[发明专利]一种基于APSO-BP耦合算法的雾天图像增强方法

摘要

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。

主权项

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；HLM＝‑[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；当比对结果不满足精度区间为二级精度区间标准或一级精度区间标准时，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，即模糊图像g(x,y)；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；vidk+1＝wvkid+c1r1(pid‑xidk)+c2r2(pgd‑xidk)  (2)xidk+1＝xidk+vidk+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，所述r1和r2取值范围均在0‑1之间；P_id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；其中，w是权重系数，wmax是最大权重系数，wmin是最小权重系数，f是每代粒子的平均适应值，fmax是粒子群中最大的适应值，favg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。