CN105427241A - 一种大视场显示设备的畸变校正方法 - Google Patents

Abstract

本发明涉及一种大视场显示设备的畸变校正方法，属于智能信息图像处理技术领域。本发明通过建立含有双层隐含结构的人工神经网络，并利用粒子群算法求解中双层隐含结构的人工神经网络各层权值和阈值，将得到全局极值对应的值作为神经网络的权值与阈值，并代入所建立的人工神经网络中进行训练学习，以形成图像畸变校正模型，最后将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后的图像。本发明采用了粒子群算法训练人工神经网络的权值和阈值来克服传统人工神经网络存在局部极小值收敛速度慢等缺点，本发明易于实现、数据处理能力强、校正精度高，适合于大视场显示设备的畸变校正。

Description

一种大视场显示设备的畸变校正方法

技术领域

本发明涉及一种大视场显示设备的畸变校正方法，属于智能信息图像处理技术领域。

背景技术

突出现象的非线性动力机制表明，畸变图像数据和理想图像数据存在难以用显函数描述的复杂的非线性映射关系，对于处理这样一个复杂的非线性问题，传统的数理统计和模糊数学等方法是有局限性的，而以非线性性并行计算为基础的人工神经网络在处理这类复杂非线性问题时具有较高的建模能力和良好的拟合能力。但是传统人工神经网络存在局部极小值收敛速度慢等缺点，导致图像畸变处理效率低、精度差的问题。

发明内容

本发明的目的是提供一种大视场显示设备的畸变校正方法，以解决由于采用传统人工神经网络进行图像畸变校正所导致的像畸变处理效率低、精度差的问题。

本发明为解决上述技术问题提供了一种大视场显示设备的畸变校正方法，该畸变校正方法的步骤如下：

1)获取大视场显示设备的畸变图像和像源原始图像的若干个抽样点作为样本数据，并对其进行规格化处理；

2)建立含有双层隐含结构的人工神经网络，并将规格化处理后样本数据中的畸变图像数据作为该人工神经网络的输入样本，将规格化处理后样本数据中的像源原始图像数据作为该人工神经网络的输出样本；

3)利用粒子群算法求解步骤2)中双层隐含结构的人工神经网络各层权值和阈值，得到全局极值对应的值即为神经网络的权值与阈值；

4)将步骤3)中获取的最优解代入所建立的人工神经网络中进行训练学习，以形成图像畸变校正模型，将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后的图像。

所述步骤3)是将人工神经网络中需要调整的权值和偏差组成的矢量作为一个粒子，通过粒子之间的竞争和合作来完成网络的训练过程，并通过惯性权重协调全局搜索与局部搜索。

所述步骤1)中的样本数据的表示形式为畸变图像和像源原始图像抽样点的直角坐标，样本数据的规格化处理为：

$t_i=\frac{p_i}{p_{\max }}\×0.9$

其中t_i为规格化处理后的样本数据，p_i为图像X轴或Y轴的坐标，p_max为图像坐标的最大值，i＝1,2,…N。

所述步骤3)中粒子群算法每个个体看作N维搜索空间中的一个粒子，采取速度—位置搜索模型，速度v_i＝(v_i1,v_i2,…,v_iD)表示粒子在搜索空间单位迭代次数的位移，向量x_i＝(x_i1,x_i2...,x_iD)表示第i粒子位置,向量中的每一维表示神经网络中权值或阈值的值,D为神经网络中的所有权值加阈值个数，每个粒子的位置x_i＝(x_i1,x_i2...,x_iD)是1个潜在解，将x_i代入目标函数就可以计算出其适应值，衡量其优劣，每一次迭代，粒子通过动态跟踪个体极值p_i和全局极值p_g来更新其速度和位置。

所述的速度—位置搜索模型为：

$V_{id}^{k+1}=\mathrm{\ω}\×V_{id}^k+c_1\×rand\left(\right)\×(p_{id}^k-x_{id}^k)+c_2\×rand\left(\right)\×(p_{gd}^k-x_{gd}^k)$

$V_{id}^{k+1}=V_{id}^{k+1}+x_{id}^k$

其中为粒子在k+1时刻的速度，rand()是介于(0、1)之间的随机数，c1和c2是学习因子，ω为惯性权重，为粒子k时刻的个体极值，为粒子k时刻的全局极值，为粒子k时刻的个体位置，为粒子k时刻的全局位置。

所述的粒子群算法采用以训练均方误差精度E作为粒子的适应度，即

$fitness=E=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(t_i-y_i)}^2$

其中，N为训练的样本数,t_i是第i个样本的理想输出值,y_i是第i个样本的实际输出值，该算法迭代停止时为适应度最低的粒子，即为优化问题的最优解。

所述惯性权重的协调为：

$w\left(t\right)=w_{max}-\frac{(w_{max}-w_{min})t}{t_{\max }}$

式中，w_max是惯性权重的最大值，w_max＝0.9；w_min是惯性权重的最小值，w_min＝0.4；t是当前迭代次数，t_max是最大迭代次数。

所述的粒子群算法中的学习因子为：

$c_1=c_{1s}+\frac{(c_{1e}-c_{1s})t}{t_{\max }}$

$c_2=c_{2s}+\frac{(c_{2e}-c_{2s})t}{t_{\max }}$

其中c_1s、c_1e分别是c₁最小值和最大值，c_2s、c_2e分别是c₂最小值和最大值，t是当前迭代次数，t_max是最大迭代次数。

所述畸变图像数据进入畸变校正模型处理后经反规格化得到的校正后的图像为：

$p_i=t_i\×p_{max}\×\frac{10}{9}$

式中,p_i为校正后第i个样本图像X轴或Y轴坐标，t_i为畸变校正模型处理后的第i个样本图像X轴或Y轴坐标数据。

本发明的有益效果是:本发明通过建立含有双层隐含结构的人工神经网络，并利用粒子群算法求解中双层隐含结构的人工神经网络各层权值和阈值，将得到全局极值对应的值作为神经网络的权值与阈值，并代入所建立的人工神经网络中进行训练学习，以形成图像畸变校正模型，最后将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后的图像。本发明采用了粒子群算法训练人工神经网络的权值和阈值来克服传统人工神经网络存在局部极小值收敛速度慢等缺点，本发明易于实现、数据处理能力强、校正精度高，适合于大视场显示设备的畸变校正。

附图说明

图1是本发明所采用的BP神经网络的结构示意图；

图2是本发明所采用的PSO-NN网络的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的说明。

本发明通过建立含有双层隐含结构的人工神经网络，并利用粒子群算法求解中双层隐含结构的人工神经网络各层权值和阈值，将得到全局极值对应的值作为神经网络的权值与阈值，并代入所建立的人工神经网络中进行训练学习，以形成图像畸变校正模型，最后将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后的图像。该方法的实施流程如图2所示，具体实施步骤如下：

1.通过光学工程软件CODEV对数字像源分析，均匀抽取大视场显示设备的畸变图像和像源图像中21×21个抽样点作为样本数据。数据样本的数据表示形式为原始图像和显示图像抽样点的直角坐标，分别用于作为BP神经网络的输入样本数据和输出样本数据，并将各输入物理量归至[-0.9,0.9]之间进行规格化处理。规格化处理的数据t_i为：

$t_i=\frac{p_i}{p_{max}}\×0.9$

其中t_i为图像X轴或Y轴坐标，i＝1,2...,441。

2.建立神经网络模型

人工神经网络(ANN，ArtificialNeuralNetworkMethod)简称神经网络，是对人类生物大脑处理信息过程进行抽象模拟的一种大规模并行计算模型。它基于现代生物学研究成果，用大量简单的处理单元广泛连接组成的复杂网络，来模拟人类生物大脑神经网络的学习、记忆、推理、归纳等功能。神经元、拓扑结构和学习规则是神经网络的三个基本要素。人工神经网络可以通过学习获取知识并解决问题，并且将知识分布存储在连接权中(对应生物神经元的突触)。它以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，近年来受到众多领域学者的关注，已被广泛应用于模式识别、自动控制等诸多领域。

本发明建立神经网络为四层神经元网络，包括双层隐含层，如图1所示，上下层之间实现全连接，而每层神经元之间无连接，当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，随着这种误差逆向的传播修正不断进行，网络对输入模式响应的正确率也不断上升。该神经网络输入数据为畸变图像规格化后的二维数据，输出数据为原始图像反规格化前的二维数据，故输入层和输出层选择两个神经单元，通过改变训练函数、学习函数等参数以及网络隐含层神经元数目来观察训练情况，分析和对比后最终确定最优神经网络校正模型，传递函数采用正切S型传递函数。

f(x)＝(1-e^-2x)(1+e^-2x)

3.利用粒子群算法优化神经网络的连接权值和阈值，以提高误差精度的同时加快训练收敛的速度。

粒子群优化算法是基于群体的智能优化算法，来源于人工生命和演化计算理论。Kennedy和Eberhart对鸟群飞行的研究发现，鸟仅仅是追踪它有限数量的邻居，但最终的整体结果是整个鸟群好像在一个中心的控制之下，即复杂的全局行为是由简单规则的相互作用引起的。PSO就是从这种模型中得到启示而产生的，并用于解决优化问题。PSO求解优化问题时，问题的解对应于搜索空间中一只鸟的位置，称这些鸟为粒子。每个粒子在搜索空间中移动，根据个体的历史最优值(pBest)和粒子群的全局最优值(gBest)调整自己，逐步接近最优解所在位置。粒子逐步调整的过程被认为是粒子从群体社会中学习和改进的过程。将粒子群优化算法与神经网络相结合，采用PSO算法训练神经网络的连接权值与阈值，可以提高误差精度的同时加快训练收敛的速度。

该算法将每个个体看作N维搜索空间中的一个粒子，采取速度—位置搜索模型。速度v_i＝(v_i1,v_i2,...,v_in)决定粒子在搜索空间单位迭代次数的位移。每个粒子的位置x_i＝(x_i1,x_i2,...,x_in)是1个潜在解，将x_i代入目标函数就可以计算出其适应值，衡量其优劣。每一次迭代，粒子通过动态跟踪个体极值p_i和全局极值p_g来更新其速度和位置。

假设一个由M个粒子组成的群体在D维搜索空间以一定的速度飞行。粒子i在t时刻的状态属性设置如下：

位置： $x_i^t={(x_{i1}^t,x_{i2}^t,\mathrm{....}{x}_{in}^t)}^T$

U_d分别为最小和最大速度；

速度： $v_i^t={(v_{i1}^t,v_{i2}^t,\mathrm{....}{v}_{in}^t)}^T$

v_mi_n、v_max分别为最小和最大速度

其中1≤d≤D，1≤i≤M

则粒子在t+1时刻的位置通过下式更新获得:

$V_{id}^{t+1}=\mathrm{\ω}\×V_{id}^t+c_1\×rand\left(\right)\×(p_{id}^t-x_{id}^t)+c_2\×rand\left(\right)\×(p_{gd}^t-x_{gd}^t)$

$x_{id}^{t+1}=V_{id}^{t+1}+x_{id}^t$

式中rand()是介于(0、1)之间的随机数，c1和c2是学习因子，通常取c1＝c2＝2。

上式中主要由三部分组成：第一部分为粒子先前速度的继承，表示粒子对当前自身运动状态的信任，依据自身的速度进行惯性运动；第二部分为“认知”部分，表示粒子本身的思考，即综合考虑自身以往的经历从而实现对下一步行为决策，这种决策便是认知，它反映的是一个增强学习过程；第三部分为社会部分，表示粒子间的信息共享和相互合作。在搜索过程中粒子一方面记住它们自己的经验，同时考虑其同比你的经验。当单个粒子察觉同伴经验较好的时候，它将进行适应性的调整，寻求一致认知过程。这3个部分之间的相互平衡和制约决定了PSO算法的主要性能。

在基于粒子群优化的神经网络学习算法中，用向量x_i＝(x_i1,x_i2...,x_iD)表示粒子i的位置，向量中的每一维表示权值或阈值的值，D为BP网络中所有权值加阈值的个数，用PSO算法训练神经网络时，定义离子群的位置向量X的元素是BP网络的全体连接权值和阈值。

PSO-NN网络采用速度—位置搜索模型为

$V_{id}^{k+1}=\mathrm{\ω}\×V_{id}^k+c_1\×rand\left(\right)\×(p_{id}^k-x_{id}^k)+c_2\×rand\left(\right)\×(p_{gd}^k-x_{gd}^k)$

$V_{id}^{k+1}=V_{id}^{k+1}+x_{id}^k$

PSO-NN网络采用典型线性递减策略进行惯性权重w的调节：

$w\left(t\right)=w_{max}-\frac{(w_{max}-w_{min})t}{t_{\max }}$

式中，w_max是惯性权重的最大值，w_max＝0.9；w_min是惯性权重的最小值，w_min＝0.4；t是当前迭代次数，t_max是最大迭代次数。

PSO-NN网络采用线性调整学习因子：

$c_1=c_{1s}+\frac{(c_{1e}-c_{1s})t}{t_{\max }}$

$c_2=c_{2s}+\frac{(c_{2e}-c_{2s})t}{t_{\max }}$

其中c_1s、c_1e分别是c₁最小值和最大值，c_2s、c_2e分别是c₂最小值和最大值。t是当前迭代次数，t_max是最大迭代次数。速度更新公式为：

K与惯性权重相比，更能有效地控制约束粒子飞行速度，增强了算法局部搜索能力。

以训练均方误差精度E作为粒子的适应度，用于指导种群的搜索。粒子的适应度为：

$fitness=E=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(t_i-y_i)}^2$

其中,N为训练的样本数，t_i是第i个样本的理想输出值，y_i是第i个样本的实际输出值。因此,算法迭代停止时适应度最低(训练误差最小)的粒子，即为优化问题的最优解。

速度与位置初始化。随机生成m个个体，每个个体由两部分组成，第一部分为粒子的速度矩阵，第二部分代表粒子的位置矩阵。由于BP神经网络的权值与阈值一般初始化为[-1,1]之间的随机数，故将粒子群中每个粒子位置参数均取为[-1,1]之间的随机数，作为PSO算法的初始解集。算法停止迭代时，全局极值对应的值即为神经网络的权值与阈值，即为训练问题的最优解。将上述最优解代入BP网络模型中进行二次训练学习，最终形成图像畸变校正模型。

4.畸变图像数据进入畸变校正模型处理后获得数据经过反规格化处理获得校正后的图像：

$p_i=t_i\×p_{max}\×\frac{10}{9}$

式中,p_i为校正后图像X轴或Y轴坐标，i＝1,2...,N。

本发明采用粒子群算法训练人工神经网络的权值和阈值来克服传统人工神经网络存在局部极小值收敛速度慢等缺点，改善了人工神经网络性能，加快搜索速度，增强了网络的泛化性能。同时建立含有双层隐含层的人工神经网络进行畸变校正来增强数据处理能力，可在不确知畸变数学模型情况下自适应地建立畸变图像与原始图像之间的高精度映射关系。

Claims (9)

1.一种大视场显示设备的畸变校正方法，其特征在于，该畸变校正方法的步骤如下：

1)获取大视场显示设备的畸变图像和像源原始图像的若干个抽样点作为样本数据，并对其进行规格化处理；

2)建立含有双层隐含结构的人工神经网络，并将规格化处理后样本数据中的畸变图像数据作为该人工神经网络的输入样本，将规格化处理后样本数据中的像源原始图像数据作为该人工神经网络的输出样本；

3)利用粒子群算法求解步骤2)中双层隐含结构的人工神经网络各层权值和阈值，得到全局极值对应的值即为神经网络的权值与阈值；

4)将步骤3)中获取的最优解代入所建立的人工神经网络中进行训练学习，以形成图像畸变校正模型，将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后的图像。

2.根据权利要求1所述的大视场显示设备的畸变校正方法，其特征在于，所述步骤3)是将人工神经网络中需要调整的权值和偏差组成的矢量作为一个粒子，通过粒子之间的竞争和合作来完成网络的训练过程，并通过惯性权重协调全局搜索与局部搜索。

3.根据权利要求2所述的大视场显示设备的畸变校正方法，其特征在于，所述步骤1)中的样本数据的表示形式为畸变图像和像源原始图像抽样点的直角坐标，样本数据的规格化处理为：

$t_i=\frac{p_i}{p_{\max }}\×0.9$

其中t_i为规格化处理后的样本数据，p_i为图像X轴或Y轴的坐标，p_max为图像坐标的最大值，i＝1,2,…N。

4.根据权利要求3所述的大视场显示设备的畸变校正方法，其特征在于，所述步骤3)中粒子群算法每个个体看作N维搜索空间中的一个粒子，采取速度—位置搜索模型，速度v_i＝(v_i1,v_i2,…,v_iD)表示粒子在搜索空间单位迭代次数的位移，向量x_i＝(x_i1,x_i2...,x_iD)表示第i粒子位置,向量中的每一维表示神经网络中权值或阈值的值,D为神经网络中的所有权值加阈值个数，每个粒子的位置x_i＝(x_i1,x_i2...,x_iD)是1个潜在解，将x_i代入目标函数就可以计算出其适应值，衡量其优劣，每一次迭代，粒子通过动态跟踪个体极值p_i和全局极值p_g来更新其速度和位置。

5.根据权利要求4所述的大视场显示设备的畸变校正方法，其特征在于，所述的速度—位置搜索模型为：

$V_{id}^{k+1}=\mathrm{\ω}\×V_{id}^k+c_1\×rand\left(\right)\×(p_{id}^k-x_{id}^k)+c_2\×rand\left(\right)\×(p_{gd}^k-x_{gd}^k)$

$V_{id}^{k+1}=V_{id}^{k+1}+x_{id}^k$

其中为粒子在k+1时刻的速度，rand()是介于(0、1)之间的随机数，c1和c2是学习因子，ω为惯性权重，为粒子k时刻的个体极值，为粒子k时刻的全局极值，为粒子k时刻的个体位置，为粒子k时刻的全局位置。

6.根据权利要求5所述的大视场显示设备的畸变校正方法，其特征在于，所述的粒子群算法采用以训练均方误差精度E作为粒子的适应度，即

$fitness=E=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(t_i-y_i)}^2$

其中，N为训练的样本数,t_i是第i个样本的理想输出值,y_i是第i个样本的实际输出值，该算法迭代停止时为适应度最低的粒子，即为优化问题的最优解。

7.根据权利要求6所述的大视场显示设备的畸变校正方法，其特征在于，所述惯性权重的协调为：

$w\left(t\right)=w_{max}-\frac{(w_{max}-w_{min})t}{t_{\max }}$

式中，w_max是惯性权重的最大值，w_max＝0.9；w_min是惯性权重的最小值，w_min＝0.4；t是当前迭代次数，t_max是最大迭代次数。

8.根据权利要求7所述的大视场显示设备的畸变校正方法，其特征在于，所述的粒子群算法中的学习因子为：

$c_1=c_{1s}+\frac{(c_{1e}-c_{1s})t}{t_{\max }}$

$c_2=c_{2s}+\frac{(c_{2e}-c_{2s})t}{t_{\max }}$

其中c_1s、c_1e分别是c₁最小值和最大值，c_2s、c_2e分别是c₂最小值和最大值，t是当前迭代次数，t_max是最大迭代次数。

9.根据权利要求4-8中任一项所述的大视场显示设备的畸变校正方法，其特征在于，所述畸变图像数据进入畸变校正模型处理后经反规格化得到的校正后的图像为：

$p_i=t_i\×p_{max}\×\frac{10}{9}$

式中,p_i为校正后第i个样本图像X轴或Y轴坐标，t_i为畸变校正模型处理后的第i个样本图像X轴或Y轴坐标数据。