CN104915933A - 一种基于apso-bp耦合算法的雾天图像增强方法 - Google Patents

Abstract

本发明提出了一种基于APSO-BP耦合算法的雾天图像增强方法，可以使天空区域不出现不良块效应及灰白效应，在视觉上明显优于直方图均衡化算法的结果。算法不需要建立复杂的成像物理模型，且计算简便；且在该算法复原后的雾天图像，所用算法将标准PSO算法中的全局最优位置与个体最优位置分别替换为相关个体最优位置的加权平均，更好地平衡了算法的全局与局部搜索能力，提高了算法的多样性和搜索效率。

Description

一种基于APSO-BP耦合算法的雾天图像增强方法

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于APSO-BP耦合算法的雾天图像增强方法。

背景技术

在广泛的户外图像处理应用中，经常会遇见雾霾等恶劣天气的影响，在雾天中，能见度低是大气中最显著的特征，景物被大气中的烟雾笼罩着，这个时候用照相机或摄像机所得到的图像必定会因为受到景深模糊环境的干扰而不够清晰，图像中蕴含的很多特征被覆盖或模糊，不能满足人们的视觉应用需要，所以研究雾天模糊图像的复原有着重要的实际意义和应用价值。

雾天拍摄图像的视觉效果较差，主要原因是由于大气粒子的散射作用造成的，它加强了较低的灰度并减弱了较高的灰度，从而使像素灰度值的分布过于集中进而降低了图像的对比度。目前雾天图像复原的方法主要有两大类：(1)基于大气退化物理模型的复原方法，(2)图像增强的方法(如直方图均衡)；但这两类方法存在明显缺陷：前者对数据采集要求严格，计算工作量很大，而且模型参数不易准确得到：后者只能简单地改变整幅图像的对比度或者抑制噪声，往往在抑制噪声的同时也削弱了图像的细节，而且它需要用户的干预较多，不能自动完成图像增强。

近年来，随着神经网络的应用日趋广泛，其在图像处理方面的应用也日益活跃，由于其具有非线性映射、非参数化和自组织自适应的并行处理系统特性，非常适合于图像增强、复原、识别等问题。因此，本发明设计了一种基于APSO-BP耦合算法的雾天图像复原算法。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于APSO-BP耦合算法的雾天图像增强方法，本方法不需要建立复杂的物理模型，应用自适应粒子群优化算法优化神经网络，不仅能缩短训练时间，而且可以有效地避免局部极小缺陷的出现。

本发明的方法可以解决物理模型法参数难以准确获得的缺陷，相比于常用的图像增强算法可以提高复原效果，通过实验表明本发明的方法相比于传统方法，其复原图像的对比度和清晰度大幅提高，视觉效果明显改善，故可以广泛应用于固定场景的图像采集系统中，特别是公路交通系统。

为了达到上述目的，本发明采用的技术方案是，一种基于APSO-BP耦合算法的雾天图像增强方法，具体包括如下步骤：

步骤一、对模糊图像g(x,y)进行数据预处理得到预处理样本图像f(x,y)；

步骤二、采用APSO-BP算法初始化算法网络权值，经过不断比较模糊图像g(x,y)和预处理样本图像f(x,y)的像素点自身属性，进而得到稳定的算法网络权值解；

步骤三、采用莱维博格-马夸特(Leveberg-Manquardt)算法，即公式(1)训练由步骤二得到的稳定的算法网络权值解对应的算法网络，得到该算法网络的最优权值解，完成对算法网络的训练；

H_LM＝-[J(x)^TJ(x)+μI]^-1J(x)^Tf(x)  (1)

其中J(x)为雅可比矩阵，μ>0，I为单位阵，f(x)为解析函数；

步骤四、将待处理图像经过数据预处理得到样本图像，将待处理图像作为输入图像数据输入步骤三训练好的算法网络得到输入图像的矩阵，将样本图像输入步骤三训练好的算法网络得到样本矩阵，将输入图像的矩阵与样本矩阵进行逐个像素比对，计算两者对应像素点自身属性之间差值的绝对值得到比对结果；

当比对结果不满足精度区间要求时，则通过算法网络对输入图像进行补偿处理，即针对输入图像中不符合精度要求的自身属性，根据差值的绝对值进行补偿；当比对结果满足精度区间要求时，则算法网络直接输出输入图像。

进一步的，所述数据预处理的方法为暗通道方法或Retinex图像增强方法。

进一步的，所述中像素点自身属性为灰度值或RGB通道值。

进一步的，所述步骤四中精度区间为二级精度区间标准或一级精度区间标准。

进一步的，所述步骤二具体包括以下步骤：

a.粒子群体初始化，初始化粒子种群的大小、最大迭代步骤和次数、目标误差、c1和c2、r1和r2、初始w值以及初始化粒子的初始位置和速度，来确定粒子群体被训练前的状态；

b.采用APSO算法训练粒子群，即按式(2)和式(3)计算得到新的一个粒子群；

v_id ^k+1＝wv^k _id+c₁r₁(p_id-x_id ^k)+c₂r₂(p_gd-x_id ^k)   (2)

x_id ^k+1＝x_id ^k+v_id ^k+1  (3)

其中，x是随机位置，v是速度，x和v都是同一维度的，P为极值点位置，为第K+1次迭代粒子的速度，w是权重系数，是第K次迭代粒子的速度，c₁和c₂是学习因子，r₁和r₂是随机因子，P_id是第i个粒子至今搜索到的最优位置，P_gd是第i个粒子至今搜索到的最优位置，第k次迭代粒子的坐标，是第k+1次迭代粒子的坐标，r1和r2取值范围均在0-1之间；

并按式(4)调整新粒子群的惯性权重系数W；

$w=\left\{\begin{array}{c}{w}_{max}-\frac{(w_{max}-w_{min})(f-f_{avg})}{f_{max}-f_{avg}}...(f\&GreaterEqual;f_{avg})\\ w_{\max }...\left(f<f_{avg}\right)\end{array}\right.---\left(4\right)$

其中，w是权重系数，w_max是最大权重系数，w_min是最小权重系数，f是每代粒子的平均适应值，f_max是粒子群中最大的适应值，f_avg是每代粒子的平均适应值；

c.采用APSO算法对步骤b得到的新粒子群进行迭代训练，得到新粒子群的稳定权值解；

d.检验算法网络是否达到收敛条件或最大迭代次数，当算法网络的权值解稳定时，则程序转入下一步；否则，程序转到步骤c继续运行；

e.测试样本对算法网络权值解进行检验：将测试样本输入算法网络，当算法网络的输出值满足精度要求时，则输出其中精度最高的算法网络权值解；当算法网络的输出值均不满足精度要求时，程序转入步骤a对算法网络重新进行训练。

本发明提出了一种基于APSO-BP耦合算法的雾天图像增强方法，与传统的RETINEX方法及目前热门的暗通道方法相比，可以使远处的天空区域不再出现不良块效应及灰白效应，在视觉上明显优于直方图均衡化算法的结果；而且本算法不需要建立复杂的成像物理模型，计算简便；且在该算法复原后的雾天图像，所用算法将标准PSO算法中的全局最优位置与个体最优位置分别替换为相关个体最优位置的加权平均，更好地平衡了算法的全局与局部搜索能力，提高了算法的多样性和搜索效率。

APSO(自适应粒子群优化算法)可以使原先PSO算法的权重调整得到优化，利用动态自适应惯性权重随适应值自动调整算法，可以有效地保障粒子的多样性和PSO算法的收敛性，而且有效平衡了PSO的全局和局部搜索能力。

附图说明

图1为本发明流程示意图。

图2a为待处理图像。

图2b为使用本发明方法处理待处理图像的结果。

图3a为使用直方图均衡化方法处理待处理图像的结果。

图3b为使用RETINEX方法处理待处理图像的结果。

具体实施方式

下面结合附图和具体实施例进一步说明本发明的技术方案。

参见图1，一种基于APSO-BP耦合算法的雾天图像增强方法，具体包括如下步骤：

步骤一、采用暗通道方法或Retinex图像增强方法对模糊图像g(x,y)进行数据预处理得到样本图像f(x,y)；

步骤二、采用APSO-BP算法初始化算法网络权值，并得到稳定的算法网络权值解；

a.粒子群体初始化，初始化粒子种群的大小、最大迭代步骤和次数、目标误差、c1和c2、r1和r2、初始w值以及初始化粒子的初始位置和速度，来确定粒子群体被训练前的状态；

b.采用APSO算法训练粒子群，即按式(2)和式(3)计算得到新的一个粒子群；

v_id ^k+1＝wv^k _id+c₁r₁(p_id-x_id ^k)+c₂r₂(p_gd-x_id ^k)  (2)

x_id ^k+1＝x_id ^k+v_id ^k+1  (3)

其中，x是随机位置，v是速度，x和v都是同一维度的，P为极值点位置，为第K+1次迭代粒子的速度，w是权重系数，是第K次迭代粒子的速度，c₁和c₂是学习因子，r₁和r₂是随机因子，P_id是第i个粒子至今搜索到的最优位置，P_gd是第i个粒子至今搜索到的最优位置，第k次迭代粒子的坐标，是第k+1次迭代粒子的坐标，r1和r2取值范围均在0-1之间；

并按式(4)调整新粒子群的惯性权重系数W；

$w=\left\{\begin{array}{c}{w}_{max}-\frac{(w_{max}-w_{min})(f-f_{avg})}{f_{max}-f_{avg}}...(f\&GreaterEqual;f_{avg})\\ w_{\max }...\left(f<f_{avg}\right)\end{array}\right.---\left(4\right)$

其中，w是权重系数，w_max是最大权重系数，w_min是最小权重系数，f是每代粒子的平均适应值，f_max是粒子群中最大的适应值，f_avg是每代粒子的平均适应值；

c.采用APSO算法对步骤b得到的新粒子群进行迭代训练，得到新粒子群的稳定权值解；

d.检验算法网络是否达到收敛条件或最大迭代次数，当算法网络的权值解稳定时，则程序转入下一步；否则，程序转到步骤c继续运行；

e.测试样本对算法网络权值解进行检验：将测试样本输入算法网络，当算法网络的输出值满足精度要求时，则输出其中精度最高的算法网络权值解；当算法网络的输出值均不满足精度要求时，程序转入步骤a对算法网络重新进行训练。

步骤三、采用莱维博格-马夸特(Leveberg-Manquardt)算法，即公式(1)训练由步骤二得到的稳定的算法网络权值解对应的算法网络，得到该算法网络的最优权值解，完成对算法网络的训练；

H_LM＝-[J(x)^TJ(x)+μI]^-1J(x)^Tf(x)  (1)

其中J(x)为雅可比矩阵，μ>0，I为单位阵，f(x)为解析函数；

步骤四、将待处理图像经过数据预处理得到样本图像，将待处理图像作为输入图像数据输入步骤三训练好的算法网络得到输入图像的矩阵，将样本图像输入步骤三训练好的算法网络得到样本矩阵，将输入图像的矩阵与样本矩阵进行逐个像素比对，计算两者对应像素点自身属性之间差值的绝对值得到比对结果；

当比对结果不满足精度区间要求时，则通过算法网络对输入图像进行补偿处理，即针对输入图像中不符合精度要求的自身属性，根据差值的绝对值进行补偿；当比对结果满足精度区间要求时，则算法网络直接输出输入图像。

本实施例中所述的像素点自身属性为灰度值或RGB通道值。

本实施例步骤四中所述精度区间为二级精度区间标准或一级精度区间标准。

参见图2b与图3a，3b相比，图2b的成像更真，白色块状区域较少，对于天空等区域的复原效果更佳，真实感更加强烈，从图2b中可以看出，通过本发明的算法可以看到更远的视野与视点，而不会产生较严重的噪声与失真现象。

Claims (6)

1.一种基于APSO-BP耦合算法的雾天图像增强方法，其特征在于：具体包括如下步骤：

步骤一、对模糊图像g(x,y)进行数据预处理得到预处理样本图像f(x,y)；

步骤二、采用APSO-BP算法初始化算法网络权值，经过不断比较模糊图像g(x,y)和预处理样本图像f(x,y)的像素点自身属性，进而得到稳定的算法网络权值解；

步骤三、采用莱维博格-马夸特(Leveberg-Manquardt)算法，即公式(1)训练由步骤二得到的稳定的算法网络权值解对应的算法网络，得到该算法网络的最优权值解，完成对算法网络的训练；

H_LM＝-[J(x)^TJ(x)+μI]^-1J(x)^Tf(x)   (1)

其中J(x)为雅可比矩阵，μ>0，I为单位阵，f(x)为解析函数；

步骤四、将待处理图像经过数据预处理得到样本图像，将待处理图像作为输入图像数据输入步骤三训练好的算法网络得到输入图像的矩阵，将样本图像输入步骤三训练好的算法网络得到样本矩阵，将输入图像的矩阵与样本矩阵进行逐个像素比对，计算两者对应像素点自身属性之间差值的绝对值得到比对结果；

当比对结果不满足精度区间要求时，则通过算法网络对输入图像进行补偿处理，即针对输入图像中不符合精度要求的自身属性，根据差值的绝对值进行补偿；当比对结果满足精度区间要求时，则算法网络直接输出输入图像。

2.根据权利要求1所述一种基于APSO-BP耦合算法的雾天图像增强方法，其特征在于：所述数据预处理的方法为暗通道方法或Retinex图像增强方法。

3.根据权利要求1所述一种基于APSO-BP耦合算法的雾天图像增强方法，其特征在于：所述像素点自身属性为灰度值或RGB通道值。

4.根据权利要求1所述一种基于APSO-BP耦合算法的雾天图像增强方法，其特征在于：所述步骤四中精度区间为二级精度区间标准或一级精度区间标准。

5.根据权利要求1所述一种基于APSO-BP耦合算法的雾天图像增强方法，其特征在于：所述步骤二具体包括以下步骤：

a.粒子群体初始化，初始化粒子种群的大小、最大迭代步骤和次数、目标误差、c1和c2、r1和r2、初始w值以及初始化粒子的初始位置和速度，来确定粒子群体被训练前的状态；

b.采用APSO算法训练粒子群，即按式(2)和式(3)计算得到新的一个粒子群；

v_id ^k+1＝wv^k _id+c₁r₁(p_id-x_id ^k)+c₂r₂(p_gd-x_id ^k)   (2)

x_id ^k+1＝x_id ^k+v_id ^k+1   (3)

其中，x是随机位置，v是速度，x和v都是同一维度的，P为极值点位置，为第K+1次迭代粒子的速度，w是权重系数，是第K次迭代粒子的速度，c₁和c₂是学习因子，r₁和r₂是随机因子，P_id是第i个粒子至今搜索到的最优位置，P_gd是第i个粒子至今搜索到的最优位置，第k次迭代粒子的坐标，是第k+1次迭代粒子的坐标；

并按式(4)调整新粒子群的惯性权重系数W；

$w=\left\{\begin{array}{c}{w}_{\max }-\frac{(w_{\max }-w_{\min })(f-f_{avg})}{f_{\max }-f_{avg}}\mathrm{...}(f\&GreaterEqual;f_{avg})\\ w_{\max }\mathrm{...}(f<f_{acg})\end{array}\right.---\left(4\right)$

其中，w是权重系数，w_max是最大权重系数，w_min是最小权重系数，f是每代粒子的平均适应值，f_max是粒子群中最大的适应值，f_avg是每代粒子的平均适应值；

c.采用APSO算法对步骤b得到的新粒子群进行迭代训练，得到新粒子群的稳定权值解；

d.检验算法网络是否达到收敛条件或最大迭代次数，当算法网络的权值解稳定时，则程序转入下一步；否则，程序转到步骤c继续运行；

e.测试样本对算法网络权值解进行检验：将测试样本输入算法网络，当算法网络的输出值满足精度要求时，则输出其中精度最高的算法网络权值解；当算法网络的输出值均不满足精度要求时，程序转入步骤a对算法网络重新进行训练。

6.根据权利要求5所述一种基于APSO-BP耦合算法的雾天图像增强方法，其特征在于：所述r1和r2取值范围均在0-1之间。