一種基于apso-bp耦合算法的霧天圖像增強(qiáng)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種基于APSO-BP耦合算法的霧天圖 像增強(qiáng)方法。
【背景技術(shù)】
[0002] 在廣泛的戶外圖像處理應(yīng)用中，經(jīng)常會遇見霧霾等惡劣天氣的影響，在霧天中，能 見度低是大氣中最顯著的特征，景物被大氣中的煙霧籠罩著，這個時候用照相機(jī)或攝像機(jī) 所得到的圖像必定會因?yàn)槭艿骄吧钅：h(huán)境的干擾而不夠清晰，圖像中蘊(yùn)含的很多特征被 覆蓋或模糊，不能滿足人們的視覺應(yīng)用需要，所以研宄霧天模糊圖像的復(fù)原有著重要的實(shí) 際意義和應(yīng)用價值。
[0003] 霧天拍攝圖像的視覺效果較差，主要原因是由于大氣粒子的散射作用造成的，它 加強(qiáng)了較低的灰度并減弱了較高的灰度，從而使像素灰度值的分布過于集中進(jìn)而降低了圖 像的對比度。目前霧天圖像復(fù)原的方法主要有兩大類：（1)基于大氣退化物理模型的復(fù)原 方法，（2)圖像增強(qiáng)的方法（如直方圖均衡）；但這兩類方法存在明顯缺陷：前者對數(shù)據(jù)采 集要求嚴(yán)格，計算工作量很大，而且模型參數(shù)不易準(zhǔn)確得到：后者只能簡單地改變整幅圖像 的對比度或者抑制噪聲，往往在抑制噪聲的同時也削弱了圖像的細(xì)節(jié)，而且它需要用戶的 干預(yù)較多，不能自動完成圖像增強(qiáng)。
[0004] 近年來，隨著神經(jīng)網(wǎng)絡(luò)的應(yīng)用日趨廣泛，其在圖像處理方面的應(yīng)用也日益活躍，由 于其具有非線性映射、非參數(shù)化和自組織自適應(yīng)的并行處理系統(tǒng)特性，非常適合于圖像增 強(qiáng)、復(fù)原、識別等問題。因此，本發(fā)明設(shè)計了一種基于APSO-BP耦合算法的霧天圖像復(fù)原算 法。

【發(fā)明內(nèi)容】

[0005] 為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于APSO-BP耦合算法的霧天 圖像增強(qiáng)方法，本方法不需要建立復(fù)雜的物理模型，應(yīng)用自適應(yīng)粒子群優(yōu)化算法優(yōu)化神經(jīng) 網(wǎng)絡(luò)，不僅能縮短訓(xùn)練時間，而且可以有效地避免局部極小缺陷的出現(xiàn)。
[0006] 本發(fā)明的方法可以解決物理模型法參數(shù)難以準(zhǔn)確獲得的缺陷，相比于常用的圖像 增強(qiáng)算法可以提高復(fù)原效果，通過實(shí)驗(yàn)表明本發(fā)明的方法相比于傳統(tǒng)方法，其復(fù)原圖像的 對比度和清晰度大幅提高，視覺效果明顯改善，故可以廣泛應(yīng)用于固定場景的圖像采集系 統(tǒng)中，特別是公路交通系統(tǒng)。
[0007] 為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是，一種基于APSO-BP耦合算法的霧 天圖像增強(qiáng)方法，具體包括如下步驟：
[0008] 步驟一、對模糊圖像g(x，y)進(jìn)行數(shù)據(jù)預(yù)處理得到預(yù)處理樣本圖像f (X，y);
[0009] 步驟二、采用APSO-BP算法初始化算法網(wǎng)絡(luò)權(quán)值，經(jīng)過不斷比較模糊圖像g(x，y) 和預(yù)處理樣本圖像f(x，y)的像素點(diǎn)自身屬性，進(jìn)而得到穩(wěn)定的算法網(wǎng)絡(luò)權(quán)值解；
[0010] 步驟三、采用萊維博格-馬夸特（Leveberg-Manquardt)算法，即公式（1)訓(xùn)練由 步驟二得到的穩(wěn)定的算法網(wǎng)絡(luò)權(quán)值解對應(yīng)的算法網(wǎng)絡(luò)，得到該算法網(wǎng)絡(luò)的最優(yōu)權(quán)值解，完 成對算法網(wǎng)絡(luò)的訓(xùn)練；
[0011] Hlm=-[J(X) 1J(X) +μ Ir1J(X)Tf (X) (1)
[0012] 其中J(X)為雅可比矩陣，μ >0, I為單位陣，f (X)為解析函數(shù)；
[0013] 步驟四、將待處理圖像經(jīng)過數(shù)據(jù)預(yù)處理得到樣本圖像，將待處理圖像作為輸入圖 像數(shù)據(jù)輸入步驟三訓(xùn)練好的算法網(wǎng)絡(luò)得到輸入圖像的矩陣，將樣本圖像輸入步驟三訓(xùn)練好 的算法網(wǎng)絡(luò)得到樣本矩陣，將輸入圖像的矩陣與樣本矩陣進(jìn)行逐個像素比對，計算兩者對 應(yīng)像素點(diǎn)自身屬性之間差值的絕對值得到比對結(jié)果；
[0014] 當(dāng)比對結(jié)果不滿足精度區(qū)間要求時，則通過算法網(wǎng)絡(luò)對輸入圖像進(jìn)行補(bǔ)償處理， 即針對輸入圖像中不符合精度要求的自身屬性，根據(jù)差值的絕對值進(jìn)行補(bǔ)償；當(dāng)比對結(jié)果 滿足精度區(qū)間要求時，則算法網(wǎng)絡(luò)直接輸出輸入圖像。
[0015] 進(jìn)一步的，所述數(shù)據(jù)預(yù)處理的方法為暗通道方法或Retinex圖像增強(qiáng)方法。
[0016] 進(jìn)一步的，所述中像素點(diǎn)自身屬性為灰度值或RGB通道值。
[0017] 進(jìn)一步的，所述步驟四中精度區(qū)間為二級精度區(qū)間標(biāo)準(zhǔn)或一級精度區(qū)間標(biāo)準(zhǔn)。
[0018] 進(jìn)一步的，所述步驟二具體包括以下步驟：
[0019] a.粒子群體初始化，初始化粒子種群的大小、最大迭代步驟和次數(shù)、目標(biāo)誤差、Cl 和c2、rl和r2、初始w值以及初始化粒子的初始位置和速度，來確定粒子群體被訓(xùn)練前的 狀態(tài)；
[0020] b.采用APSO算法訓(xùn)練粒子群，即按式（2)和式（3)計算得到新的一個粒子群； [0021 ] vidk+1 = wv kid+Cl!·! (pid-xidk) +c2r2 (pgd-xidk) (2)
[0022] xidk+1=xidk+Vid k+1 (3)
[0023] 其中，x是隨機(jī)位置，v是速度，x和v都是同一維度的，P為極值點(diǎn)位置，V^+1S 第K+1次迭代粒子的速度，w是權(quán)重系數(shù)，V 是第K次迭代粒子的速度，cdP c 2是學(xué)習(xí)因 子，rJP r 2是隨機(jī)因子，P id是第i個粒子至今搜索到的最優(yōu)位置，P gd是第i個粒子至今搜 索到的最優(yōu)位置，X 1^d第k次迭代粒子的坐標(biāo)，X l^1是第k+Ι次迭代粒子的坐標(biāo)，rl和r2 取值范圍均在〇_1之間；
[0024] 并按式⑷調(diào)整新粒子群的慣性權(quán)重系數(shù)W ;
[0026] 其中，w是權(quán)重系數(shù)，Wniax是最大權(quán)重系數(shù)，Wniin是最小權(quán)重系數(shù)，f是每代粒子的平 均適應(yīng)值，fmax是粒子群中最大的適應(yīng)值，f avg是每代粒子的平均適應(yīng)值；
[0027] c.采用APSO算法對步驟b得到的新粒子群進(jìn)行迭代訓(xùn)練，得到新粒子群的穩(wěn)定權(quán) 值解；
[0028] d.檢驗(yàn)算法網(wǎng)絡(luò)是否達(dá)到收斂條件或最大迭代次數(shù)，當(dāng)算法網(wǎng)絡(luò)的權(quán)值解穩(wěn)定 時，則程序轉(zhuǎn)入下一步；否則，程序轉(zhuǎn)到步驟c繼續(xù)運(yùn)行；
[0029] e.測試樣本對算法網(wǎng)絡(luò)權(quán)值解進(jìn)行檢驗(yàn)：將測試樣本輸入算法網(wǎng)絡(luò)，當(dāng)算法網(wǎng)絡(luò) 的輸出值滿足精度要求時，則輸出其中精度最高的算法網(wǎng)絡(luò)權(quán)值解；當(dāng)算法網(wǎng)絡(luò)的輸出值 均不滿足精度要求時，程序轉(zhuǎn)入步驟a對算法網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。
[0030] 本發(fā)明提出了一種基于APSO-BP耦合算法的霧天圖像增強(qiáng)方法，與傳統(tǒng)的 RETINEX方法及目前熱門的暗通道方法相比，可以使遠(yuǎn)處的天空區(qū)域不再出現(xiàn)不良塊效應(yīng) 及灰白效應(yīng)，在視覺上明顯優(yōu)于直方圖均衡化算法的結(jié)果；而且本算法不需要建立復(fù)雜的 成像物理模型，計算簡便；且在該算法復(fù)原后的霧天圖像，所用算法將標(biāo)準(zhǔn)PSO算法中的全 局最優(yōu)位置與個體最優(yōu)位置分別替換為相關(guān)個體最優(yōu)位置的加權(quán)平均，更好地平衡了算法 的全局與局部搜索能力，提高了算法的多樣性和搜索效率。
[0031] APSO (自適應(yīng)粒子群優(yōu)化算法）可以使原先PSO算法的權(quán)重調(diào)整得到優(yōu)化，利用動 態(tài)自適應(yīng)慣性權(quán)重隨適應(yīng)值自動調(diào)整算法，可以有效地保障粒子的多樣性和PSO算法的收 斂性，而且有效平衡了 PSO的全局和局部搜索能力。
【附圖說明】
[0032] 圖1為本發(fā)明流程示意圖。
[0033] 圖2a為待處理圖像。
[0034] 圖2b為使用本發(fā)明方法處理待處理圖像的結(jié)果。
[0035] 圖3a為使用直方圖均衡化方法處理待處理圖像的結(jié)果。
[0036] 圖3b為使用RETINEX方法處理待處理圖像的結(jié)果。
【具體實(shí)施方式】
[0037] 下面結(jié)合附圖和具體實(shí)施例進(jìn)一步說明本發(fā)明的技術(shù)方案。
[0038] 參見圖1，一種基于APSO-BP耦合算法的霧天圖像增強(qiáng)方法，具體包括如下步驟：
[0039] 步驟一、采用暗通道方法或Retinex圖像增強(qiáng)方法對模糊圖像g(x，y)進(jìn)行數(shù)據(jù)預(yù) 處理得到樣本圖像f(x，y);
[0040] 步驟二、采用APSO-BP算法初始化算法網(wǎng)絡(luò)權(quán)值，并得到穩(wěn)定的算法網(wǎng)絡(luò)權(quán)值