CN103383743B - 一种色度空间变换方法 - Google Patents

Abstract

本发明提出了一种色度空间变换方法。所述方法利用RPSO算法来修正BP神经网络的权值和阈值，提高了神经网络的学***均转化精度和转化速度。

Description

一种色度空间变换方法

技术领域

本发明属于图像处理技术领域，涉及一种色度空间变换方法。

背景技术

RGB（红绿蓝）是依据人眼识别的颜色定义出的空间，可表示大部分颜色。但在科学研究一般不采用RGB颜色空间，因为它的细节难以进行数字化的调整。它将色调、亮度、饱和度三个量放在一起表示，很难分开。

Lab颜色空间用于计算机色调调整和彩色校正，它独立于设备的彩色模型实现，具有色彩均匀性的特点。Lab色彩空间取坐标Lab，其中L代表亮度；a的正数代表红色，负端代表绿色；b的正数代表黄色，负端代表蓝色。

但传统色度变换方法存在一个共同缺点，即每变换一个色样都要经过大量的数学计算，所以变换速度慢。因此有必要研究一种适合于当前图像信息快速显示特点的色度变换方法。

近些年来，BP神经网络在很多领域得到了广泛应用。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，它的学***方和最小，从而到达预期学习的目的。这种方法训练速度慢，在学习的过程中会出现“锯齿现象”。初始权值和阈值选择不当会导致神经网络可靠性低，泛化能力差，然而BP神经网络的初始权值和阈值选取大多依赖于经验。

PSO（粒子群）算法是对鸟群捕食活动的一种模拟，粒子根据全局最优粒子来移动自身位置进行搜索，它的多点搜索方式使其具有全局搜索能力，通过PSO算法可修正BP神经网络权值和阈值，提高神经网络的学习能力和搜索速度，增强了BP神经网络的泛化能力。然而当某一粒子连续多次被选为全局最优粒子时，整个群体粒子就会快速收敛于该最优粒子，有可能陷入局部最优。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种色度空间变换方法。所述方法将与设备相关的RGB色度空间，转化为与设备无关的Lab色度空间,实现了颜色信息的标准化显示。

为解决上述技术问题，本发明采用的技术方案是：一种色度空间变换方法，包括步骤如下：

步骤A：使用训练样本对BP神经网络进行训练，具体步骤是：

步骤A-1，确定BP神经网络结构：所述BP神经网络包括3个输入节点、3个输出节点和5个隐含层节点；

步骤A-2，以红、绿、蓝为坐标系建立RGB三维色彩空间，将RGB颜色空间值转化为Lab颜色空间值，构造训练样本；

步骤A-3，采用步骤A-2所述的训练样本，将RGB颜色空间值作为BP神经网络的输入值，将Lab颜色空间值作为BP神经网络的输出值，设定最大迭代次数和网络训练允许误差，使用改进的粒子群算法训练BP神经网络的权值和阈值；所述改进的粒子群算法，其具体步骤如下：

步骤A-31，初始化粒子群，其中具有N个粒子；

步骤A-32，设立一个密度计数器，所述密度计数器为具有2N个元素的计数器数组，用于记录2N个区间内粒子出现次数；粒子运动时，若粒子出现在某区域内，则将该区域的密度计数器加1；

步骤A-33，把各个粒子带入BP神经网络传播过程，计算每个粒子的个体极值即适应度值，获取当前的全局最优极值和各粒子的最优个体极值：

步骤A-34，设定阈值，统计某一粒子连续多次被选为全局最优粒子的次数，判断所述次数是否达到设定阈值；如果没有达到设定阈值，转入步骤A-36；如果达到设定阈值，转入步骤A-35；

步骤A-35，将步骤A-34所述粒子位置标记，并将该粒子重新投放到密度计数器值最小的区域中；

步骤A-36，判断是否达到最大迭代次数，或者是否达到网络训练误差；

如果达到最大迭代次数，或者达到网络训练误差，则训练完成，全局最优粒子对应的神经网络权值和阈值与连接结构，即为神经网络的训练问题最优解；

否则，转到步骤A-37；

步骤A-37，调整粒子群中粒子的移动速度和位置，返回执行步骤A-33；

步骤B：使用步骤A训练完成的神经网络进行色彩空间转换，具体过程是：将任意RGB颜色空间值分别送入3个输入节点，通过神经网络在3个输出节点得到转换后的Lab颜色值。

有益效果：本发明提出了一种色度空间变换方法。所述方法利用RPSO算法来修正BP神经网络的权值和阈值，提高了神经网络的学***均转化精度和转化速度。

附图说明

图1神经网络训练流程图

图2BP神经网络结构图

图3改进的RPSO-BP神经网络算法工作流程图

具体实施方式

下面结合附图，详细描述本发明所述的一种色度空间变换方法。本实施例的运行平台为WindowsXP，使用VisualC++6.0开发环境，图形库使用OpenCV。

步骤一：使用一定数量的训练样本对神经网络进行训练，神经网络训练流程如图1所示。具体为：（1）确定神经网络结构，其拓扑结构如图2所示：BP神经网络采用3-5-3结构。该发明使用的BP神经网络具有3个输入节点（分别对应RGB颜色分量）、3个输出节点（分别对应Lab分量）以及具有5个节点的单隐层结构,（2）选取训练样本：将RGB颜色空间均匀分布10*10*10小立方空间，总计取得1000个样本。并从1000个样本中挑选出具有代表性的400个作为神经网络训练样本。（3）将RGB颜色空间值作为神经网络的输入值，将RGB颜色空间值通过CIE1976LAB色差公式转化为Lab颜色空间值，记为Lab，并将该值作为神经网络的输出值。(4)训练神经网络，设置最大训练迭代次数在300，网络训练允许误差设为0.03。使用改进的RPSO算法训练神经网络的权值和阈值；（5）判断是否达到最大迭代次数300，或者网络训练允许误差达到0.03。如果达到跳转到步骤（6）如果没有达到跳转到第（4）步，继续训练；（6）网络训练完成，全局最优粒子对应的神经网络权值和阈值，即为神经网络的训练问题最优解。

步骤二：使用所述步骤一训练完成的神经网络进行色彩空间转换，具体为：将任意RGB颜色值分别送入3个输入节点，通过神经网络计算后，即可在3个输出节点得到转换后的Lab颜色值。

如步骤（4）所述，本发明提出了一种基于改进的粒子群算法，命名为RPSO（Re-assignedPSO），当某粒子陷入局部最优时，将该粒子投放到尚未探索的区域，从而有效避免了PSO算法陷入局部最优。将RPSO算法与步骤一所述神经网络相结合，RPSO算法的全局最优粒子对应的神经网络权值和阈值与连接结构，即为神经网络的训练问题最优解，改进的RPSO-BP神经网络算法工作流程如图3所示，具体步骤为：

步骤A：初始化粒子群；包括初始化粒子速度和粒子位置；粒子个数N；C₁、C₂加速度常数；ω惯性权重值；速度范围/V_min、V_max/，V_min为粒子运动最小速度、V_max为粒子运动最大速度。

粒子数过少，无法达到全局搜索的目的；粒子数过多，提高了时间复杂度。综合考虑本发明选取20个粒子。C₁、C₂加速度常数设为2；ω为惯性权重，其作用是有效控制粒子群算法的收殓和探索能力，本发明采用线性递减惯性权重方法，如公式4所示，ω_max设为0.9，ω_min设为0.4。

$\mathrm{\ω}={\mathrm{\ω}}_{\max }-\frac{t^{*}({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })}{t_{\max }}---\left(4\right)$

t为当前迭代次数，t_max为最大迭代次数，ω_max为最大惯性权重，ω_min为最小惯性权重。

速度更新应该设定在一个范围内，即/V_min、V_max/。若V_id>V_max,则V_id=V_max；若V_id<V_min,则V_id=V_min。

步骤B：将定义域分为40个区间。设立一个密度计数器，为具有40个元素的计数器数组，用于记录40个区间内粒子出现次数。粒子运动时，若粒子出现在某区域内，则将该区域的密度计数器加1。

步骤C：把各个粒子带入BP神经网络传播过程，根据公式1计算每个粒子的个体极值（适应度值），获取当前的全局最优极值P_gd和各粒子的最优个体极值P_id。单个粒子的当前个体极值T_n与历史最优值极值P_id比较，如果T_n优于P_id，则P_id=T_n；否则不变。比较所有粒子的个体极值，获取全局最优极值P_gd。

$T_i=\underset{j}{\mathrm{\&Sigma;}}{(Y_{i,j}-y_{i,j})}^2$

$T_n=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{T}_i---\left(1\right)$

m为样本数，n为粒子的个数；Y_i,j为第i个样本在第j个粒子的位置所确定的网络权值下的理想输出值；y_i,j为第i个样本在第j个粒子的位置所确定的网络权值下的实际输出值

m为样本数，n为粒子的个数；Y_i,j为第i个样本在第j个粒子的位置所确定的网络权值下的理想输出值；y_i,j为第i个样本在第j个粒子的位置所确定的网络权值下的实际输出值

步骤D：设定阈值σ=5，当某一粒子连续多次被选为全局最优粒子时，判断是否达到该阈值。如果没有转入步骤F。如果达到该阈值，转入步骤E。

步骤E：将该粒子位置标记，并将该粒子重新投放到密度计数器值最小的区域中。

步骤F：判断是否达到最大迭代次数300，或者达到训练允许误差0.03。如果达到转到步骤H；如果没有达到，则转到步骤J；

步骤J：根据粒子群算法中速度调整公式2调整粒子移动速度，根据公式3更新粒子群中粒子的位置，整个粒子群粒子位置更新好以后，转入步骤C。

设n个粒子在D维搜索空间中以一定速度飞行，t表示迭代次数，则速度公式定义为：

$V_{\mathrm{id}}(t+1)={\mathrm{\&omega;V}}_{\mathrm{id}}\left(t\right)+C_1{r}_1(p_{\mathrm{id}}-x_{\mathrm{id}})+C_2{r}_2(p_{\mathrm{gd}}-x_{\mathrm{id}})---\left(2\right)$

$x_{\mathrm{id}}(t+1)=x_{\mathrm{id}}\left(t\right)+V_{\mathrm{id}}(t+1)---\left(3\right)$

V_id为第i个粒子在第d维中的速度；x_id为第i个粒子在第d维中的位置；ω为惯性权重；C₁、C₂为加速常数，r₁、r₂为加速常数；p_id为第i个粒子在第d维的个体最优值；p_gd为整个粒子群在第d维的全局最优值。

步骤H：训练完成，全局最优粒子对应的神经网络权值和阈值与连接结构，即为神经网络的训练问题最优解。

本发明提出一种色度空间变换方法，通过该网络将RGB色度空间值进行Lab色度空间值转换。RGB颜色分量对应BP神经网络的三个输入值，Lab值对应BP神经网络的三个输出值。使用RPSO算法确定神经网络的权值和阈值，并且对粒子群算法进行改进。提出一种改进的粒子群算法，解决传统粒子群算法易陷入局部最优的缺点。将任意颜色样本通过训练好的BP神经网络，实现色度空间变换功能。其工作过程如下：选取训练样本；构造神经网络结构，确定神经网络的层数和节点数；将RGB值作为神经网络的输入样本值，RGB经CIE1976Lab色差公式转化为Lab颜色空间值，并将该值作为神经网络输出值；对神经网络进行训练，通过改进的RPSO算法确定神经网络的权值和阈值；经过一定时间训练后得到训练网络，将任意样本经过该网络输出，实现色度空间变换功能。可见该方法对色度空间转换速度有很大的提高，并能达到一定的测试精度。

Claims (1)

1.一种色度空间变换方法，其特征在于，包括步骤如下：

步骤A：使用训练样本对BP神经网络进行训练，具体步骤是：

步骤A-1，确定BP神经网络结构：所述BP神经网络包括3个输入节点、3个输出节点和5个隐含层节点；

步骤A-2，以红、绿、蓝为坐标系建立RGB三维色彩空间，将RGB颜色空间值转化为Lab颜色空间值，构造训练样本；

步骤A-3，采用步骤A-2所述的训练样本，将RGB颜色空间值作为BP神经网络的输入值，将Lab颜色空间值作为BP神经网络的输出值，设定最大迭代次数和网络训练允许误差，使用改进的粒子群算法训练BP神经网络的权值和阈值；所述改进的粒子群算法，其具体步骤如下：

步骤A-31，初始化粒子群，其中具有N个粒子；

步骤A-32，设立一个密度计数器，所述密度计数器为具有2N个元素的计数器数组，用于记录2N个区间内粒子出现次数；粒子运动时，若粒子出现在某区域内，则将该区域的密度计数器加1；

步骤A-33，把各个粒子带入BP神经网络传播过程，计算每个粒子的个体极值即适应度值，获取当前的全局最优极值和各粒子的最优个体极值：

步骤A-34，设定阈值，统计某一粒子连续多次被选为全局最优粒子的次数，判断所述次数是否达到设定阈值；如果没有达到设定阈值，转入步骤A-36；如果达到设定阈值，转入步骤A-35；

步骤A-35，将步骤A-34所述粒子位置标记，并将该粒子重新投放到密度计数器值最小的区域中；

步骤A-36，判断是否达到最大迭代次数，或者是否达到网络训练误差；

如果达到最大迭代次数，或者达到网络训练误差，则训练完成，全局最优粒子对应的神经网络权值和阈值与连接结构，即为神经网络的训练问题最优解；

否则，转到步骤A-37；

步骤A-37，调整粒子群中粒子的移动速度和位置，返回执行步骤A-33；

步骤B：使用步骤A训练完成的神经网络进行色彩空间转换，具体过程是：将任意RGB颜色空间值分别送入3个输入节点，通过神经网络在3个输出节点得到转换后的Lab颜色空间值。