一種基于apso-bp耦合算法的霧天圖像增強方法
【技術領域】
[0001] 本發明涉及圖像處理技術領域，特別是涉及一種基于APSO-BP耦合算法的霧天圖 像增強方法。
【背景技術】
[0002] 在廣泛的戶外圖像處理應用中，經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，這個時候用照相機或攝像機 所得到的圖像必定會因為受到景深模糊環境的干擾而不夠清晰，圖像中蘊含的很多特征被 覆蓋或模糊，不能滿足人們的視覺應用需要，所以研宄霧天模糊圖像的復原有著重要的實 際意義和應用價值。
[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而降低了圖 像的對比度。目前霧天圖像復原的方法主要有兩大類：（1)基于大氣退化物理模型的復原 方法，（2)圖像增強的方法（如直方圖均衡）；但這兩類方法存在明顯缺陷：前者對數據采 集要求嚴格，計算工作量很大，而且模型參數不易準確得到：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節，而且它需要用戶的 干預較多，不能自動完成圖像增強。
[0004] 近年來，隨著神經網絡的應用日趨廣泛，其在圖像處理方面的應用也日益活躍，由 于其具有非線性映射、非參數化和自組織自適應的并行處理系統特性，非常適合于圖像增 強、復原、識別等問題。因此，本發明設計了一種基于APSO-BP耦合算法的霧天圖像復原算 法。
【發明內容】
[0005] 為了克服上述現有技術的不足，本發明提供了一種基于APSO-BP耦合算法的霧天 圖像增強方法，本方法不需要建立復雜的物理模型，應用自適應粒子群優化算法優化神經 網絡，不僅能縮短訓練時間，而且可以有效地避免局部極小缺陷的出現。
[0006] 本發明的方法可以解決物理模型法參數難以準確獲得的缺陷，相比于常用的圖像 增強算法可以提高復原效果，通過實驗表明本發明的方法相比于傳統方法，其復原圖像的 對比度和清晰度大幅提高，視覺效果明顯改善，故可以廣泛應用于固定場景的圖像采集系 統中，特別是公路交通系統。
[0007] 為了達到上述目的，本發明采用的技術方案是，一種基于APSO-BP耦合算法的霧 天圖像增強方法，具體包括如下步驟：
[0008] 步驟一、對模糊圖像g(x，y)進行數據預處理得到預處理樣本圖像f (X，y);
[0009] 步驟二、采用APSO-BP算法初始化算法網絡權值，經過不斷比較模糊圖像g(x，y) 和預處理樣本圖像f(x，y)的像素點自身屬性，進而得到穩定的算法網絡權值解；
[0010] 步驟三、采用萊維博格-馬夸特（Leveberg-Manquardt)算法，即公式（1)訓練由 步驟二得到的穩定的算法網絡權值解對應的算法網絡，得到該算法網絡的最優權值解，完 成對算法網絡的訓練；
[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；
[0013] 步驟四、將待處理圖像經過數據預處理得到樣本圖像，將待處理圖像作為輸入圖 像數據輸入步驟三訓練好的算法網絡得到輸入圖像的矩陣，將樣本圖像輸入步驟三訓練好 的算法網絡得到樣本矩陣，將輸入圖像的矩陣與樣本矩陣進行逐個像素比對，計算兩者對 應像素點自身屬性之間差值的絕對值得到比對結果；
[0014] 當比對結果不滿足精度區間要求時，則通過算法網絡對輸入圖像進行補償處理， 即針對輸入圖像中不符合精度要求的自身屬性，根據差值的絕對值進行補償；當比對結果 滿足精度區間要求時，則算法網絡直接輸出輸入圖像。
[0015] 進一步的，所述數據預處理的方法為暗通道方法或Retinex圖像增強方法。
[0016] 進一步的，所述中像素點自身屬性為灰度值或RGB通道值。
[0017] 進一步的，所述步驟四中精度區間為二級精度區間標準或一級精度區間標準。
[0018] 進一步的，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、目標誤差、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練前的 狀態；
[0020] b.采用APSO算法訓練粒子群，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是隨機位置，v是速度，x和v都是同一維度的，P為極值點位置，V^+1S 第K+1次迭代粒子的速度，w是權重系數，V 是第K次迭代粒子的速度，cdP c 2是學習因 子，rJP r 2是隨機因子，P id是第i個粒子至今搜索到的最優位置，P gd是第i個粒子至今搜 索到的最優位置，X 1^d第k次迭代粒子的坐標，X l^1是第k+Ι次迭代粒子的坐標，rl和r2 取值范圍均在〇_1之間；
[0024] 并按式⑷調整新粒子群的慣性權重系數W ;
[0026] 其中，w是權重系數，Wniax是最大權重系數，Wniin是最小權重系數，f是每代粒子的平 均適應值，fmax是粒子群中最大的適應值，f avg是每代粒子的平均適應值；
[0027] c.采用APSO算法對步驟b得到的新粒子群進行迭代訓練，得到新粒子群的穩定權 值解；
[0028] d.檢驗算法網絡是否達到收斂條件或最大迭代次數，當算法網絡的權值解穩定 時，則程序轉入下一步；否則，程序轉到步驟c繼續運行；
[0029] e.測試樣本對算法網絡權值解進行檢驗：將測試樣本輸入算法網絡，當算法網絡 的輸出值滿足精度要求時，則輸出其中精度最高的算法網絡權值解；當算法網絡的輸出值 均不滿足精度要求時，程序轉入步驟a對算法網絡重新進行訓練。
[0030] 本發明提出了一種基于APSO-BP耦合算法的霧天圖像增強方法，與傳統的 RETINEX方法及目前熱門的暗通道方法相比，可以使遠處的天空區域不再出現不良塊效應 及灰白效應，在視覺上明顯優于直方圖均衡化算法的結果；而且本算法不需要建立復雜的 成像物理模型，計算簡便；且在該算法復原后的霧天圖像，所用算法將標準PSO算法中的全 局最優位置與個體最優位置分別替換為相關個體最優位置的加權平均，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 (自適應粒子群優化算法）可以使原先PSO算法的權重調整得到優化，利用動 態自適應慣性權重隨適應值自動調整算法，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為本發明流程示意圖。
[0033] 圖2a為待處理圖像。
[0034] 圖2b為使用本發明方法處理待處理圖像的結果。
[0035] 圖3a為使用直方圖均衡化方法處理待處理圖像的結果。
[0036] 圖3b為使用RETINEX方法處理待處理圖像的結果。
【具體實施方式】
[0037] 下面結合附圖和具體實施例進一步說明本發明的技術方案。
[0038] 參見圖1，一種基于APSO-BP耦合算法的霧天圖像增強方法，具體包括如下步驟：
[0039] 步驟一、采用暗通道方法或Retinex圖像增強方法對模糊圖像g(x，y)進行數據預 處理得到樣本圖像f(x，y);
[0040] 步驟二、采用APSO-BP算法初始化算法網絡權值，并得到穩定的算法網絡權值