[发明专利]基于BP神经网络的图像几何畸变的快速识别与校正方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种图像处理方法，尤其涉及一种基于BP神经网络的图像几何畸变的快速识别与校正方法。

背景技术

近年来，人工神经网络(ANN)提供了一种新的方法来模拟复杂而又难以定义的问题，ANN已经在智能控制、机器人、模式识别、计算机视觉、生产过程优化和信息处理等多种领域中取得了广泛应用。

现有的图像几何畸变校正的方法过度依赖摄像机的内部参数，并且畸变的方式是由与真实图像同类型的模板畸变图像确定的，所以由此得来的畸变类型总是存在着偏差。

图像几何畸变校正方法一文中，利用特定畸变类型的模板确定畸变关系，这种方法的效果与模板的选取和实际畸变类型与模板的相似度，有很大的局限性。

有鉴于此，如今迫切需要设计一种新的图像处理方法，以便克服现有处理方法存在的上述缺陷。

发明内容

本发明所要解决的技术问题是：提供一种基于BP神经网络的图像几何畸变的快速识别与校正方法，可提高图像处理的精确度。

为解决上述技术问题，本发明采用如下技术方案：

一种基于BP神经网络的图像几何畸变的快速识别与校正方法，通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系，以权值的形式保存在神经网络中，然后构建与原图大小相同的恢复图像，并把恢复图像中的坐标点作为神经网络的输入，得到畸变后的输出，并在畸变图像中利用双线性插值法确定像素值；所述方法具体包括如下步骤：

S1、搭建三层BP神经网络，其中输入层有2个神经元，隐藏层有45个神经元，输出层有2个神经元；

S2、输入层与隐藏层之间利用sigmoid函数作为激活函数，即

f(y)＝1/(1+exp(-1*x))；

其中，f(y)是隐藏层的输出，x是输入与权值之间的向量积；隐藏层与输出层之间利用pureline函数作为激活函数，即隐藏层输出与隐藏层与输出层之间的向量积既是最终的输出；

S3、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本，控制点的选取是通过matlab的内部函数cpselect进行逐点选取的；

S4、利用训练样本训练神经网络，当迭代次数达到预设值或者误差值小于给定阈值时，停止训练，并把此时神经网络的权值保存到txt文本中；

S5、构造一个与原图像大小相同的恢复图像，把恢复图像中任一点的坐标(x，y)作为神经网络的输入，得到的输出点(xd，yd)在畸变图像中利用双线性插值法确定其像素值，也即为恢复图像中该点的像素值；

S6、对恢复图像中的每一个点都进行步骤S5的操作。

一种基于BP神经网络的图像几何畸变的快速识别与校正方法，通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系，以权值的形式保存在神经网络中，然后构建与原图大小相同的恢复图像，并把恢复图像中的坐标点作为神经网络的输入，得到畸变后的输出，并在畸变图像中利用双线性插值法确定像素值。

作为本发明的一种优选方案，所述方法包括：

步骤一、搭建三层BP神经网络，其中输入层有i个神经元，隐藏层有j个神经元，输出层有k个神经元；

步骤二、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本；

步骤三、利用训练样本训练神经网络，当迭代次数达到预设值或者误差值小于给定阈值时，停止训练，并把此时神经网络的权值保存到txt文本中；

步骤四、构造一个与原图像大小相同的恢复图像，把恢复图像中任一点的坐标(x，y)作为神经网络的输入，得到的输出点(xd，yd)在畸变图像中利用双线性插值法确定其像素值，也即为恢复图像中该点的像素值；

步骤五、对恢复图像中的每一个点都进行步骤四的操作。

作为本发明的一种优选方案，所述步骤一中，i＝2，j＝45，k＝2。

作为本发明的一种优选方案，所述方法具体包括如下步骤：

S1、搭建三层BP神经网络，其中输入层有i个神经元，隐藏层有j个神经元，输出层有k个神经元；

S2、输入层与隐藏层之间利用sigmoid函数作为激活函数，即

f(y)＝1/(1+exp(-1*x))；

其中，f(y)是隐藏层的输出，x是输入与权值之间的向量积；隐藏层与输出层之间利用pureline函数作为激活函数，即隐藏层输出与隐藏层与输出层之间的向量积既是最终的输出；