来方程中定义的术语std。（9）表示在图像中亮度范围内的像素数的变化或增加。值得注意的是，具有增强对比度的图像表现出宽的直方图模式，即，该模式在宽范围的平均值上扩展。std的高值指示具有高对比度的图像，并且呈现宽直方图图案。项D指示像素强度的全局平均值。D的高值增加了图像的亮度，并将直方图图案移动到更高的亮度水平。D与std的比率指示全局亮度位于一个标准偏差内。提高该比率确保了整个宽直方图图案以受控的方式向更高的亮度水平偏移，使得亮度在没有细节损失的情况下增强。4.3. 该方法从实现的角度来看，嵌套表示必须在解空间中优化的最佳参数集。布谷鸟（粒子群）首先进行Lévy飞行，通过评估巢的一些客观标准并将它们放入宿主的巢中来确定宿主的巢是否换句话说，粒子群向最优位置移动，并通过Lévy walk探索搜索空间如果宿主鸟发现蛋不是自己的，它们就会离开，在不同的地方做一个不同的巢对于每个解决方案，选择性交叉应用于搜索空间。形式上，Lévy飞行提供了变化的变异，并且基于有偏/选择性随机游走的新解的生成选择是通过切换概率来pa，它携带好的解决方案，新的解决方案取代了更差的解决方案。●●●标准¼拉克什-勒什DL. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7251ðÞr×17在所提出的方法中，布谷鸟搜索算法被修改为生成两组参数的转换函数。一只布谷鸟必须找到两个巢来容纳它们的蛋，而蛋的适合度彼此不同。假设杜鹃必须将两种具有不同客观价值的卵送入两个适合孵化特定卵的宿主巢中。因此，布谷鸟会找到两个具有不同客观价值的巢。假设一个巢只能容纳一个蛋，每只布谷鸟都要寻找两个巢。形式上，布谷鸟的数量是通过评估解决方案的相应适应度来探索两个最优点的粒子群的数量。修改可概述如下：布谷鸟必须随机地寻找两个巢来放它们的两个蛋。两个鸡蛋的质量是不同的。最好的蛋被放入相应的最好的巢中，并传给下一代。● 一小部分糟糕的巢穴被新的巢穴取代。在优化过程之后，所获得的一对最佳嵌套表示两组参数，这两组参数用于变换函数以生成一对增强图像-一个具有高锐度和对比度，另一个具有经调整的亮度。此外，融合过程融合这对图像以平衡对比度和亮度，并产生视觉上令人愉悦的最终增强图像。整个过程可以分为两个过程：（1）优化过程和（2）融合过程。优化过程使用基于布谷鸟搜索的算法来获得两组参数。 基于布谷鸟搜索的 算法的 伪 代 码如图所示 。1 .一、后已经研究了七个图像，即房间，豹，马车，小屋，船，X射线和车床工具，而所提出的方法应用于来自（CVG-UGR图像数据库，2018）的100个标准图像。所选择的标准图像通常具有较差的对比度和较差的亮度。车床工具的灰度图像由与Navitar透镜组合组装的Stingray相机（Allied Vision Technologies GmbH）获取。用于捕获车床刀具的图像的实验设置在（Mahapatra等人，2015年）。在实践中由于制造单元中的不适当照明，车床刀具的捕获图像可能具有差的对比度和亮度。用CLAHE、ESIHE、AGCWD、BEASF（c= 1.0）、CE伽马、SECEDCT（c= 0.5）、LIME（λ = 0.15，σ = 2.0，γ = 0.8）、BIMEF、DRD、基于标准PSO的图像增强（PSOIE）、基于DE的图像增强（DEIE）和基于布谷鸟搜索的图像增强（CSIE）技术。最大迭代值是用于终止优化过程的标准，其被设置为40。布谷鸟（蜂群）的数量和切换概率分别设置为30和0.25。5.1. 图像质量指标为了评估所提出的方法的性能，评估标准如下：（1）清晰度指数和（2）在不引入不必要的伪影的情况下，原始图像的对比度和亮度的 改 善 图 像 梯 度 的 大 小 的 归 一 化 和 被 认 为 是 锐 度 的 简 单 度 量（Gonzalez等人，2011年）。为了测量对比度和亮度的改善量，使用对比度改善指数（CII）和亮度改善（BI）。CII是一种定量指标，定义为：在优化过程中，一对最佳嵌套，bestnest1和bestnest2，是用于产生一对增强图像的两组参数最后，通过融合过程融合该对增强图像，以生成具有CIIC增强1/4C原件1500美元其中，C增强和C原始表示增强图像的对比度。对比度和亮度的平衡。融合过程用于组合图像对的最佳特征最近，在融合过程中已经引入了一种新的视角来组合图像的良好质量，从而克服了与原始图像相关的缺陷和原始图像。图像的对比度C通过使用等式（1）来计算。（七）、随着CII的增加，增强图像的质量得到改善。输出图像相对于原始图像的亮度改善计算如下：还原（Chen等人， 2010年）。在此提出的融合过程纸张结合了对比度和亮度，以提高信息的感知能力，减少照明不足的缺陷。BI¼me-moMo16Þ图像.在融合技术中，权函数被定义为S形函数。首先，如下计算高对比度图像I1和调整后的亮图像I2的绝对平均值：Ax;yI1x;yI 2x;y= 2 12用于线性组合两个图像的权重函数Wx;y被定义为Ax;y的非线性函数：Wx;y1=1 exp-Ax：y 13将高对比度图像和调整后的明亮图像的特征组合的最终融合图像Rx;yi定义为：R=x;y=1-x;y= 14所提出的方法的流程图如图所示。 二、5. 实验结果在本节中，描述了标准图像和车床刀具图像的仿真结果。标准图像取自（CVG-UGR图像数据库，2018）。在本文中，其中me和mo表示增强的和原始图像。通过梯度幅度相似性偏差（GMSD）定量评估输入图像和增强图像之间的全参考感知相似性。具有轮询策略的逐像素梯度幅度相似性（GMS）可以预测原始图像和失真图像之间的感知图像质量（Xue等人，2014年）。较低的GMSD值表示输入和增强图像中的失真较小。理想情况下，如果输出图像在某些操作之后没有失真，则输入（X）和输出（Y）图像的GMSD预期为GMSD（X，Y）= 0。然而，增强通常引入GMSD值，但是当以平衡的方式改善亮度和对比度以确保良好的增强方法时，该值应该较小。通过考虑这个事实，对于对比度和亮度之间的最佳折衷，图像增强对GMSD的比率更高。为了测试所提出的具有较少失真的算法的对比度和亮度的相对改善，该比率计算如下：CIRaBIRb¼GMCDcÞ●●●ðL. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7252.Σ¼；ðÞMoFig. 1. 基于Cuckoo Search算法的伪代码。CIR maxC增强型-C原基 018C原创BIR1/4ma x. me-mo;019其中，a;b;c1/4;CIR表示对比度改善比。BIR代表亮度改善比，m。和me分别表示原始图像和增强图像的平均强度;并且GMSD测量感知图像质量，如由下式所解释的L. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7253图二. 所提出的方法的流程图。（Xue等人， 2014年）。r值等于零表示对比度、亮度或两者都没有改善;大于零的值表示失真相对较小的改善。5.2. 定性和定量分析将标准图像和刀具图像与其他传统方法一起应用于从所提出的方法和其他增强技术获得的房间和车床工具的增强图像示于图1和图2中。 3和4Leopard、Carriage、Cottage、Boat和X射线的增强结果分别显示在图1A和1B中。S2-S6 表1示出了各种技术的增强图像的对比度改善指数（CII）、亮度改善（BI）和清晰度指数值表1揭示了所提出的方法具有增强对比度和亮度的平衡方法。表2显示了房间，豹，马车，平房，船，X射线和车床工具的品质因数（r）.表2解释了所提出的方法在较少失真的情况下改善了亮度和对比度，即，降低饱和和过清晰的可能性。通过使用不同的技术来评估增强的图像，可以说结果是有希望的，并且所提出的方法以平衡的方式优化了输入图像的对比度和亮度通过分析房间、豹、马车、农舍、船、车床工具和X射线图像以及它们用不同算法增强的图像，可以注意到，来自所提出的方法的结果清楚地可视化图像中的所有细节。从CLAHE方法获得的输出图像包含更多的暗区和亮区，因为像素的数量向更高和更低值偏移。BEASF和ESIHE输出图像被有利地增强，然而，这些方法不兼容。L. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7254图3.第三章。房间图像的增强：（a）原件，（b）CLAHE，（c）ESIHE，（d）AGCWD，（e）BEASF，（f）CE伽马，（g）SECEDCT，（h）LIME，（i）BIMEF，（j）DRD，（k）PSOIE，（l）DEIE，（m）CSIE，（n）建议方法。见图4。车床刀具图像增强：（a）原始，（b）CLAHE，（c）ESIHE，（d）AGCWD，（e）BEASF，（f）CE伽马，（g）SECEDCT，（h）LIME，（i）BIMEF，（j）DRD，（k）PSOIE，（l）DEIE，（m）CSIE，（n）建议方法。表1对比度改善指数（CII）、亮度改善（BI）和使用各种增强技术的增强图像的锐度图像参数CLAHEESIHEAGCWDBEASFCEGammaSECEDCT石灰BIMEFDRDPSOIEDEIECSIE提出房间CII1.551.271.210.991.281.501.711.391.881.311.621.381.65BI1.221.154.290.340.870.892.931.502.772.252.041.852.90锐度15.2312.8815.239.8410.1821.7622.3211.6021.2511.5522.5520.5212.63豹子CII1.211.041.010.971.011.381.281.161.261.061.451.381.30BI0.320.261.390.001.150.341.340.371.110.740.510.460.78锐度21.5517.4724.0817.9519.1638.7326.7918.0526.8628.6340.7732.4823.66马车CII1.051.010.881.000.791.160.981.021.001.011.131.161.13BI0.750.251.680.171.650.471.480.511.060.860.550.800.94锐度26.2816.8424.2717.9821.7837.5130.4118.3729.7219.4625.2431.0623.42山寨CII1.141.070.921.020.871.181.031.030.891.051.121.071.16BI0.640.151.540.121.360.381.550.511.090.560.720.730.83锐度29.6717.5827.0517.3221.0539.5630.2816.4627.6324.6826.2533.9725.20船CII1.070.980.960.930.891.200.971.011.031.031.251.211.10BI0.060.120.220.050.510.130.610.150.320.260.070.150.22锐度21.7117.1520.9814.0812.8831.8316.7712.2515.3314.7731.6227.4920.35车刀CII1.401.534.251.151.141.251.461.381.661.772.505.352.02BI锐度0.032.960.152.810.333.14-1.002.380.252.12-1.004.000.392.320.251.850.362.740.202.80-0.399.720.0018.930.212.74x射线CII1.301.101.171.030.401.430.840.990.840.991.471.531.31BI-0.050.000.23-0.020.51-0.020.540.200.350.14-0.07-0.090.08锐度13.678.9210.088.365.1415.067.386.937.387.9316.4023.66 10.04L. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7255表2图像相似性质量（GMCD）的改善率，使用不同增强技术的增强图像的质量因子（r）。图像CLAHEESIHEAGCWDBEASFCEGammaSECEDCT石灰BIMEFDRDPSOIEDEIECSIE提出房间4.903.303.380.002.933.369.474.749.804.826.603.3010.74豹子0.770.320.080.000.061.212.022.171.450.291.381.632.28马车0.300.130.000.000.000.690.000.260.010.090.641.031.34山寨0.740.420.000.070.000.540.240.520.000.190.680.361.59船0.030.000.000.000.000.240.000.150.060.070.130.200.30车刀0.190.744.890.000.490.001.391.271.771.640.000.002.32x射线0.000.010.280.000.000.000.000.000.000.000.000.000.62详细情况。定性测量的研究也表明，所提出的方法优于这两种方法。另一方面，在某些情况下，CLAHE和ESIHE的锐度更高，这是比BEASF和CE伽马更合适的技术。 在大多数情况下，AGCWD、CE伽马和石灰技术会导致亮度饱和。这些算法的BI也更高但LIME的效果相 对 好 于 AGCWD 和 CE 伽 马 。 定 性 分 析 也 证 实 了 主 观 评 价 。SECEDCT增强了对比度，但无法补偿亮度的提高。SECEDCT比SECE更好，因为它考虑了本地和全球的增强因素然而，在某些情况下，例如，在Leopard图像（图S2（j））中，在SECEDCT的输出图像中引入了DRD和表3不同增强技术的CVG-UGR图像数据集的比较统计分析结果。算法CIIBI品质因数（r）CLAHE1.200.240.50ESIHE1.030.070.16AGCWD1.020.960.49BEASF1.000.040.06CEGamma0.910.780.31SECEDCT1.290.160.59石灰1.070.941.32BIMEF1.050.310.94DRD1.290.811.06PSOIE1.090.600.89DEIE1.460.340.87CSIE1.460.431.37提出1.310.591.54PSOIE增强效果很好，但在许多情况下，像像素噪声、过清晰度、饱和度伪影、光晕等伪影都在场值得注意的是，由于不同的变换函数，DEIE和CSIE给出了高的锐度值，DRD方法在图像中引入了缺陷，因为这种方法是基于学习的，并且依赖于训练的图像数据集。此外，还发现在PSOIE、DEIE和CSIE的情况下，当同一图像经受不同运行的算法时，观察到增强水平的显著程度的变化在车床刀具图像的情况下，AGCWD、CLAHE、DEIE、CSIE和ESIHE方法产生的图像度量范围超出预期，并且图像质量在视觉上不令人满意。这并不奇怪，因为基于直方图均衡化的方法是不加区别的;它可以使背景噪声更明显，同时减少有用信号。此外，在某些情况下，LIME、CE伽马和PSOIE方法表现出高BI值但低对比度和锐度。结果，这些方法过度增强了输入图像，并达到饱和作为伪影。由于饱和，图像中的局部细节和清晰度所提出的方法通过以平衡的方式提高亮度和对比度来降低表3显示了来自（CVG-UGR图像数据库，2018）的100个标准图像采用配对t检验比较了两种方法的平均值的统计学意义。结果表明，与其他标准方法相比，所提出的方法具有统计学显著性（p值0.01），并且具有更高的平均质量因子（r）。对比度的改善更高，亮度最佳，这表明所提出的方法可以防止与强度和饱和度相关联的问题，以及提供对比度和亮度之间的最佳权衡表3还表明，图五. 仿真结果和它们各自的直方图的房间图像：（a）原始，（b）高对比度，（c）调整亮度，和（d）融合图像。L. Maurya，V.Lohchab，P.Kumar Mahapatra等人沙特国王大学学报7256表4所提出方法的10次不同运行的CII和BI的平均值和标准差（STD）。图像CII BI平均STD平均STD房间1. 6392 0. 0136 2. 93570. 06481.2762 0.0067运输2009年12月31日船1. 1031 9. 8968 e-04 0. 2261 0. 0066车床刀具2.0582 0.0289 0.2060 0.0061如图5所示。对于高对比度图像（图5（b）），CII和BI分别为1.7005和2.2312。虽然该图像的对比度变高，但亮度没有调整。对于高亮度图像