基于BP神经网络彩色温度软测量.docVIP

基于BP神经网络彩色温度软测量 　　摘　要：基于高温物体的温度不同，与之相对应通过数码相机摄取的高温物体的颜色也不同，提出一种神经网络的图像颜色测温方法。选取RGB模型的R、G和B作为模式特征向量，用BP网络拟合高温物体的颜色和温度之间的非线性关系。实验结果表明，该方法精度高，运行速度快，切实可行。 　　关键词：温度测量；BP神经网络；颜色模型 　　中图分类号：TP391．4　文献标识码：A 　　 　　1　引　言 　　 　　近年来，随着电子计算机技术和光学技术的发展，图像处理技术在燃烧测量方面应用引起了极大关注，很多学者对基于辐射图像进行温度测量的方法进行了研究并取得了很大的进展。由于高温物体的颜色与其温度之间存在着某种映射关系，而神经网络具有函数逼近、模式识别、数据分类和预测等特性，尤其是它的自组织、自适应、自学习功能，将神经网络应用于颜色测温可以不受非线性模型的限制，便于给出工程上易于实现的学习算法。神经网络技术为解决非线性、不确定系统的建模问题，提供了一条有效的途径。 　　 　　本文主要研究的内容是运用彩色图像颜色处理技术和神经网络算法对高温物体进行测温试验。测量系统如图1示。首先利用彩色数码相机对高温物体在不同温度发出的颜色光进行标定，接着通过图像处理技术对图像进行处理，然后应用BP神经网络测量模型对样本进行学习，网络收敛后，利用它很好地反映物体的颜色特征与对应温度之间的非线性关系。把高温物体颜色光图像的颜色特征作为输入，就可以得到该物体的温度。 　　 　　2　颜色模型和颜色特征向量的选择 　　 　　颜色模型有多种，包括用于显示和打印的RGB、CMY模型；用于视频信号的YIQ、YUV模型；颜色比配值均为正的CIE-XYZ颜色模型；归一化颜色模型rgb、xyz；CIE推荐的均匀颜色模型CIE-LAB、CIE-LUV；主观颜色模型HIS、HSV、LHS；Ohta提出的颜色分量之间完全独立的I1 I2I3颜色模型；Theo提出的对强烈光线不敏感的I1I2I3颜色模型以及对彩色照明有很强鲁棒性的m1m2m3颜色模型等。数码相机采集的图像值为RGB颜色空间，RGB空间主要是根据人眼锥体接收光线的方法来构造成的一个模型，它用三组独立的值来定义色调、饱和度和亮度。由于数码相机采集的输出参数为RGB，所以我们直接采用RGB颜色模型，无须转换，非常简便。 　　 　　 　　3　BP神经网络的彩色温度测量 　　 　　3．1　BP网络的结构及神经网络工具箱的特点 　　BP网络(Backpropagation NN)是一种单向传播的多层前向网络，其结构如图2所示。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点间没有任何耦合。输入信号从输入层节点依次传过隐层节点，最后传到输出节点。每层节点的输出只影响下一层节点的输出。其节点传递函数通常为Sigmoid型，但在输出层有时为线性。 　　与Matlab7．0对应的神经网络工具箱为NNToolbox4．4．3，其内容非常丰富，包括了很多现有的神经网络的新成果，涉及多种网络模型，如：BP网络、径向基网络、自组织网络等。同时还提供了很多经典的学习算法，使用他能够快速的实现对实际问题的建模求解。 　　 　　以BP网络的神经网络工具函数为例，主要有以下一些重要函数，如表1所示。 　　 　　3．2　应用BP神经网络进行彩色测温 　　3．2．1 BP神经网络测温模型 　　首先确定BP神经网络的测温模型。理论上已经证明，三层BP神经网络可以以任意精度逼近任意复杂的连续函数。所以，可利用BP神经网络来构造一个“黑箱”，并通过神经网络的自学习来逼近温度与灰度值Rr、Rg、Rb的函数关系。本文采用含有一个隐含层的BP神经网络来逼近温度与灰度值的函数关系，如图3所示，其网络输入为RGB分量的灰度值，输出层为一个神经元，表示测量温度T，隐含层神经元数目在实验中按经验选取，通过训练将学习好的网络函数作为温度测量模型。 　　3．2．2　BP算法 　　 　　BP算法把一组样本的输入输出问题转化为一个非线性优化问题。用迭代运算求解网络权值相当于学习记忆问题，加入隐含结点使优化问题的可调整参数增加，因此可得到更精确的解。BP网络的权值调整使用的是反向传播的学习算法，标准的BP算法使用最速下降静态寻优算法，在修正权值时，学习过程易发生震荡，且收敛很慢；而Leven-berg-Marquardt优化算法兼顾最速下降法和高斯一牛顿迭代的长处，既稳定又快速，学习时间较最速下降法短得多，故选用该算法。 　　 　　3．3　实验具体步骤 　　步骤1：固定彩色数码相机位置，在不同温度下，对同一个高温物体发出的颜色光进行拍摄，得到许多间隔一定温度的样本； 　　步骤2：对图像进行