一种单目视觉图像的处理方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，特别是一种单目视的图像处理方法。
【背景技术】
[0002] 传统遗传算法也称为标准遗传算法（SGA)，在应用于图像的最优化分割时，优点表 现为即使在复杂背景下也能通过对目标灰度进行变异和优化。该方法也存在一些缺点，比 如：在交叉和变异的环节使用的固定的交叉率Pc和变异率Pm，容易导致种群收敛的速度过 快，陷入的收敛，稳定性不够。SGA对系统中的反馈信息利用不够，在寻优过程的后期要做大 量无谓的冗余迭代，求精确解的效率比较低，难以在较快的收敛速度的前提下保持较强的 鲁棒性。应用于图像处理技术领域，其处理后的图像清晰度不足。
【发明内容】
[0003] 本发明的目的就是提供一种单目视觉图像的处理方法，它可以使获取到的低分辨 率图像清晰度得到显著的提高。
[0004] 本发明的目的是通过这样的技术方案实现的，具体步骤如下：
[0005] 1)对传统自适应遗传算法的杂交概率P。和变异概率P m进行修正；
[0006] 2)使用步骤1)中改进后的遗传算法对径向基神经网络算法处理单目视觉图像的 过程进行优化。
[0007] 进一步，步骤1)中所述杂交概率P。和变异概率P m修正后的公式如下：
[0008]
[0009]
[0010] 其中：Pc表示杂交概率；
[0011] Pm表示变异概率；
[0012] fmax为种群中最大适应度值；
[0013] f'表示交叉的两个个体中较大的适应度值；
[0014] favg表示种群的平均适应度值；
[0015] f表示要变异的个体的适应度值；
[0016] k/表示当f'相等时的杂交概率；
[0017] k2'表示最大杂交概率；
[0018] k3'表示当f_^P f相等时的变异概率；
[0019] k4'表示最大变异概率。
[0020] 进一步，步骤2)中所述遗传算法对径向基神经网络算法处理单目视觉图像的过 程进行优化的具体步骤如下：
[0021] 2-1)确定输入输出
[0022] 将输入样本图像中各像素点的R、G、B值，各像素点周围8个相邻点的灰度值Gr， 组成一个具有11维的输入模式：
[0023] I = {R, G, B, GrL, GrLT, GrLB, GrT, GrB, GrE, GrET, GrEB}
[0024] 其中：R、G、B为像素的R、G、B颜色分量；
[0025] GrL、GrB、GrT……为像素点相邻的8个像素的灰度值；
[0026] 输出模式为一维，根据目标图像中各点对应的颜色情况，将背景颜色取为0.将前 景颜色取为1 ;
[0027] 2-2)用随机方法产生一维数据Wij，设含有n组神经网络权值生成的种群，隐层神 经元个数为m，则生成的初始权值为：
[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方程产生子代网络权值序列；
[0030] 2-4)适应值计算
[0031] 设p为输出节点数，yi为网络计算结果，t 实际值，则节点误差：
[0032]
[0033] 则其适应值为：
[0034]
[0035] 判断其适应值是否达到预设要求，若达到则转向步骤2-11)，若没有达到则转向步 骤 2-5)
[0036] 2-5) K-均值聚类
[0037] 选取m个样本为聚类中心，将输入样本按最近邻规则分组，将满足式屯= 1k minlXj-Cil的样本进行分配，其平均值用式进行计算；
[0038] 其中：Xj表示输入样本，j = 1，2,......，n ;
[0039] Ci表示第i个聚类中心；
[0040] Ci'表示新的聚类中心；
[0041] 2-6)输入层到隐层的计算
[0042] 采用高斯函数为径向基函数：
[0043]
[0044] 其中，
[0045] 其中：x表示输入向量；
[0046] m表示隐层神经元个数；
[0047] dm表示所选中心的最大距离；
[0048] 〇表示Ci围绕中心的宽度；
[0049] 2-7)隐层到输出层的计算
[0050]
[0051] 2-8)选择 P-// ^
[0052] 对每一种群的选择概率用公式2 f f进行计算，对累计概率用公式％ =2^6 7-1 z-=1 进行计算；
[0053] 2-9)交叉
[0054] 确定交叉概率的公式为：
[0055]
[0056] 若随机数小于交叉概率，则该种群参加交叉操作；
[0057] 2-10)变异
[0058] 确定变异概率的公式为：
[0059]
[0060] 若随机数小于变异概率，则对该位进行变异，进行变异操作，将原位为1的变为〇， 将原位为〇的变为1，并转向步骤2-4);
[0061] 2-11)对图像进行重构，重构公式为：
[0062] bk= H kx+nk, 1 ^ k ^ p
[0063] 其中，p为得到的低分辨率图像帧数，bk是第k帧低分辨率图像，用一个MX 1的 向量来表示，其中M = mXn为获得的每帧低分辨率图像的大小，x为高分辨率的图像，用 12MX 1来表示，其中1为每个方向上的分辨率提高系数，为Hk表示包含相对参考帧运动、欠 采样因素在内的一个系数矩阵，n k表示附加噪声，用MX1来表示；高分辨率图像可以通过 以下式子来计算：
[0064] x = HT(HHT+入 I)-1b
[0065] 其中，A表示正则化参数，I为单位矩阵。
[0066] 由于采用了上述技术方案，本发明具有如下的优点：
[0067] 本发明对遗传算法进行了进一步调整，通过修正其杂交概率P。和变异概率Pm，使 得自适应遗传算法能在种群演化的各个时期有较好的通用性；接着，在参考径向基神经网 络算法的基础上，运用改进的遗传算法对径向基神经网络进行改进，使得使径向基神经网 络算法的故障分类问题训练误差进一步减小，训练收敛性更好；最后，通过超分辨图像重构 数学处理方法将图像进行重构，使获取到的低分辨率图像清晰度得到显著提高。
[0068] 本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并 且在某种程度上，基于对下文的考察研宄对本领域技术人员而言将是显而易见的，或者可 以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要 求书来实现和获得。
【附图说明】
[0069] 本发明的【附图说明】如下。
[0070] 图1为本发明的流程示意图；
[0071] 图2为单目摄像机图像获取原理图；
[0072] 图3为遗传算法流程示意图；
[0073] 图4为传统径向基神经网络算法的故障分类问题误差训练曲线；
[0074] 图5为改进径向基神经网络算法的故障分类问题误差训练曲线。
【具体实施方式】
[0075] 下面结合附图和实施例对本发明作进一步说明。
[0076] -种单目视觉图像的处理方法，要包括对传统的自适应遗传算法进行了改进，通 过修正其杂交概率P。和变异概率P m，使得自适应遗传算法能在种群演化的各个时期有较好 的通用性；利用改进的遗传算法对径向基神经网络算法进行了改进，使径向基神经网络算 法的故障分类问题训练误差进一步减小，训练收敛性更好；最后将改进的神经网络算法应 用到单目视觉的图像处理中，使图像分割边缘清晰，缩短了样本的训练时间。
[0077] 遗传操作包括三个基本操作：选择、交叉、变异。
[0078] 基本遗传算法采用比例选择算子，比例选择因子是利用比例于各个个体适应度的 概率决定其子孙遗留可能性。若设种群数为M，个体i的适应度为则个体i被选取的概 率为：
[0079]
[0080] 当个体选择的概率给定后，产生[0，1]之间的均匀随机数来决定亲本。若个体的 选择概率大，则能被多次选中，它的遗传基因就会在种群中扩大；若个体的选择概率小，则 被淘汰。
[0081] 在生物的自然进化过程中，两个同源染色体通过交配而重组，形成新的染色体，从 而产生出新的个体或物种。常见的交叉算子有：单点交叉、两点交叉、多点交叉、均匀交叉、 算术交叉。用P。表示交叉概率，在自适应基本遗传算法中，采用如下公式进行自动调整：
[0082] ^ ^
^ avg
[0083] 变异是以较小的概率对个体编码串上的某个或某些位值进行改变，进而生成新个 体。变异操作方法有：基本位变异、均匀变异、边界变异、非均匀变异、高斯近似变异等。用 Pm表示变异概率，在自适应基本遗传算法中，采用如下公式进行自动调整：
[0084]
[0085] 针对其不足，做了如下改进：
[0086]
[0087]
[0088] 本发明利用改进的遗传算法对径向基神经网络算法进行了改进。基本流程如下：
[0089] 1)根据实际情况，确定算法的输入、输出参数；
[0090] 2)对数据进行预处理，为了能使算法更接近实际，往往需要对确定的参数进行预 处理；
[0091] 3)对神经网络的权进行初始化；
[0092] 4)产生子代网络权值序列；
[0093] 5)对适应值进行计算；