自適應小波神經(jīng)網(wǎng)絡算法在低照度紅外圖像增強中的應用

王洋

摘 要：由于主動式車載紅外夜視儀本身的特點，在紅外圖像成像時不可避免地受到外界環(huán)境的影響，所以普遍存在圖像質(zhì)量較低等問題，而引起此類問題的最主要因素為低照度圖像的存在。因此低照度紅外圖像的增強技術成為紅外圖像處理的一項重要研究課題。本文將小波神經(jīng)網(wǎng)絡引入圖像增強領域中，通過中值濾波提取圖像特征，并利用一種自適應算法來優(yōu)化小波神經(jīng)網(wǎng)絡的學習過程，最終建立了一種針對低照度紅外圖像增強的新算法。實驗結果表明，該算法在對低照度紅外圖像的增強上優(yōu)于傳統(tǒng)直方圖均衡化等方法，并且有較強的魯棒性；同時能夠最大限度保護圖像的細節(jié)信息。

關鍵詞：主動式；低照度；紅外圖像；圖像增強；小波神經(jīng)網(wǎng)絡；中值濾波

1 引言

近年來，隨著汽車行業(yè)的快速發(fā)展，汽車數(shù)量迅速增加。導致交通事故呈不斷上升趨勢，給人們的生命財產(chǎn)安全帶來巨大的傷害。而這其中夜間或陰天情況下行車所發(fā)生的交通事故尤為嚴重。所以夜間行車的安全性越來越受到人們的關注。保證夜間行車安全性能的關鍵之一是發(fā)展車載紅外夜視成像技術，通過它來提高駕駛員的夜間觀察能力。本文采用主動式紅外夜視成像。而主動式車載紅外夜視成像技術中最為關鍵的技術難點就是對紅外圖像的增強處理。由于車載紅外夜視儀工作環(huán)境的特殊性，在紅外圖像成像時不可避免地受到外界環(huán)境的影響，從而普遍存在對比度差、噪聲較大、邊緣模糊等特點。尤其是在夜間情況下更為明顯。因此，針對低照度紅外圖像增強算法的研究成為車載紅外夜視成像技術處理中的一個重要研究領域。

小波神經(jīng)網(wǎng)絡（wavelet neural network， WNN）是在小波分析理論的基礎上建立起來的一種多分辨率的、分層的新型人工神經(jīng)網(wǎng)絡。小波神經(jīng)網(wǎng)絡結合了小波分析在時頻域的優(yōu)良特性和神經(jīng)網(wǎng)絡的自適應優(yōu)點。因此，WNN近年來越來越受到人們的關注，并被廣泛研究和應用于各種不同的領域中。本文將WNN引入到低照度紅外圖像增強研究中，并針對低照度紅外圖像的特征提出一種基于WNN的圖像增強新算法。

2 利用中值濾波提取圖像特征

圖像增強技術是對圖像進行處理時，用以改善圖像的質(zhì)量，增強圖像視覺效果的重要方法。傳統(tǒng)的圖像增強處理方法基本可以分為空域圖像增強和頻域圖像增強兩大類。空域濾波直接在空域上對圖像進行處理的方法。根據(jù)功能可以分為平滑濾波和銳化濾波。

平滑濾波是低頻增強的空間域濾波技術，一般可分為線性平滑濾波和非線性平滑濾波兩種。使用線性平滑濾波進行圖像的平滑時，噪聲濾除效果比較理想，但是若鄰域大小選擇不當，會造成圖像過于模糊從而失去實用價值，常見有領域均值濾波、三角濾波、高斯濾波等，而中值濾波是一種常見的線性平滑濾波。

中值濾波是基于排序統(tǒng)計理論的一種空域濾波。它是一種能夠有效抑制噪聲的非線性信號處理技術。中值濾波可以有效地濾除脈沖噪聲同時能較好地保全圖像的細節(jié)信息。在二維形式下，中值濾波是某種形式的含有奇數(shù)像素點的二維滑動窗口，將窗口內(nèi)的像素按照灰度值的大小進行排序，取序號為中心點的像素灰度值作為濾波輸出，即：

f（x，y）=MedA{f（x，y）} （1）

公式（1）中，A為滑動窗口，f（x，y）為以窗口A為大小的二維灰度圖像中所有像素點的灰度值集合。

3 在中值濾波提取圖像特征基礎上的小波神經(jīng)網(wǎng)絡圖像增強算法

將經(jīng)過中值濾波對圖像進行特征提取后的灰度圖像M*N作為學習圖像，則進行網(wǎng)絡學習的樣本數(shù)為M*N。對于樣本中的某個特征點gx，y，相對應的網(wǎng)絡輸出即為：

上式（9）中s（w）為權值參數(shù)搜索方向，αiw為在進行第i次迭代后權值學習的步長。同理，對于平移值和伸縮參數(shù)也有類似（6）～（10）的公式。按照公式（9）、（10）逐次的迭代學習，直到滿足誤差條件，完成整個網(wǎng)絡參數(shù)的學習。

神經(jīng)網(wǎng)絡中隱層節(jié)點的個數(shù)對神經(jīng)網(wǎng)絡性能的影響是非常大的。根據(jù)小波神經(jīng)網(wǎng)絡的模型結構，小波基個數(shù)的選擇問題即是神經(jīng)網(wǎng)絡中隱層節(jié)點的個數(shù)選擇問題。因此，本文在參考了大量的有關論文的前提下提出了一種自適應搜索方法來確定小波基的個數(shù)：首先確定初始的小波基個數(shù)（例如K=1），然后進行網(wǎng)絡學習。一旦滿足網(wǎng)絡的收斂條件，就停止迭代同時完成網(wǎng)絡的學習；若在學習的過程中達到最大迭代的次數(shù)而網(wǎng)絡仍然未收斂，則將小波基個數(shù)增加1（K=K+1），再進行網(wǎng)絡學習。

在WNN學習過程中，在多維輸入情況下，隨著網(wǎng)絡的輸入維數(shù)增加，網(wǎng)絡所訓練的樣本呈指數(shù)增長，網(wǎng)絡結構也將隨之變得龐大，使得網(wǎng)絡收斂速度大大下降。因此本文在自適應步長確定的基礎上，利用一種根據(jù)網(wǎng)絡參數(shù)對輸出的貢獻的大小來確定其學習步長的初始值方法。如果某個參數(shù)的變化能夠造成誤差函數(shù)的較大變化，那么該參數(shù)的學習率應該較小，相應的步長初始值也應該較小；反之，若某個參數(shù)的的能夠造成誤差函數(shù)較小變化，則該參數(shù)的學習率應該較大，相應的步長初始值也應該較大。

4 結果與結論

學術上評價一幅圖像增強效果的方法主要有客觀統(tǒng)計和主觀判斷兩種評價方法。主觀評價是直接利用觀察者對被測系統(tǒng)圖像的主觀反應來確定系統(tǒng)性能的一

種測試，主觀上去評價圖像增強的效果。客觀統(tǒng)計評價即通過統(tǒng)計參數(shù)客觀評價圖像增強效果，這些參數(shù)定義為：

PSNR和SNR兩個參數(shù)主要反映的是圖像的保真度，其數(shù)值越大表明圖像的保真度越好，圖像中的細節(jié)保護的越好。NMSE參數(shù)主要反映了處理后的圖像與理想中圖像的逼近程度，其數(shù)值越小表明圖像增強效果越好，越接近理想中的圖像。

小波變換通過尺度伸縮和平移對信號進行多尺度分析，能有效提取信號的局部信息。

神經(jīng)網(wǎng)絡具有自學習、自適應和容錯性等特點，并且是一類通用函數(shù)逼近器。

小波神經(jīng)網(wǎng)絡的基元和整個結構是依據(jù)小波分析理論確定的，可以避免BP神經(jīng)網(wǎng)絡等結構設計上的盲目性。

本文將WNN引入圖像增強領域中，先利用中值濾波提取圖像特征，再在其基礎上提出了一種針對車載紅外夜視圖像的增強算法，并將其應用于低照度紅外圖像增強。實驗結果表明，該算法在圖像增強上優(yōu)于傳統(tǒng)直方圖均衡化等方法，同時具有較強的魯棒性。在實現(xiàn)圖像增加的同時能夠最大限度地保護圖像的細節(jié)信息，具有很好的保真度。實驗結果亦表明了本文算法在對低照度紅外圖像增強處理上具有非常好的的應用價值。

參考文獻

[1]Bhowmik ， M.K ， Bhattacharjee， D， Nasipuri， M. et al. Optimum fusion of visual and thermal face images for recognition[R]. Japan： Information Assurance and Security conference， 2010

[2] 薛南斌， 張文啟， 霍志成. 微光與紅外夜視技術的現(xiàn)狀與發(fā)展[J]. 科技資訊，2008（16）： 4

[3]L .Andreone ，M. Mariani. Cutomer benefit in user centered dedign of a novel drivers vision enhancement support system[D]. Madrid： Intelligent Transport System and Services，2009

[4] 林淑芬. 車載主動式紅外激光夜視成像系統(tǒng)的研究[D]. 廈門： 廈門大學， 2008

[5] Yoichiro Iwasaki. A Method of Robust Moving Vehicle Detection For Bad Weather Using an Infrared Thermography Camera[R]. HongKong： Conference on Wavelet Analysis and Pattern Recognition，2008

[6] 葛小青. 紅外與可見光圖像融合的研究[D]. 重慶： 重慶大學， 2010.

[7]孫雅琳. 紅外與可見光圖像配準技術研究[D]. 西安： 西安電子科技大學， 2010

[8] Lei， j. ，Liu， S.， Sun， M.， ”An image reconstruction algorithm base on the extended Tihonov regularization methon for electrical capacitance tomography”， Measurement， 42，368-376（2009）

[9] Hu， H.l.， Chen X.， Bai， T.， “An ECT image reconstruction methon based on radial basis function and wavelet transform”， Journal of Xian Jiaotong University， 44（2）， 1-5（2010）.

[10] LUO Yaoming NIE Gui hua A niche hierarchy genetic a lgorithms for learning wavelet neural networks[C] IEEE Conference on Industrial Electronics and Applications Harbin，China 2007：960-964

[11] 彭金柱， 王耀南， 孫煒.基于混合學習算法的模糊小波神經(jīng)網(wǎng)絡控制[J].湖南大學學報：自然科學版，2006， 33（02）： 51-54.

[12] 唐軍. 基于HMM 與小波神經(jīng)網(wǎng)絡的語音識別系統(tǒng)研究[D]. 南京： 南京理工大學，2007.

[13] 劉俊華， 顏運昌， 荊琦. 遺傳算法與神經(jīng)網(wǎng)絡在語音識別中的應用[J]. 機電工程，2007，24 （12）：20-24.