解；
[0041] 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、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，来确定粒子群体被训练前的 状态；
[0042] 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；
[0045] 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，Vi^+1为 第Κ+l次迭代粒子的速度，W是权重系数，V 1Jd是第K次迭代粒子的速度，cdP C 2是学习因 子，rJP r 2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，X lJd第k次迭代粒子的坐标，X 是第k+Ι次迭代粒子的坐标，rl和r2 取值范围均在〇_1之间；
[0046] 并按式（4)调整新粒子群的惯性权重系数W ;
[0048] 其中，w是权重系数，Wniax是最大权重系数，Wniin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；
[0049] 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；
[0050] 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；
[0051] 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。
[0052] 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；
[0053] Hlm=-[J(X) 1J(X) +μ Ir1J(X)Tf (X) (1)
[0054] 其中J(X)为雅可比矩阵，μ >0, I为单位阵，f (X)为解析函数；
[0055] 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；
[0056] 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。
[0057] 本实施例中所述的像素点自身属性为灰度值或RGB通道值。
[0058] 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。
[0059] 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。
【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； Hlm= -[J(x)TJ(x) +yI]^J(x)Tf(x) (1) 其中J(x)为雅可比矩阵，y>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、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，来确定粒子群体被训练前的状 态； b. 采用APS0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 =wvVca(Pid-xidk)+c2r2(Pgd-xidk)(2) k+1_ k i k+1 /〇\ Xid - X id +Vid w) 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，vf+1为第 K+1次迭代粒子的速度，w是权重系数，V^是第K次迭代粒子的速度，cdPc2是学习因子， ^和r2是随机因子，Pid是第i个粒子至今搜索到的最优位置，Pgd是第i个粒子至今搜索到 的最优位置，XYd:第k次迭代粒子的坐标，Xg1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，W_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，f_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。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rl和r2取值范围均在0-1之间。
【专利摘要】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。
【IPC分类】G06T5/00
【公开号】CN104915933
【申请号】CN201510292759
【发明人】王卫星, 张元方, 曹霆, 王峰萍
【申请人】长安大学
【公开日】2015年9月16日
【申请日】2015年6月1日