一種單目視覺圖像的處理方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是一種單目視的圖像處理方法。
【背景技術(shù)】
[0002] 傳統(tǒng)遺傳算法也稱為標準遺傳算法（SGA)，在應(yīng)用于圖像的最優(yōu)化分割時，優(yōu)點表 現(xiàn)為即使在復(fù)雜背景下也能通過對目標灰度進行變異和優(yōu)化。該方法也存在一些缺點，比 如：在交叉和變異的環(huán)節(jié)使用的固定的交叉率Pc和變異率Pm，容易導(dǎo)致種群收斂的速度過 快，陷入的收斂，穩(wěn)定性不夠。SGA對系統(tǒng)中的反饋信息利用不夠，在尋優(yōu)過程的后期要做大 量無謂的冗余迭代，求精確解的效率比較低，難以在較快的收斂速度的前提下保持較強的 魯棒性。應(yīng)用于圖像處理技術(shù)領(lǐng)域，其處理后的圖像清晰度不足。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的就是提供一種單目視覺圖像的處理方法，它可以使獲取到的低分辨 率圖像清晰度得到顯著的提高。
[0004] 本發(fā)明的目的是通過這樣的技術(shù)方案實現(xiàn)的，具體步驟如下：
[0005] 1)對傳統(tǒng)自適應(yīng)遺傳算法的雜交概率P。和變異概率P m進行修正；
[0006] 2)使用步驟1)中改進后的遺傳算法對徑向基神經(jīng)網(wǎng)絡(luò)算法處理單目視覺圖像的 過程進行優(yōu)化。
[0007] 進一步，步驟1)中所述雜交概率P。和變異概率P m修正后的公式如下：
[0008]
[0009]
[0010] 其中：Pc表示雜交概率；
[0011] Pm表示變異概率；
[0012] fmax為種群中最大適應(yīng)度值；
[0013] f'表示交叉的兩個個體中較大的適應(yīng)度值；
[0014] favg表示種群的平均適應(yīng)度值；
[0015] f表示要變異的個體的適應(yīng)度值；
[0016] k/表示當f'相等時的雜交概率；
[0017] k2'表示最大雜交概率；
[0018] k3'表示當f_^P f相等時的變異概率；
[0019] k4'表示最大變異概率。
[0020] 進一步，步驟2)中所述遺傳算法對徑向基神經(jīng)網(wǎng)絡(luò)算法處理單目視覺圖像的過 程進行優(yōu)化的具體步驟如下：
[0021] 2-1)確定輸入輸出
[0022] 將輸入樣本圖像中各像素點的R、G、B值，各像素點周圍8個相鄰點的灰度值Gr， 組成一個具有11維的輸入模式：
[0023] I = {R, G, B, GrL, GrLT, GrLB, GrT, GrB, GrE, GrET, GrEB}
[0024] 其中：R、G、B為像素的R、G、B顏色分量；
[0025] GrL、GrB、GrT……為像素點相鄰的8個像素的灰度值；
[0026] 輸出模式為一維，根據(jù)目標圖像中各點對應(yīng)的顏色情況，將背景顏色取為0.將前 景顏色取為1 ;
[0027] 2-2)用隨機方法產(chǎn)生一維數(shù)據(jù)Wij，設(shè)含有n組神經(jīng)網(wǎng)絡(luò)權(quán)值生成的種群，隱層神 經(jīng)元個數(shù)為m，則生成的初始權(quán)值為：
[0028] { ( W 11，W 12，…，W lm)，( W 21，W 22，…，W 2m)，( W nl，W n2，…，W nm) };
[0029] 2-3)利用logistic方程產(chǎn)生子代網(wǎng)絡(luò)權(quán)值序列；
[0030] 2-4)適應(yīng)值計算
[0031] 設(shè)p為輸出節(jié)點數(shù)，yi為網(wǎng)絡(luò)計算結(jié)果，t 實際值，則節(jié)點誤差：
[0032]
[0033] 則其適應(yīng)值為：
[0034]
[0035] 判斷其適應(yīng)值是否達到預(yù)設(shè)要求，若達到則轉(zhuǎn)向步驟2-11)，若沒有達到則轉(zhuǎn)向步 驟 2-5)
[0036] 2-5) K-均值聚類
[0037] 選取m個樣本為聚類中心，將輸入樣本按最近鄰規(guī)則分組，將滿足式屯= 1k minlXj-Cil的樣本進行分配，其平均值用式進行計算；
[0038] 其中：Xj表示輸入樣本，j = 1，2,......，n ;
[0039] Ci表示第i個聚類中心；
[0040] Ci'表示新的聚類中心；
[0041] 2-6)輸入層到隱層的計算
[0042] 采用高斯函數(shù)為徑向基函數(shù)：
[0043]
[0044] 其中，
[0045] 其中：x表示輸入向量；
[0046] m表示隱層神經(jīng)元個數(shù)；
[0047] dm表示所選中心的最大距離；
[0048] 〇表示Ci圍繞中心的寬度；
[0049] 2-7)隱層到輸出層的計算
[0050]
[0051] 2-8)選擇 P-// ^
[0052] 對每一種群的選擇概率用公式2 f f進行計算，對累計概率用公式％ =2^6 7-1 z-=1 進行計算；
[0053] 2-9)交叉
[0054] 確定交叉概率的公式為：
[0055]
[0056] 若隨機數(shù)小于交叉概率，則該種群參加交叉操作；
[0057] 2-10)變異
[0058] 確定變異概率的公式為：
[0059]
[0060] 若隨機數(shù)小于變異概率，則對該位進行變異，進行變異操作，將原位為1的變?yōu)椹枺?將原位為〇的變?yōu)?，并轉(zhuǎn)向步驟2-4);
[0061] 2-11)對圖像進行重構(gòu)，重構(gòu)公式為：
[0062] bk= H kx+nk, 1 ^ k ^ p
[0063] 其中，p為得到的低分辨率圖像幀數(shù)，bk是第k幀低分辨率圖像，用一個MX 1的 向量來表示，其中M = mXn為獲得的每幀低分辨率圖像的大小，x為高分辨率的圖像，用 12MX 1來表示，其中1為每個方向上的分辨率提高系數(shù)，為Hk表示包含相對參考幀運動、欠 采樣因素在內(nèi)的一個系數(shù)矩陣，n k表示附加噪聲，用MX1來表示；高分辨率圖像可以通過 以下式子來計算：
[0064] x = HT(HHT+入 I)-1b
[0065] 其中，A表示正則化參數(shù)，I為單位矩陣。
[0066] 由于采用了上述技術(shù)方案，本發(fā)明具有如下的優(yōu)點：
[0067] 本發(fā)明對遺傳算法進行了進一步調(diào)整，通過修正其雜交概率P。和變異概率Pm，使 得自適應(yīng)遺傳算法能在種群演化的各個時期有較好的通用性；接著，在參考徑向基神經(jīng)網(wǎng) 絡(luò)算法的基礎(chǔ)上，運用改進的遺傳算法對徑向基神經(jīng)網(wǎng)絡(luò)進行改進，使得使徑向基神經(jīng)網(wǎng) 絡(luò)算法的故障分類問題訓(xùn)練誤差進一步減小，訓(xùn)練收斂性更好；最后，通過超分辨圖像重構(gòu) 數(shù)學(xué)處理方法將圖像進行重構(gòu)，使獲取到的低分辨率圖像清晰度得到顯著提高。
[0068] 本發(fā)明的其他優(yōu)點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并 且在某種程度上，基于對下文的考察研宄對本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可 以從本發(fā)明的實踐中得到教導(dǎo)。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書和權(quán)利要 求書來實現(xiàn)和獲得。
【附圖說明】
[0069] 本發(fā)明的【附圖說明】如下。
[0070] 圖1為本發(fā)明的流程示意圖；
[0071] 圖2為單目攝像機圖像獲取原理圖；
[0072] 圖3為遺傳算法流程示意圖；
[0073] 圖4為傳統(tǒng)徑向基神經(jīng)網(wǎng)絡(luò)算法的故障分類問題誤差訓(xùn)練曲線；
[0074] 圖5為改進徑向基神經(jīng)網(wǎng)絡(luò)算法的故障分類問題誤差訓(xùn)練曲線。
【具體實施方式】
[0075] 下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。
[0076] -種單目視覺圖像的處理方法，要包括對傳統(tǒng)的自適應(yīng)遺傳算法進行了改進，通 過修正其雜交概率P。和變異概率P m，使得自適應(yīng)遺傳算法能在種群演化的各個時期有較好 的通用性；利用改進的遺傳算法對徑向基神經(jīng)網(wǎng)絡(luò)算法進行了改進，使徑向基神經(jīng)網(wǎng)絡(luò)算 法的故障分類問題訓(xùn)練誤差進一步減小，訓(xùn)練收斂性更好；最后將改進的神經(jīng)網(wǎng)絡(luò)算法應(yīng) 用到單目視覺的圖像處理中，使圖像分割邊緣清晰，縮短了樣本的訓(xùn)練時間。
[0077] 遺傳操作包括三個基本操作：選擇、交叉、變異。
[0078] 基本遺傳算法采用比例選擇算子，比例選擇因子是利用比例于各個個體適應(yīng)度的 概率決定其子孫遺留可能性。若設(shè)種群數(shù)為M，個體i的適應(yīng)度為則個體i被選取的概 率為：
[0079]
[0080] 當個體選擇的概率給定后，產(chǎn)生[0，1]之間的均勻隨機數(shù)來決定親本。若個體的 選擇概率大，則能被多次選中，它的遺傳基因就會在種群中擴大；若個體的選擇概率小，則 被淘汰。
[0081] 在生物的自然進化過程中，兩個同源染色體通過交配而重組，形成新的染色體，從 而產(chǎn)生出新的個體或物種。常見的交叉算子有：單點交叉、兩點交叉、多點交叉、均勻交叉、 算術(shù)交叉。用P。表示交叉概率，在自適應(yīng)基本遺傳算法中，采用如下公式進行自動調(diào)整：
[0082] ^ ^
^ avg
[0083] 變異是以較小的概率對個體編碼串上的某個或某些位值進行改變，進而生成新個 體。變異操作方法有：基本位變異、均勻變異、邊界變異、非均勻變異、高斯近似變異等。用 Pm表示變異概率，在自適應(yīng)基本遺傳算法中，采用如下公式進行自動調(diào)整：
[0084]
[0085] 針對其不足，做了如下改進：
[0086]
[0087]
[0088] 本發(fā)明利用改進的遺傳算法對徑向基神經(jīng)網(wǎng)絡(luò)算法進行了改進?；玖鞒倘缦拢?br>[0089] 1)根據(jù)實際情況，確定算法的輸入、輸出參數(shù)；
[0090] 2)對數(shù)據(jù)進行預(yù)處理，為了能使算法更接近實際，往往需要對確定的參數(shù)進行預(yù) 處理；
[0091] 3)對神經(jīng)網(wǎng)絡(luò)的權(quán)進行初始化；
[0092] 4)產(chǎn)生子代網(wǎng)絡(luò)權(quán)值序列；
[0093] 5)對適應(yīng)值進行計算；