[发明专利]基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法

权利要求书

1.基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，包括以下步骤：

步骤S1：将浮选泡沫图像进行NSST分解，得到低频子带图像和多尺度高频子带；

步骤S2：对低频子带图像进行量子和声搜索模糊集增强；

步骤S3：对于多尺度高频子带，结合改进的贝叶斯萎缩阈值及尺度相关性去除噪声系数，并通过非线性增益函数增强边缘和纹理系数；

步骤S4：对处理后的低频子带、各个高频子带的系数进行NSST重构，得到增强去噪后的图像；

其中，步骤S3具体包括以下步骤：

步骤S31：设第k尺度第l方向的高频子带存在一个阈值如果该高频子带的系数小于则该系数是噪声，反之，该系数表示边缘信息；根据能量分布改进贝叶斯阈值表达式如下：

式中，σ_n表示子带噪声标准差，σ表示子带信号标准差，表示k尺度l方向高频子带的能量，L表示高频子带分解的方向数；其中，σ_n与σ的计算分别采用下式：

式中，表示该子带在(i,j)点的系数，表示子带系数方差；

步骤S32：对范围内的系数进行尺度间的相关性统计，将弱相关的噪声系数去除，将强相关的边缘系数进行放大；

步骤S33：定义在第k尺度第l方向的高频子带在(i,j)上的尺度相关系数为：

式中，表示不同尺度在(i,j)位置上的所有系数乘积，表示第k尺度第l方向子带的系数能量，表示表示k尺度l方向高频子带的能量，是归一化处理；

步骤S34：采用下式的高频子带系数的增强函数对高频子带的系数进行调整，直接去除噪声系数：

式中，g(*)表示非线性增益函数。

2.根据权利要求1所述的基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，步骤S1具体包括以下步骤：

步骤S11：采用非下采样金字塔NSP进行多尺度分解，将图像进行k次NSP分解后，得到1个低频图像和k层高频子带图像；

步骤S12：采用剪切滤波器SF对高频子带进行l级多方向分解，得到2^l个大小与原图像相同的多方向子带。

3.根据权利要求1所述的基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，步骤S2具体包括以下步骤：

步骤S21：在模糊特性域处理图像中的像素，将低频子带图像从空间域映射到模糊域：

其中，隶属度函数u_mn为：

式中，m＝1,2,3,...,M；n＝1,2,3,...,N,参数F_p表示指数型模糊因子，F_e表示倒数型模糊因子；M表示图像的长度，N表示图像的宽度，X_max表示图像中最大的灰度值，X_mn表示当前像素点的灰度值；

步骤S23：接着，采用广义对比度增强算子，即：

式中，q表示乘幂；

步骤S24：进行G^-1逆变换：

步骤S25：采用改进的量子和声搜索算法对F_p、F_e和q进行寻优，其适应度函数为：

y＝H×lg(C×D)；

式中，y表示适应度函数，H为图像信息熵，C为图像对比度，D为图像清晰度。

4.根据权利要求3所述的基于量子和声搜索模糊集的NSST域浮选泡沫图像增强及去噪方法，其特征在于，步骤S25中，所述改进的量子和声搜索算法具体包括以下步骤：

步骤S251：初始化各参数；

步骤S252：初始化种群，种群中的各个个体都设为

步骤S253：将初始化种群中的量子比特变换到2进制，得到对应的确定解；

步骤S254：将各确定解代入适应度函数进行适应度评价，并记录最优个体及对应的适应度；

步骤S255：判断是否满足终止条件，若是，则结束算法，否则进入步骤S256；

步骤S256：测量种群中的各个个体，获得一组解；

步骤S257：将各确定解代入适应度函数，记录最优个体及对应的适应度；

步骤S258：利用量子旋转门对种群进行更新；

步骤S259：产生一组新和声解；

步骤S2510：更新和声记忆库；

步骤S2511：将迭代次数加一，并返回步骤S255。