一种大视场显示设备的畸变校正方法
【技术领域】
[0001] 本发明涉及一种大视场显示设备的畸变校正方法，属于智能信息图像处理技术领 域。
【背景技术】
[0002] 突出现象的非线性动力机制表明，畸变图像数据和理想图像数据存在难以用显函 数描述的复杂的非线性映射关系，对于处理这样一个复杂的非线性问题，传统的数理统计 和模糊数学等方法是有局限性的，而以非线性性并行计算为基础的人工神经网络在处理这 类复杂非线性问题时具有较高的建模能力和良好的拟合能力。但是传统人工神经网络存在 局部极小值收敛速度慢等缺点，导致图像畸变处理效率低、精度差的问题。
【发明内容】
[0003] 本发明的目的是提供一种大视场显示设备的畸变校正方法，以解决由于采用传统 人工神经网络进行图像畸变校正所导致的像畸变处理效率低、精度差的问题。
[0004] 本发明为解决上述技术问题提供了一种大视场显示设备的畸变校正方法，该畸变 校正方法的步骤如下：
[0005] 1)获取大视场显示设备的畸变图像和像源原始图像的若干个抽样点作为样本数 据，并对其进行规格化处理；
[0006] 2)建立含有双层隐含结构的人工神经网络，并将规格化处理后样本数据中的畸变 图像数据作为该人工神经网络的输入样本，将规格化处理后样本数据中的像源原始图像数 据作为该人工神经网络的输出样本；
[0007] 3)利用粒子群算法求解步骤2)中双层隐含结构的人工神经网络各层权值和阈 值，得到全局极值对应的值即为神经网络的权值与阈值；
[0008] 4)将步骤3)中获取的最优解代入所建立的人工神经网络中进行训练学习，以形 成图像畸变校正模型，将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后的 图像。
[0009] 所述步骤3)是将人工神经网络中需要调整的权值和偏差组成的矢量作为一个粒 子，通过粒子之间的竞争和合作来完成网络的训练过程，并通过惯性权重协调全局搜索与 局部搜索。
[0010] 所述步骤1)中的样本数据的表示形式为畸变图像和像源原始图像抽样点的直角 坐标，样本数据的规格化处理为：
[0011]
[0012] 其中h为规格化处理后的样本数据，pi为图像X轴或Y轴的坐标，ρ_为图像坐标 的最大值，i= 1，2,…Ν。
[0013] 所述步骤3)中粒子群算法每个个体看作N维搜索空间中的一个粒子，采取速度一 位置搜索模型，速度Vi=(vn,Vi2,…，ViD)表示粒子在搜索空间单位迭代次数的位移，向量Xi=(Xxi2. . .，xiD)表示第i粒子位置，向量中的每一维表示神经网络中权值或阈值的 值，D为神经网络中的所有权值加阈值个数，每个粒子的位置Xl=(Xu，xl2. . .，xlD)是1个 潜在解，将xdf入目标函数就可以计算出其适应值，衡量其优劣，每一次迭代，粒子通过动 态跟踪个体极值Pl和全局极值P,来更新其速度和位置。
[0014] 所述的速度一位置搜索模型为：
[0015]
[0016]
[0017] 其中"为粒子在k+Ι时刻的速度，rand〇是介于（0、1)之间的随机数，cl和c2 是学习因子，ω为惯性权重，g为粒子k时刻的个体极值，为粒子k时刻的全局极值， 4为粒子k时刻的个体位置，&为粒子k时刻的全局位置。
[0018] 所述的粒子群算法采用以训练均方误差精度E作为粒子的适应度，即
[0019]
[0020] 其中，N为训练的样本数，h是第i个样本的理想输出值，yi是第i个样本的实际 输出值，该算法迭代停止时为适应度最低的粒子，即为优化问题的最优解。
[0021] 所沭惯件权重的协调为：
[0022]
[0023] 式中，w_是惯性权重的最大值，w_= 0. 9;w_是惯性权重的最小值，w_= 0. 4; t是当前迭代次数，t_是最大迭代次数。
[0024] 所述的粒子群算法中的学习因子为：
[0026] ， 7
[0025] fmax
[0027] 其中cls、clf；分别是ci最小值和最大值，c2s、c2f；分别是c2最小值和最大值，t是当 前迭代次数，t_是最大迭代次数。
[0028] 所述畸变图像数据进入畸变校正模型处理后经反规格化得到的校正后的图像 为：
[0029]
[0030] 式中，Pl为校正后第i个样本图像X轴或Y轴坐标，ti为畸变校正模型处理后的 第i个样本图像X轴或Y轴坐标数据。
[0031] 本发明的有益效果是：本发明通过建立含有双层隐含结构的人工神经网络，并利 用粒子群算法求解中双层隐含结构的人工神经网络各层权值和阈值，将得到全局极值对应 的值作为神经网络的权值与阈值，并代入所建立的人工神经网络中进行训练学习，以形成 图像畸变校正模型，最后将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后 的图像。本发明采用了粒子群算法训练人工神经网络的权值和阈值来克服传统人工神经网 络存在局部极小值收敛速度慢等缺点，本发明易于实现、数据处理能力强、校正精度高，适 合于大视场显示设备的畸变校正。
【附图说明】
[0032] 图1是本发明所采用的BP神经网络的结构示意图；
[0033] 图2是本发明所采用的PS0-NN网络的流程图。
【具体实施方式】
[0034] 下面结合附图对本发明的【具体实施方式】做进一步的说明。
[0035] 本发明通过建立含有双层隐含结构的人工神经网络，并利用粒子群算法求解中双 层隐含结构的人工神经网络各层权值和阈值，将得到全局极值对应的值作为神经网络的权 值与阈值，并代入所建立的人工神经网络中进行训练学习，以形成图像畸变校正模型，最后 将畸变图像数据输入到畸变校正模型进行校正，结果即为校正后的图像。该方法的实施流 程如图2所示，具体实施步骤如下：
[0036] 1.通过光学工程软件CODEV对数字像源分析，均匀抽取大视场显示设备的畸变 图像和像源图像中21X21个抽样点作为样本数据。数据样本的数据表示形式为原始图像 和显示图像抽样点的直角坐标，分别用于作为BP神经网络的输入样本数据和输出样本数 据，并将各输入物理量归至[_0. 9, 0. 9]之间进行规格化处理。规格化处理的数据心为：
[0037]
[0038] 其中h为图像X轴或Y轴坐标，i= 1,2. ..，441。
[0039] 2.建立神经网络模型
[0040] 人工神经网络（ANN，ArtificialNeuralNetworkMethod)简称神经网络，是对 人类生物大脑处理信息过程进行抽象模拟的一种大规模并行计算模型。它基于现代生物 学研究成果，用大量简单的处理单元广泛连接组成的复杂网络，来模拟人类生物大脑神经 网络的学习、记忆、推理、归纳等功能。神经元、拓扑结构和学习规则是神经网络的三个基 本要素。人工神经网络可以通过学习获取知识并解决问题，并且将知识分布存储在连接权 中（对应生物神经元的突触）。它以其具有自学习、自组织、较好的容错性和优良的非线性 逼近能力，近年来受到众多领域学者的关注，已被广泛应用于模式识别、自动控制等诸多领 域。
[0041]本发明建立神经网络为四层神经元网络，包括双层隐含层，如图1所示，上下层之 间实现全连接，而每层神经元之间无连接，当一对学习样本提供给网络后，神经元的激活值 从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按 照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从 而逐层修正各连接权值，随着这种误差逆向的传播修正不断进行，网络对输入模式响应的 正确率也不断上升。该神经网络输入数据为畸变图像规格化后的二维数据，输出数据为原 始图像反规格化前的二维数据，故输入层和输出层选择两个神经单元，通过改变训练函数、 学习函数等参数以及网络隐含层神经元数目来观察训练情况，分析和对比后最终确定最优 神经网络校正模型，传递函数采用正切S型传递函数。
[0042] f(x) = (1-e2x) (1+e2x)
[0043] 3.利用粒子群算法优化神经网络的连接权值和阈值，以提高误差精度的同时加快 训练收敛的速度。
[0044] 粒子群优化算法是基于群体的智能优化算法，来源于人工生命和演化计算理论。 Kennedy和Eberhart对鸟群飞行的研究发现，鸟仅仅是追踪它有限数量的邻居，但最终的 整体结果是整个鸟群好像在一个中心的控制之下，即复杂的全局行为是由简单规则的相互 作用引起的。PS0就是从这种模型中得到启示而产生的，并用于解决优化问题。PS0求解优 化问题时，问题的解对应于搜索空间中一只鸟的位置，称这些鸟为粒子。每个粒子在搜索空 间中移动，根据个体的历史最优值（pBest)和粒子群的全局最优值（gBest)调整自己，逐 步接近最优解所在位置。粒子逐步调整的过程被认为是粒子从群体社会中学习和改进的过 程。将粒子群优化算法与神经网络相结合，采用PS0算法训练神经网络的连接权值与阈值， 可以提高误差精度的同时加快训练收敛的速度。
[0045] 该算法将每个个体看作N维搜索空间中的一个粒子，采取速