[发明专利]一种基于APSO-BP耦合算法的雾天图像增强方法

说明书

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。

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)进行暗通道方法或Retinex图像增强方法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,所述像素点自身属性为灰度值或RGB通道值，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＝-[JCx)^TJCx)+ul]^-1JCx)^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、将步骤一中模糊图像g(x,y)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；