1.一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：

步骤1：输入待增强原始图像，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像各个像素点的灰度值，统计各个灰度级k，k值范围为0-255；k出现的次数为G(k)，得到原始图像的灰度直方图；

步骤2：利用已经获得图像的灰度直方图，对于k从0到255，扫描G(k)，得到原始图像的最大灰度值Gmax和最小灰度值Gmin，并将原始图像进行归一化处理记为I’，将图像的灰度值变换到[0,1]区间；

步骤3：采用自定义的图像质量评价函数作为原图像增强后图像质量的适应度评价函数，将归一化后的图像灰度值代入归一化的非完全Beta函数中，并利用图像质量评价函数求得归一化的非完全Beta函数最优α,β参数；自定义的图像质量评价函数为：Fitness＝log(E(I1e)×NT/Δh)×(sum(hT)/(M×N))其中，M为原始图像的宽度，N为原始图像高度，单位是像素，M×N为原始图像的大小；

I1e是对原始图像的灰度值进行归一化处理后，利用归一化的非完全Beta函数对该灰度值进行变换，增强变换后的图像，E(I1e)为图像I1e的熵值，ei是灰度级i的熵；hi表示第i级灰度级概率密度，NT为灰度级概率密度大于阈值T的像素个数；sum(hT)表示灰度级概率密度大于阈值T的所有灰度级概率密度之和；Δh表示灰度级概率密度hi的均方差；

归一化的非完全Beta函数定义为下式：

其中,u在这里表示归一化后图像的灰度值变量，是步骤2中的f'(i,j)，t是积分变-1量，B (α,β)是B(α,β)的逆变换，β的函数B(α,β)由下式给出：上式中t是积分变量，α,β是归一化的非完全Beta函数参数，

步骤4，利用步骤3中求得最优α,β参数，采用归一化的非完全Beta变换函数F(u,α,β)(0≤u≤1)，对归一化图像进行变换，所述的变换公式如下：g'(i,j)＝F(f'(i,j),α,β)

上式中，f'(i,j)表示归一化图像在像素点(i,j)处的灰度值，就是归一化的非完全Beta函数的输入变量u，g'(i,j)表示变换后图像在像素点(i,j)处的灰度值，其中f'(i,j)和g'(i,j)均满足0≤g'(i,j)≤1，0≤f'(i,j)≤1；

步骤5，对归一化增强变换后的图像进行反变换处理，其采用的公式为

f"(i,j)＝(G'max-G'min)g'(i,j)+G'min式中，G'max和G'min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'max＝255，G'min＝0，g'(i,j)是指采用归一化的非完全Beta函数增强后像素点(i,j)的灰度值，f″(i,j)为进行反归一化后像素点(i,j)的灰度值；

步骤6，输出增强后图像。

2.根据权利要求1所述的一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：所述的步骤2中将原始图像进行归一化处理所采用的公式为：上式中f(i,j)表示原始图像在像素点(i,j)处的灰度值，f'(i,j)表示归一化处理后图像在像素点(i,j)处的灰度值，Gmax是图像最大灰度值，Gmin是原图像最小灰度值。

3.根据权利要求1所述的一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：所述的步骤3中阈值T取T＝0.5×max(G(k)),k＝0,1,...,255；α,β的取值范围设定为(0,10)。

4.根据权利要求1所述的一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：所述的步骤3包括如下步骤：步骤3.1:读入图像的灰度值直方图，初始化杜鹃搜索算法所需的参数，得到算法的初始种群；

初始化杜鹃搜索算法所需的参数，得到算法的初始种群；参数包括迭代次数Iter、算法的种群规模N、鸟蛋被发现的概率pa、速度步长控制参数η、列维飞行步长控制参数λ、鸟巢的初始空间位置；

步骤3.2:杜鹃搜索算法中鸟巢的初始空间位置值向量就是相应的初始α,β参数组合，利用定义的图像质量评价函数计算其适应度函数值，记录并保留当前最优鸟巢位置A；

步骤3.3：通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置，得到一组新解并计算其适应度函数值，比较这组解的适应度函数值并记其具有最优适应度函数值的位置为B；

步骤3.4：用随机数r∈[0,1]与鸟巢的主人发现外来的鸟蛋概率pa对比，并判断：若r＞pa，则通过列维飞行随机改变鸟巢位置，得到一组新的鸟巢位置，并计算其适应度函数值，比较这组解的适应度函数值并记其具有最优适应度函数值的位置为C，然后进入步骤3.5；

若r≤pa，则顺序执行下述步骤3.5；

步骤3.5：将位置B和C的适应度函数值与上一代当前最优鸟巢位置A的适应度函数值进行对比，若更好，则将其作为当前最优鸟巢位置A；

步骤3.6：判断是否满足终止条件；其中终止条件是预设的最大运行迭代次数；

若否，则回转执行所述的步骤3.3；

若是，输出全局最优鸟巢位置对应的最优α,β参数，进入步骤4。

5.根据权利要求3所述的一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：所述的步骤3.2中适应度函数的计算方法是：首先利用α,β参数对图像进行归一化的非完全Beta函数变换图像增强，然后采用自定义的图像质量评价函数计算增强后图像质量的评价函数值就是α,β参数的适应度函数值，比较每个鸟巢的适应度函数值，记录并保留当前最优鸟巢位置A。

6.根据权利要求3所述的一种基于杜鹃搜索算法的自适应图像增强方法，其特征在于：所述的步骤3.3中通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置，其位置更新公式为：其中，i表示第i个鸟巢，t表示迭代次数，xi(t)表示第i个鸟巢在第t次迭代时的位置，xi(t+1)表示第i个鸟巢在第t+1次迭代时的位置，η是速度步长控制参数并且η＞0，-λ表示点对点乘法，Levy(λ)是均匀Levy分布随机数，服从Levy～u＝t (1＜λ≤3)，λ是列维飞行步长控制参数。