自适应小波神经网络算法在低照度红外图像增强中应用.docVIP

自适应小波神经网络算法在低照度红外图像增强中应用 　　摘 要：由于主动式车载红外夜视仪本身的特点，在红外图像成像时不可避免地受到外界环境的影响，所以普遍存在图像质量较低等问题，而引起此类问题的最主要因素为低照度图像的存在。因此低照度红外图像的增强技术成为红外图像处理的一项重要研究课题。本文将小波神经网络引入图像增强领域中，通过中值滤波提取图像特征，并利用一种自适应算法来优化小波神经网络的学习过程，最终建立了一种针对低照度红外图像增强的新算法。实验结果表明，该算法在对低照度红外图像的增强上优于传统直方图均衡化等方法，并且有较强的鲁棒性；同时能够最大限度保护图像的细节信息。 　　关键词：主动式；低照度；红外图像；图像增强；小波神经网络；中值滤波 　　1 引言 　　近年来，随着汽车行业的快速发展，汽车数量迅速增加。导致交通事故呈不断上升趋势，给人们的生命财产安全带来巨大的伤害。而这其中夜间或阴天情况下行车所发生的交通事故尤为严重。所以夜间行车的安全性越来越受到人们的关注。保证夜间行车安全性能的关键之一是发展车载红外夜视成像技术，通过它来提高驾驶员的夜间观察能力。本文采用主动式红外夜视成像。而主动式车载红外夜视成像技术中最为关键的技术难点就是对红外图像的增强处理。由于车载红外夜视仪工作环境的特殊性，在红外图像成像时不可避免地受到外界环境的影响，从而普遍存在对比度差、噪声较大、边缘模糊等特点。尤其是在夜间情况下更为明显。因此，针对低照度红外图像增强算法的研究成为车载红外夜视成像技术处理中的一个重要研究领域。 　　小波神经网络（wavelet neural network， WNN）是在小波分析理论的基础上建立起来的一种多分辨率的、分层的新型人工神经网络。小波神经网络结合了小波分析在时频域的优良特性和神经网络的自适应优点。因此，WNN近年来越来越受到人们的关注，并被广泛研究和应用于各种不同的领域中。本文将WNN引入到低照度红外图像增强研究中，并针对低照度红外图像的特征提出一种基于WNN的图像增强新算法。 　　2 利用中值滤波提取图像特征 　???图像增强技术是对图像进行处理时，用以改善图像的质量，增强图像视觉效果的重要方法。传统的图像增强处理方法基本可以分为空域图像增强和频域图像增强两大类。空域滤波直接在空域上对图像进行处理的方法。根据功能可以分为平滑滤波和锐化滤波。 　　平滑滤波是低频增强的空间域滤波技术，一般可分为线性平滑滤波和非线性平滑滤波两种。使用线性平滑滤波进行图像的平滑时，噪声滤除效果比较理想，但是若邻域大小选择不当，会造成图像过于模糊从而失去实用价值，常见有领域均值滤波、三角滤波、高斯滤波等，而中值滤波是一种常见的线性平滑滤波。 　　中值滤波是基于排序统计理论的一种空域滤波。它是一种能够有效抑制噪声的非线性信号处理技术。中值滤波可以有效地滤除脉冲噪声同时能较好地保全图像的细节信息。在二维形式下，中值滤波是某种形式的含有奇数像素点的二维滑动窗口，将窗口内的像素按照灰度值的大小进行排序，取序号为中心点的像素灰度值作为滤波输出，即： 　　f（x，y）=MedA{f（x，y）} （1） 　　公式（1）中，A为滑动窗口，f（x，y）为以窗口A为大小的二维灰度图像中所有像素点的灰度值集合。 　　3 在中值滤波提取图像特征基础上的小波神经网络图像增强算法 　　将经过中值滤波对图像进行特征提取后的灰度图像M*N作为学习图像，则进行网络学习的样本数为M*N。对于样本中的某个特征点gx，y，相对应的网络输出即为： 　　上式（9）中s（w）为权值参数搜索方向，αiw为在进行第i次迭代后权值学习的步长。同理，对于平移值和伸缩参数也有类似（6）～（10）的公式。按照公式（9）、（10）逐次的迭代学习，直到满足误差条件，完成整个网络参数的学习。 　　神经网络中隐层节点的个数对神经网络性能的影响是非常大的。根据小波神经网络的模型结构，小波基个数的选择问题即是神经网络中隐层节点的个数选择问题。因此，本文在参考了大量的有关论文的前提下提出了一种自适应搜索方法来确定小波基的个数：首先确定初始的小波基个数（例如K=1），然后进行网络学习。一旦满足网络的收敛条件，就停止迭代同时完成网络的学习；若在学习的过程中达到最大迭代的次数而网络仍然未收敛，则将小波基个数增加1（K=K+1），再进行网络学习。 　　在WNN学习过程中，在多维输入情况下，随着网络的输入维数增加，网络所训练的样本呈指数增长，网络结构也将随之变得庞大，使得网络收敛速度大大下降。因此本文在自适应步长确定的基础上，利用一种根据网络参数对输出的贡献的大小来确定其学习步长的初始值方法。如果某个参数的变化能够造成误差函数的较大变化，那么该参数的学习率应该较小，相应的步长初始值也