范 珮,張 霞,徐詩(shī)惠

1(武漢大學(xué) 印刷與包裝系,武漢 430079)

2(北京五八錢(qián)柜技術(shù)有限公司,北京 100020)

顏色是機(jī)器對(duì)物體識(shí)別的主要圖像特征之一[1–3],顏色恒常性是人類特殊的視覺(jué)感知活動(dòng),是人眼在不同光源等外界環(huán)境變化的情況下,對(duì)物體顏色感知保持穩(wěn)定的一種視覺(jué)特性功能.但在計(jì)算機(jī)視覺(jué)領(lǐng)域,受圖像成像時(shí)光源顏色的影響,往往會(huì)產(chǎn)生機(jī)器無(wú)法實(shí)現(xiàn)正常顏色識(shí)別的問(wèn)題.參考人類視覺(jué)中的顏色恒常性,可以通過(guò)建立顏色恒常計(jì)算模型來(lái)對(duì)圖像進(jìn)行顏色校正,這種實(shí)現(xiàn)圖像顏色恒常性的方法已經(jīng)成為機(jī)器視覺(jué)領(lǐng)域的一個(gè)重要研究問(wèn)題.

現(xiàn)有的顏色恒常算法大致分為兩類:一是基于圖像信息統(tǒng)計(jì)的方法,該方法在早期依據(jù)Land[4]提出的Retinex算法,有灰度世界(Grey-World)算法、Max-RGB算法(又稱White-Patch)算法、灰度陰影算法(Shades of Grey)算法和灰度邊緣(Grey-Edge)算法等[5–7].這幾種經(jīng)典算法基于大量的圖像假設(shè)和圖像的底層特征,以此估計(jì)光源的顏色,從而達(dá)到計(jì)算顏色恒常的目的.但由于其算法過(guò)程是人工設(shè)計(jì)的,所以這類算法或多或少都有一定的應(yīng)用范圍限制,不能很好的實(shí)現(xiàn)不同外界環(huán)境條件下的圖像顏色校正.

另一類是基于圖像特征學(xué)習(xí)的算法,比如最早用于圖像顏色恒常處理的色域映射法(Gamut Mapping)[8]、神經(jīng)網(wǎng)絡(luò)(Neural Network)[9]、支持向量回歸(SVG)[10]等方法.其中針對(duì)神經(jīng)網(wǎng)絡(luò)自身的一些固有的缺點(diǎn),不少研究學(xué)者提出了基于神經(jīng)網(wǎng)絡(luò)與其他算法模型互補(bǔ)的融合算法[9,11,12].Dufort[13]用這種神經(jīng)網(wǎng)絡(luò)模型,在網(wǎng)絡(luò)最后階段通過(guò)匹配顏色對(duì)立細(xì)胞來(lái)計(jì)算色相.Stanikunas等人[14]提出一種神經(jīng)網(wǎng)絡(luò)模型,用對(duì)立細(xì)胞做相應(yīng)處理,最后輸出三個(gè)CIE顏色坐標(biāo)x,y和L.然而顏色恒常效應(yīng)有著非常典型的心理特征,是一項(xiàng)復(fù)雜的心理活動(dòng),上述方法雖然取得了一些實(shí)驗(yàn)成果,但仍然缺乏與心理機(jī)制相聯(lián)系的感知模型,在實(shí)際應(yīng)用方面往往不能達(dá)到人們期望的效果.

據(jù)此,本文充分考慮人眼感知以及神經(jīng)網(wǎng)絡(luò)算法在顏色恒常實(shí)驗(yàn)中的影響,構(gòu)建顏色恒常感知計(jì)算模型的內(nèi)容主要包括:在第1節(jié)中介紹心理物理實(shí)驗(yàn)的內(nèi)容和研究方法,得到顏色光照變化前后的感知關(guān)系;在第2節(jié)中敘述用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值的算法建立過(guò)程;第3節(jié)中開(kāi)展顏色恒常實(shí)驗(yàn),設(shè)計(jì)心理物理實(shí)驗(yàn)來(lái)獲得遺傳神經(jīng)網(wǎng)絡(luò)的輸入和輸出訓(xùn)練樣本,并對(duì)顏色校正結(jié)果進(jìn)行對(duì)比評(píng)價(jià)分析.

1 心理物理實(shí)驗(yàn)方法

心理物理學(xué)是研究心理感知量與刺激的物理量相互作用關(guān)系的學(xué)科,常被用來(lái)量化主觀感知[15],在顏色視覺(jué)探索中得到了廣泛的應(yīng)用.顏色恒常性是一種顏色視覺(jué)心理現(xiàn)象,通過(guò)心理物理實(shí)驗(yàn)獲取神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)可以更好地反映顏色恒常感知的本質(zhì).本文設(shè)計(jì)了顏色恒常心理物理實(shí)驗(yàn),目的是為了獲取建模數(shù)據(jù),得到光源變化前后記憶色樣本的對(duì)應(yīng)關(guān)系.由于一些經(jīng)典的顏色恒常算法對(duì)于特定類別的圖像有著較好的顏色恒常處理效果,因此本文用Max-RGB、Grey-World、Shades of Grey和Grey-Edge等幾種經(jīng)典的顏色恒常計(jì)算方法來(lái)處理輸入的圖像數(shù)據(jù),為后面輸出圖像提供不同的篩選樣本.

本文設(shè)計(jì)了基于類別界定法的心理物理實(shí)驗(yàn),在實(shí)驗(yàn)過(guò)程中需要考慮不同圖像最好的顏色恒常處理方式以及圖像中記憶色所在關(guān)鍵位置.類別界定法主要是對(duì)刺激的心理感知進(jìn)行分類,這種方法要求觀察者根據(jù)自身的視覺(jué)心理感知對(duì)一定數(shù)量的刺激樣本進(jìn)行分類,分類過(guò)程按照規(guī)定的類別判定量表進(jìn)行.類別判定量表需要根據(jù)實(shí)驗(yàn)要求正確規(guī)定劃分,一般分為5、7或9類.通常統(tǒng)計(jì)值符合正態(tài)分布.

本實(shí)驗(yàn)采用兩種評(píng)判指標(biāo),一個(gè)是與記憶色有關(guān)的有三個(gè)感知參量[16];自然性(naturalness)、鮮艷性(colorfulness)以及喜好性(preference);另一個(gè)是判定記憶色所在關(guān)鍵區(qū)域.

2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是采用誤差逆向傳播算法的多層前饋網(wǎng)絡(luò),具有三層或三層以上的多層結(jié)構(gòu).BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練是在有監(jiān)督的條件下進(jìn)行的,當(dāng)學(xué)習(xí)模式被提供給網(wǎng)絡(luò)系統(tǒng)之后,神經(jīng)元的激活值經(jīng)過(guò)各個(gè)隱含層,從輸入層向輸出層傳播,然后每個(gè)輸出層的神經(jīng)元對(duì)對(duì)應(yīng)的輸入模式做出響應(yīng)并計(jì)算誤差,再逐層逆向返回到輸入層,逐層返回的過(guò)程中修正連接權(quán)值,以減小誤差.伴隨著這種訓(xùn)練方式的不斷進(jìn)行,整個(gè)網(wǎng)絡(luò)對(duì)輸入到輸出響應(yīng)的正確率也逐步提高.

通過(guò)分析Funt[17,18]的實(shí)驗(yàn)成果可知,神經(jīng)網(wǎng)絡(luò)運(yùn)用在顏色恒常領(lǐng)域所得到的效果十分優(yōu)異.在設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)時(shí),需要對(duì)以下幾個(gè)參數(shù)進(jìn)行確定:神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)、隱含層的神經(jīng)元數(shù)、初始權(quán)值、學(xué)習(xí)速率η以及期望誤差的選取.本文定義BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中期望輸出值Oex和計(jì)算輸出值Oca之間的平方根誤差函數(shù)ΔEr為:

在構(gòu)建神經(jīng)網(wǎng)絡(luò)時(shí)對(duì)于LR梯度下降法采用Sigmoid函數(shù):

盡管目前已有神經(jīng)網(wǎng)絡(luò)算法運(yùn)用在顏色恒常處理中的先例,但是由于BP神經(jīng)網(wǎng)絡(luò)算法采用梯度下降法,存在對(duì)初始權(quán)值向量異常敏感,并且容易陷入局部最小的問(wèn)題,這些固有缺陷在一定程度上極大的影響該網(wǎng)絡(luò)在實(shí)際應(yīng)用中的快速發(fā)展.

2.2 遺傳算法

遺傳算法(Genetic Algorithm,GA)是一種仿照自然界物競(jìng)天擇、繁衍生息的生物進(jìn)化過(guò)程計(jì)算的模型.它遵循了達(dá)爾文《物種起源》一書(shū)中“適者生存”、“優(yōu)勝劣汰”的進(jìn)化法則,基于自然群體遺傳演化機(jī)制進(jìn)行全局并行搜索.遺傳算法在實(shí)際問(wèn)題求解中主要包括以下幾個(gè)因素:(1)編碼:確定染色體的編譯方法;(2)初始群體:即第一代種群,其規(guī)模大小為pop_size;(3)適應(yīng)度評(píng)估;(4)選擇;(5)交叉;(6)變異.

本文遺傳算法的基本計(jì)算步驟如下:

(1)設(shè)置遺傳算法的編碼方式、遺傳操作、適應(yīng)度函數(shù)及迭代終止條件等;依照BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)編碼出與之相對(duì)應(yīng)的遺傳算法個(gè)體,并且依據(jù)隨機(jī)的方式得到原始種群.

(2)輸入訓(xùn)練樣本,通過(guò)適應(yīng)度計(jì)算對(duì)所有的染色體進(jìn)行評(píng)估.

(3)選擇操作、交叉操作、變異操作.

(4)產(chǎn)生新的種群.

(5)判斷新的種群是否達(dá)到終止條件,若沒(méi)有達(dá)到,重復(fù)步驟(2)～(5),直到達(dá)到條件.

(6)若達(dá)到收斂條件,那么就將此時(shí)所得到的最優(yōu)個(gè)體解碼并依照對(duì)應(yīng)關(guān)系分配給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值.

2.3 遺傳神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

遺傳算法是一種全局搜索性能優(yōu)異的優(yōu)化算法,其每次可處理種群中若干個(gè)個(gè)體,并且評(píng)估通過(guò)這些個(gè)體的所得的解,降低陷入局部極值的可能性,且具有較強(qiáng)的并行處理能力.本文提出基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法,并針對(duì)遺傳算法自身的缺點(diǎn),闡述本文遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的有效性.

2.3.1 對(duì)遺傳算法自身缺點(diǎn)的改進(jìn)

實(shí)際上在應(yīng)用遺傳算法時(shí)存在著編碼選取問(wèn)題和交叉、變異算子不變性造成的過(guò)早收斂問(wèn)題.其中對(duì)于個(gè)體編碼方法的選取問(wèn)題,由于傳統(tǒng)的二進(jìn)制編碼方法對(duì)連續(xù)空間內(nèi)的優(yōu)化函數(shù)進(jìn)行編碼時(shí)是一個(gè)離散化過(guò)程,這對(duì)個(gè)體的準(zhǔn)確性表示是不利的;而實(shí)數(shù)編碼方法在精度要求較高的遺傳算法中得到廣泛的運(yùn)用,該方法在提升計(jì)算效率的同時(shí)也有利于將遺傳算法與其他算法結(jié)合使用[19,20].考慮到這些優(yōu)點(diǎn),本文選取實(shí)數(shù)編碼方式對(duì)染色體進(jìn)行編碼.其次,由于傳統(tǒng)遺傳算法在更新進(jìn)化狀態(tài)的時(shí)候,其設(shè)置的交叉算子和變異算子不能隨著變化取值,從而會(huì)導(dǎo)致過(guò)早局部收斂.因此對(duì)于該問(wèn)題本文在進(jìn)行算子操作中選取的交叉算子和變異算子如下:

交叉算子:每次進(jìn)行交叉的染色體個(gè)數(shù)等于交叉概率與種群規(guī)模之積,以隨機(jī)的方式選取交叉操作的父代.本文采用離散交叉方法[20],模擬二進(jìn)制交叉方式從父代種群中隨機(jī)選取兩個(gè)個(gè)體x1和x2,按下式定義的線性組合交叉方式生成新的后代,其中a為0–1之間的隨機(jī)數(shù).

變異算子:每次進(jìn)行變異的染色體個(gè)數(shù)等于變異概率與種群規(guī)模之積.為了得到優(yōu)于父代的變異結(jié)果,可對(duì)每個(gè)進(jìn)行變異的染色體進(jìn)行多次變異.

2.3.2 遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值的優(yōu)化

從根本上來(lái)說(shuō),神經(jīng)網(wǎng)絡(luò)中權(quán)值及閾值的更新過(guò)程就是一個(gè)復(fù)雜函數(shù)優(yōu)化的過(guò)程,需要通過(guò)若干次調(diào)整以及更新才能最終得到最優(yōu)值[21].

運(yùn)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的過(guò)程大致可分為如下步驟:首先確定所構(gòu)建神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及所有神經(jīng)元的個(gè)數(shù);然后將連接權(quán)值與閾值通過(guò)遺傳算法編碼并以隨機(jī)的方式生成編碼串群體;之后用遺傳算法對(duì)這些編碼個(gè)體進(jìn)行優(yōu)化并求得最優(yōu)個(gè)體,最后對(duì)該個(gè)體進(jìn)行解碼,將該最優(yōu)個(gè)體分解得到BP網(wǎng)絡(luò)的權(quán)值和閾值,經(jīng)過(guò)二次訓(xùn)練以得到滿足要求的BP網(wǎng)絡(luò).具體操作步驟如下[22]:

(1)定義BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),這其中包括隱含層個(gè)數(shù)、各層中所包含的神經(jīng)元個(gè)數(shù)以及各個(gè)神經(jīng)元之間的連接方式.

(2)設(shè)置遺傳算法的編碼方式、遺傳操作、適應(yīng)度函數(shù)及迭代終止條件等;依照(1)定義的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)編碼出與之相對(duì)應(yīng)的遺傳算法個(gè)體,并且依據(jù)隨機(jī)方式得到原始種群.

(3)輸入訓(xùn)練樣本,通過(guò)適應(yīng)度計(jì)算對(duì)所有的染色體進(jìn)行評(píng)估.

(4)選擇操作、交叉操作、變異操作.

(5)產(chǎn)生新的種群.

(6)判斷新的種群是否達(dá)到終止條件,若沒(méi)有達(dá)到,重復(fù)步驟(3)～(6),直到達(dá)到條件.

(7)若達(dá)到收斂條件,那么就將此時(shí)所得到的最優(yōu)個(gè)體解碼并依照對(duì)應(yīng)關(guān)系分配給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值.

2.3.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程

在BP神經(jīng)網(wǎng)絡(luò)算法獲得圖像像素點(diǎn)RGB三刺激值在光照處理前后的非線性映射關(guān)系之后,利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),提高算法的精確性.該算法流程如圖1所示.

圖1 中算法建模流程的具體步驟如下:

(1)對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理.

神經(jīng)網(wǎng)絡(luò)輸入值為待處理像素矩陣的R、G、B值.輸入輸出數(shù)據(jù)為處理的輸入圖像的像素及對(duì)應(yīng)輸出圖像的像素,將其存儲(chǔ)在data矩陣表中,并對(duì)數(shù)據(jù)樣本進(jìn)行歸一化處理.

(3)激活函數(shù)設(shè)定以及相關(guān)適應(yīng)度函數(shù)的選擇.

選取Sigmoid 函數(shù)作為神經(jīng)網(wǎng)絡(luò)中各節(jié)點(diǎn)的激活函數(shù),由于染色體是由權(quán)值與閾值編碼而得,那么遺傳算法的適應(yīng)度函數(shù)即計(jì)算神經(jīng)網(wǎng)絡(luò)的誤差倒數(shù).函數(shù)表達(dá)式為:

其中,y為放大因子,ei為第i個(gè)樣本的計(jì)算誤差.

(4)自適應(yīng)控制的概率修正.

隨著更新迭代的進(jìn)程,個(gè)體間的適應(yīng)度差距會(huì)越來(lái)越小,因此通過(guò)減小交叉概率和增大變異概率來(lái)匹配兩種算子的作用方向.其自適應(yīng)控制的概率修正公式如下所示:

其中,G為總進(jìn)化代數(shù),t為當(dāng)前進(jìn)化代數(shù).

(5)將通過(guò)遺傳算法進(jìn)化計(jì)算得到的最佳初始權(quán)值與閾值用來(lái)構(gòu)建BP神經(jīng)網(wǎng)絡(luò);當(dāng)計(jì)算進(jìn)化到一定水平以后或者網(wǎng)絡(luò)誤差滿足了特定的標(biāo)準(zhǔn)時(shí),遺傳算法停止迭代,將獲取的最優(yōu)權(quán)值及閾值傳遞給神經(jīng)網(wǎng)絡(luò).

(6)遺傳神經(jīng)網(wǎng)絡(luò)誤差值的定義.

在神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練后得到輸入與輸出之間的對(duì)應(yīng)關(guān)系.本文中定義最后的目標(biāo)值與模型輸出值之間的誤差為同一像素點(diǎn)間的色差值.

模型輸出的三色通道值為(ro,ro,bo),目標(biāo)值的三色通道值為(rg,gg,bg),兩者之間的誤差值如公式(7):

3 顏色恒常實(shí)驗(yàn)結(jié)果與分析

3.1 顏色恒常感知建模樣本的獲取

在本文中開(kāi)展的心理物理實(shí)驗(yàn)選擇了Ciurea和Funt構(gòu)造的大型圖像數(shù)據(jù)集[23],從中選取20幅圖像作為源圖像,類別側(cè)重室內(nèi)外成熟水果圖、蔬菜圖、室外自然場(chǎng)景圖、膚色圖像,基本涵蓋了日常生活中的各種場(chǎng)景圖像特點(diǎn),符合心理物理實(shí)驗(yàn)對(duì)樣本數(shù)據(jù)的要求.實(shí)驗(yàn)采用的觀測(cè)設(shè)備為帶有遮光罩的QUATO大色域?qū)I(yè)顯示器.實(shí)驗(yàn)在暗室中進(jìn)行,圖像全屏顯示.觀察者一共20名,男女各10人,年齡變化范圍從20歲到25歲.所有觀察者視力或校正視力正常,且通過(guò)色盲測(cè)試,色覺(jué)正常.

實(shí)驗(yàn)前,首先通過(guò)四種顏色恒常經(jīng)典算法(Max-RGB算法、Grey-World算法、Shades of Grey算法和Grey-Edge算法)對(duì)源圖像進(jìn)行處理,每幅原始圖像產(chǎn)生了4幅對(duì)應(yīng)的校正圖像,共計(jì)5幅構(gòu)成一個(gè)實(shí)驗(yàn)?zāi)K,共20組.在中性灰背景上同時(shí)呈現(xiàn)五幅圖像,并隨機(jī)排序,如圖2所示.

圖2 隨機(jī)排序的五幅實(shí)驗(yàn)圖像

告知觀察者相關(guān)觀察評(píng)價(jià)規(guī)則,根據(jù)Bartleson提出的心理物理學(xué)量表[24],設(shè)計(jì)自然性、鮮艷性和喜好性的對(duì)應(yīng)分類量表以及記憶色所在關(guān)鍵位置評(píng)價(jià)表,確定觀察者了解本次實(shí)驗(yàn)的目標(biāo),并仔細(xì)閱讀實(shí)驗(yàn)數(shù)據(jù)表格,在對(duì)應(yīng)評(píng)判時(shí)填寫(xiě)分?jǐn)?shù).此外,為了盡量減少不同觀察者的差異性效果,對(duì)于每個(gè)觀察者的數(shù)據(jù)都通過(guò)z-score變換進(jìn)行標(biāo)準(zhǔn)化,扣除平均值并根據(jù)個(gè)體尺度的標(biāo)準(zhǔn)偏差進(jìn)行劃分.每個(gè)觀察者進(jìn)行兩次實(shí)驗(yàn),驗(yàn)證重復(fù)性,測(cè)試對(duì)象出現(xiàn)順序隨機(jī),兩次實(shí)驗(yàn)環(huán)境保持一致.

在記憶色關(guān)鍵位置評(píng)價(jià)實(shí)驗(yàn)中,對(duì)每幅源圖像被劃分為九個(gè)區(qū)域,進(jìn)行切割處理后,以拼圖的方式顯示,觀察者需要評(píng)估影響上個(gè)實(shí)驗(yàn)結(jié)果的記憶色所在的每個(gè)劃分區(qū)域的重要性,進(jìn)行分類打分.圖像切分顯示方式及切分方式如圖3.

圖3 切分圖像顯示方式

綜上所述,20名觀察者根據(jù)三個(gè)與人眼視覺(jué)恒常感知相關(guān)的參量,對(duì)源圖像及其變換圖像組成的20個(gè)實(shí)驗(yàn)?zāi)K進(jìn)行了類別界定,一共做出19 200次視覺(jué)評(píng)價(jià).根據(jù)每幅圖像記憶色所在關(guān)鍵區(qū)域,可截取該區(qū)域作為樣本數(shù)據(jù)集的一部分,從而排除每幅圖像中大部分非記憶色像素對(duì)后來(lái)模型樣本訓(xùn)練的影響.

在對(duì)觀察者判斷得分進(jìn)行處理后可得到針對(duì)20幅源圖像的最符合人眼感知的輸出樣本.對(duì)每幅圖用效果評(píng)價(jià)平均得分最高的顏色恒常算法進(jìn)行計(jì)算處理,并裁取每幅圖像記憶色所在關(guān)鍵區(qū)域進(jìn)行隨機(jī)拼接,得到拼接的輸入和輸出圖像,如圖4所示.通過(guò)對(duì)兩幅圖像進(jìn)行矩陣變換之后將三通道值分離,即可為建模提供輸入及輸出樣本.

圖4 顏色恒常模型輸入輸出圖像

3.2 優(yōu)化前后神經(jīng)網(wǎng)絡(luò)的仿真實(shí)驗(yàn)對(duì)比評(píng)價(jià)

本文基于Matlab軟件來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)的仿真實(shí)驗(yàn),采用的樣本數(shù)共192 000組,數(shù)據(jù)組1–96 000用來(lái)訓(xùn)練網(wǎng)絡(luò),數(shù)據(jù)組96 000–192 000用來(lái)檢驗(yàn)網(wǎng)絡(luò)性能.

由圖5可見(jiàn),在大多數(shù)的樣本表現(xiàn)中,藍(lán)色數(shù)據(jù)的誤差值較高,表示未優(yōu)化前的神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)效果較差,而通過(guò)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)表現(xiàn)出的誤差結(jié)果則明顯降低.

圖5 優(yōu)化前與優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法誤差對(duì)比圖

圖6 表明了遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)后明顯降低了神經(jīng)網(wǎng)絡(luò)震蕩的次數(shù).盡管兩者訓(xùn)練時(shí)為了達(dá)到不可能達(dá)到的精度,迭代次數(shù)均達(dá)到了設(shè)定的最值,但明顯優(yōu)化后的神經(jīng)網(wǎng)絡(luò)收斂更快,在迭代次數(shù)較少的時(shí)候就已經(jīng)獲得較小的誤差值,進(jìn)入平穩(wěn)期,在某種程度上降低了陷入局部最優(yōu)值的可能性.而原始的神經(jīng)網(wǎng)絡(luò)在迭代過(guò)程中經(jīng)歷了幾次震蕩,收斂速度較慢.

圖6 BP神經(jīng)網(wǎng)絡(luò)和優(yōu)化后遺傳神經(jīng)網(wǎng)絡(luò)的迭代數(shù)據(jù)對(duì)比圖

圖7 是神經(jīng)網(wǎng)絡(luò)未被優(yōu)化前與基于遺傳算法優(yōu)化后的訓(xùn)練過(guò)程圖.兩幅圖對(duì)比可以看出,優(yōu)化后的神經(jīng)網(wǎng)絡(luò)在同樣達(dá)到最大迭代次數(shù)的情況下,所消耗的時(shí)間明顯減少,兩者的誤差表現(xiàn)大致相同.

圖8是神經(jīng)網(wǎng)絡(luò)優(yōu)化前與優(yōu)化后的仿真結(jié)果.盡管種群規(guī)模以及進(jìn)化代數(shù)的初始值設(shè)定的較小,但由仿真結(jié)果可以看出,基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)所建立的顏色恒常感知計(jì)算模型仍然比未經(jīng)優(yōu)化的模型擁有更好的再現(xiàn)效果,效率及魯棒性都高于未優(yōu)化的感知計(jì)算模型.

3.3 主觀評(píng)價(jià)

主觀評(píng)價(jià)仍依據(jù)心理物理實(shí)驗(yàn)的方法和評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行設(shè)計(jì)(參考本文第1節(jié)和3.1節(jié)),主觀評(píng)價(jià)方法需要對(duì)觀察者設(shè)置一定的觀察目標(biāo),由其根據(jù)自身的視覺(jué)感覺(jué)對(duì)實(shí)驗(yàn)圖像進(jìn)行評(píng)估.本文為對(duì)遺傳神經(jīng)網(wǎng)路顏色恒常感知計(jì)算模型進(jìn)行評(píng)價(jià),將其與4種經(jīng)典算法進(jìn)行對(duì)比.

由10名測(cè)試者對(duì)單個(gè)測(cè)試圖像的5幅處理圖像(5種不同算法)進(jìn)行比較,每一幅圖像最終的分?jǐn)?shù)由10名觀察者的評(píng)分求平均值得到,得分結(jié)果如圖9所示.

圖7 訓(xùn)練結(jié)果圖

圖8 仿真結(jié)果

圖9 主觀評(píng)價(jià)結(jié)果

從主觀評(píng)價(jià)結(jié)果的數(shù)據(jù)圖表可以看出,對(duì)于記憶色的表現(xiàn),遺傳神經(jīng)網(wǎng)絡(luò)算法精確度較高,對(duì)于不同種類的圖像均有較好的效果,具有良好的普適性.

圖10僅展示了部分測(cè)試圖像,選取的是各類場(chǎng)景具有代表性的圖像經(jīng)過(guò)幾種顏色恒常性計(jì)算方法得到的校正對(duì)比圖.從本文示例的幾幅效果圖可以看出,優(yōu)化后的遺傳神經(jīng)網(wǎng)絡(luò)算法對(duì)藍(lán)天、綠地、膚色等不同類型的圖像均有較好的處理效果,能去除這些圖像的光照影響,將其恢復(fù)到白光下的顏色表現(xiàn).

圖10 部分校正圖像對(duì)比圖

3.4 客觀評(píng)價(jià)

本文在綜合了Banard與Finlayso創(chuàng)建的針對(duì)顏色恒常算法的兩種評(píng)價(jià)體系后,采納角度誤差和色度誤差在整個(gè)實(shí)驗(yàn)集上的均值作為評(píng)定標(biāo)準(zhǔn)來(lái)客觀判斷算法的有效性.

本文選用的數(shù)據(jù)庫(kù)每幅圖像的真實(shí)光照條件均已知,于是可以直接用公式來(lái)計(jì)算估計(jì)光照值與真實(shí)光照之間的角度誤差和色度誤差.角度誤差和色度誤差越小算法效果更好.

在計(jì)算誤差角度時(shí),由公式(8)求得估計(jì)光源ee和真實(shí)光源el之間的夾角ε,即角度誤差.

最后,對(duì)于所有測(cè)試圖像求取平均角度誤差作為算法性能比較說(shuō)明的指標(biāo),處理結(jié)果如表1所示.

公式(9)表明,色度誤差Ed的計(jì)算采用的是計(jì)算兩個(gè)光照色度之間的歐氏距離的方式.其中,已知真實(shí)光照色度值為ca=(ra,ga),通過(guò)算法校正后計(jì)算得到的光照色度值為ce=(re,ge).

最終確定色度誤差值與角度誤差方式相似,仍是對(duì)多幅圖像的色度誤差求平均值.色度誤差計(jì)算結(jié)果如表2所示.

表1 角度誤差計(jì)算結(jié)果

表2 色度誤差計(jì)算結(jié)果

從角度誤差和色度誤差兩個(gè)表格中的數(shù)據(jù)可以看出,對(duì)于整個(gè)數(shù)據(jù)庫(kù)的圖像而言,本文的算法無(wú)論是從角度誤差還是色度誤差來(lái)看,都低于其他的算法結(jié)果值,表現(xiàn)結(jié)果均很優(yōu)異.以上客觀指標(biāo)說(shuō)明了本文的方法對(duì)于顏色恒常性處理可以取得較好的結(jié)果.

整體來(lái)看,從算法精度考慮不同類別圖像的光源顏色能被很好的去除,實(shí)現(xiàn)機(jī)器視覺(jué)的顏色恒常;從算法的運(yùn)行時(shí)間方面來(lái)說(shuō),前期訓(xùn)練時(shí)間雖然由于數(shù)據(jù)樣本量過(guò)大導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng),但是仿真時(shí)間短,一旦網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練好之后,調(diào)用時(shí)間非?？?對(duì)于同樣大小的圖像,算法耗費(fèi)時(shí)間基本一致,效率不相上下.

4 結(jié)論

針對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)顏色恒常計(jì)算的自身弊端,本文提出了基于心理物理實(shí)驗(yàn)和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)顏色恒常感知計(jì)算模型.利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的閾值及權(quán)值,提高了算法的精確性及計(jì)算效率,設(shè)計(jì)了基于類別界定法的心理物理實(shí)驗(yàn),得到的近于人眼感知樣本集作為遺傳神經(jīng)網(wǎng)絡(luò)輸入和輸出的訓(xùn)練圖像.通過(guò)主客觀分析評(píng)價(jià),本文中的遺傳神經(jīng)網(wǎng)絡(luò)顏色恒常計(jì)算模型在顏色校正方面存在良好的有效性.