[发明专利]一种大视场显示设备的畸变校正方法

说明书

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。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。

技术领域

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

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

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。

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：

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；

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；

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；

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。

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。

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：

其中t_i为规格化处理后的样本数据，p_i为图像X轴或Y轴的坐标，p_max为图像坐标的最大值，i＝1,2,…N。

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—位置搜索模型，速度v_i＝(v_i1,v_i2,…,v_iD)表示粒子在搜索空间单位迭代次数的位移，向量x_i＝(x_i1,x_i2...,x_iD)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x_i＝(x_i1,x_i2...,x_iD)是1个潜在解，将x_i代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p_i和全局极值p_g来更新其速度和位置。

所述的速度—位置搜索模型为：