本發(fā)明屬于光學掃描全息領(lǐng)域，涉及一種基于二維最佳直方圖熵法與遺傳算法的離焦躁聲消除方法。

背景技術(shù)：

光學掃描全息技術(shù)(opticalscanningholography)，簡稱osh，是數(shù)字全息技術(shù)的一個分支，它是由poon和korpel最早提出，osh可以將三維物體的信息存儲為二維的全息圖。自該項技術(shù)提出以來，已在掃描全息顯微鏡、3d圖像識別以及3d光學遙感等領(lǐng)域得到廣泛應(yīng)用。在osh中，從全息圖重建出各層的切片圖像時，傳統(tǒng)的重建方法會使得到的重建圖像含有其他層切片的離焦躁聲，導致成像質(zhì)量差；為此，離焦躁聲的消除成為我們研究的重點。

目前，文獻《thresholdingusingtwo-dimensionalhistogramandfuzzyentropyprinciple》中公開一種利用二維直方圖閾值和模糊熵來處理帶噪圖像，但是二維直方圖熵法設(shè)計參數(shù)多，運行速度較慢，效果不是很理想。文獻《imagedenoisingbasedongeneticalgorithm》中公開一種利用遺傳算法進行圖像去噪，但是該傳統(tǒng)遺傳方法搜索效率較慢，不能快速找到全局最優(yōu)解，即不能高效的進行圖像去噪處理。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對上述問題，提供了一種基于二維最佳直方圖熵法與遺傳算法的osh中離焦躁聲消除方法，通過提取圖像灰度信息，利用二維最佳直方圖熵法選取閾值，并利用改進型遺傳算法加快收斂速度，提高閾值搜索效率，從而得到最佳閾值進行圖像分割，有效提高切片成像質(zhì)量。

為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

基于二維最佳直方圖熵法與遺傳算法的離焦躁聲消除方法，包括以下步驟：

步驟1.將激光通過第一個偏振分束器分為兩束光路，其中，第一光瞳為隨機相位光瞳p1(x,y)＝expj[2πr(x,y)]、r(x,y)為(0,1)之間的隨機函數(shù)，第二光瞳為p2(x,y)＝1，其中，x,y分別代表空間坐標信息；將分別經(jīng)過兩束光路的兩條光束由第二個偏振分束器聚光后干涉形成菲涅爾干涉條紋；

步驟2.利用菲涅爾干涉條紋對待測物體進行二維掃描，并通過光電檢測器接收掃描后的光信息，從而獲得待測物體的全息圖；

步驟3.將所得全息圖做傅里葉變換后，與帶有距離參數(shù)的隨機相位光學傳遞函數(shù)的頻域表達式的共軛相乘后，再經(jīng)過逆傅里葉變換，則得到待測物體的重建灰度圖，其中包含呈散斑噪聲形式的離焦噪聲；

步驟4.將重建得到的灰度圖采用二維最佳直方圖熵法，設(shè)定門限閾值向量(s,t)，得到二維直方圖的總熵為h(s,t)：

其中，pa表示背景概率，pb表示目標概率，ha表示目標區(qū)域的熵，h表示整個圖像的熵；

以h(s,t)為適應(yīng)度函數(shù)，采用遺傳算法搜索最優(yōu)閾值。

進一步的，所述步驟1中通過分別設(shè)置兩個光瞳，則光學傳遞函數(shù)表示為：

其中，k0代表波數(shù)，kx和ky代表空間頻率，f是透鏡焦距，p1是第一光瞳為隨機相位光瞳p1(x,y)的傅里葉變換，zi,i＝1,2,3,...,n表示第i層物體到掃描平面的距離，n為總層數(shù)。

更進一步的，所述步驟2中得待測物體的全息圖表示為：

其中，g(x,y)表示全息圖，f^-1、f分別表示傅里葉逆變換和傅里葉變換，i(x,y；zi)表示待測物第i層的復振幅函數(shù)。

所述步驟3的具體過程為：

選擇p1d和p2d作為解碼光瞳，其中，p1d(x,y)＝1、用于重建第i層圖形，則，通過光學傳遞函數(shù)重建圖像的具體表達如下：

其中，i′(x,y；zi)表示待測物體第i層的重建圖像信息，n(x,y；zi)表示散斑噪聲；則：

所述步驟4中遺傳算法的具體過程為：

(1)隨機生成初始化種群；

(2)選擇初始種群規(guī)模為popsize,最大進化代數(shù)gmax；

(3)適應(yīng)度函數(shù)：以h(s,t)作為適應(yīng)度函數(shù)；

(4)編碼：采用八位灰度圖像進行編碼，門限參數(shù)設(shè)為0≤s,t≤255，將個體編碼為16位二進制碼，高八位代表s，低八位代表t；解碼也同樣將高八位解碼為s，低八位解碼為t；

(5)選擇算子：采用精英策略和輪盤賭法相結(jié)合，根據(jù)精英策略將群體中10％的優(yōu)秀個體直接復制到下一代，然后對剩下的個體運用輪盤賭法進行選擇；

(6)交叉算子：設(shè)定搜索前期的交叉概率pc＝0.85,搜索后期的交叉概率為pc＝0.65；

(7)變異算子：選擇拋物線型算子pm，定義如下：

其中，pmmax＝20pmmin，pmmin＝pb、pb為基本變異概率，g∈(1,gmax)；

(8)終止算法：當達到最大進化代數(shù)時終止算法，即得到最優(yōu)閾值。

本發(fā)明的有益效果在于：

(1)本發(fā)明通過設(shè)置光瞳，將離焦噪聲變?yōu)樯咴肼曅问?，然后將二維最佳直方圖熵法與遺傳算法相結(jié)合去除osh中離焦噪聲的方法，二維最佳熵法充分利用了像素的灰度分布信息和像素間的空間相關(guān)信息,提高了閾值分割的抗噪性能；

(2)本發(fā)明利用改進的遺傳算法加快了搜索過程的收斂性，最終得到了全局最優(yōu)解；遺傳算法應(yīng)用范圍包括機器人學、圖像處理、自動控制等，因此本發(fā)明適用于很多領(lǐng)域，應(yīng)用范圍非常廣；

(3)本發(fā)明不僅實現(xiàn)方式簡單、便于操作，同時具有很強的實用性，適合推廣使用。

附圖說明

圖1為本發(fā)明提供基于二維最佳直方圖熵法與遺傳算法的離焦躁聲消除方法的流程示意圖。

圖2為實施例中采用的osh系統(tǒng)基本結(jié)構(gòu)圖。

圖3為實施例中采用原圖。

圖4為實施例中在隨機相位函數(shù)編碼的osh系統(tǒng)中重建圖像。

圖5為實施例中對重建圖像進行離焦躁聲消除后得到結(jié)果。

圖6為實施例步驟4中二維直方圖。

具體實施方式

下面結(jié)合實施例和附圖對本發(fā)明進行詳細說明。

本實施例提供一種基于二維最佳直方圖熵法與遺傳算法的離焦躁聲消除方法，其流程示意圖如圖1所示，本實施例中，系統(tǒng)結(jié)構(gòu)如圖2所示，其原圖如圖3所示，具體實施過程包括以下步驟：

步驟1.采用如圖2所示的系統(tǒng)結(jié)構(gòu)圖，由同一激光源發(fā)出的角頻率為ω的光通過第一個偏振分束器分為兩束光路，其中第一光瞳為隨機相位光瞳p1(x,y)＝expj[2πr(x,y)],r(x,y)為(0,1)之間的隨機函數(shù)，由透射型空間光調(diào)制器(spatiallightmodulator,slm)實現(xiàn)；而第二光瞳為p2(x,y)＝1，其中，x,y分別代表空間坐標信息；將這兩條光束經(jīng)過第二個偏振分束器聚光后干涉形成菲涅爾干涉條紋；則，光學傳遞函數(shù)表示為：

其中，k0代表波數(shù)，kx和ky代表空間頻率，f是透鏡焦距，p1是第一光瞳為隨機相位光瞳p1(x,y)的傅里葉變換，zi,i＝1,2,3,...,n表示第i層物體到掃描平面的距離，n為總層數(shù)；

步驟2.通過上述的菲涅爾干涉條紋對待測物體進行掃描，并利用光電檢測器接收掃描后的光信息，從而獲得待測物體的全息圖：

其中，g(x,y)表示全息圖，f^-1、f分別表示傅里葉逆變換和傅里葉變換，i(x,y；zi)表示待測物第i層的復振幅函數(shù)；

步驟3.將所得的全息圖做傅里葉變換后，與帶有距離參數(shù)的隨機相位光學傳遞函數(shù)的頻域表式的共軛相乘后，再經(jīng)過逆傅里葉變換，即可得到待測物體的重建圖像；通過對光瞳的設(shè)計，我們可以將傳統(tǒng)切片成像中的離焦噪聲表示為散斑噪聲的形式，如圖4所示；

本實例中，為了重建第i層的切片，我們選擇p1d和p2d作為解碼光瞳，其中，p1d(x,y)＝1、因此，步驟3所述的通過光學傳遞函數(shù)重建圖像的具體表達如下：

其中，i′(x,y；zi)表示待測物體第i層的重建圖像信息，n(x,y；zi)表示散斑噪聲；則：

表示待測物體第i層重建圖形中由第j層圖形帶來的噪聲；

步驟4.將重建得到的灰度圖用二維最佳直方圖熵法在二維灰度空間搜索最佳決策變量確定最大熵值；在二維最佳直方圖熵法中，設(shè)定一個門限閾值向量(s,t)，設(shè)選定灰度圖的灰度值范圍為(0,l-1)，將二維直方圖分為如圖6所示的四個區(qū)域，blocka和blockb分別代表背景和目標，blockc和blockd為邊緣噪聲區(qū)域，則有：

背景概率:

目標概率:

由整個圖像熵的計算公式：

對于blocka和blockb兩個區(qū)域，有：

對于blockc和blockd的邊緣噪聲區(qū)域，取值遠遠小于二維直方圖對角線上目標和背景的取值，因此可以作合理近似忽略，則blocka和blockb概率分布有關(guān)的熵分別為：

此時二維直方圖的總熵為：

根據(jù)最大熵原理，有最佳閾值：(sopt,topt)＝arg{maxh(s,t)}

其中，arg{}表示求反函數(shù)；

步驟5.用改進遺傳算法來提高閾值搜索效率，最終找到最優(yōu)的閾值，最后得到處理效果較好噪聲較少的圖像；

針對二維最佳直方圖熵法的特點，對傳統(tǒng)遺傳算法作出了改進，特別是對選擇、交叉、變異等算子進行了優(yōu)化設(shè)置，具體改進情況如下:

(1)隨機生成初始化種群；

(2)選擇初始種群規(guī)模為popsize＝50,最大進化代數(shù)gmax＝100；

(3)適應(yīng)度函數(shù)：以作為適應(yīng)度函數(shù)；

(4)編碼：采用八位灰度圖像進行仿真實驗，門限參數(shù)設(shè)為0≤s,t≤255,將個體編碼為16位二進制碼，高八位代表s，低八位代表t；解碼也同樣將高八位解碼為s，低八位解碼為t；

(5)選擇算子：采用精英策略和輪盤賭法相結(jié)合，根據(jù)精英策略將群體中10％的優(yōu)秀個體直接復制到下一代，然后對剩下的個體運用輪盤賭法進行選擇；

(6)交叉算子：將傳統(tǒng)遺傳算法前后一致的交叉概率進行改進，搜索前期的交叉概率pc＝0.85,搜索后期的交叉概率為pc＝0.65,前期(0≤g≤50)交叉概率高使個體更新較快,能達到更大解空間,并能降低取得非最優(yōu)解的概率,后期(50≤g≤100)降低交叉概率,加快收斂速度，盡快得到全局最優(yōu)解；

(7)變異算子：選擇拋物線型算子pm，定義如下：

上式中，pmmax＝20pmmin,pmmin＝pb,g∈(1,gmax),在進化前期、中期以及后期以不同概率變異已達到最優(yōu)的效果，在進化前期，以較小概率變異，維持一個良好的進化模式；進化中期以加大變異概率，提高搜索能力，避免陷入局部最優(yōu)；進化后期，減小變異概率，加快算法收斂到全局最優(yōu)解的速度；pb為基本變異概率，可按下式進行估計：

當pb≈0.009,gmax＝100時，可得變異算子pm為：

pm＝pm(g)＝0.09-0.0000684×(g-50)²；

(8)終止算法：當達到最大進化代數(shù)時終止算法，

當遺傳算法最后滿足終止條件時，將具有最高適應(yīng)度的個體作為遺傳算法的全局最優(yōu)解，即maxh(s,t),由(sopt,topt)＝arg{maxh(s,t)}可得對重建圖像進行分割的最佳閾值，得到去噪后重建圖像如圖5所示。

以上所述，僅為本發(fā)明的具體實施方式，本說明書中所公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開的所有特征、或所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。