﻿ 基于遗传神经网络的颜色恒常感知计算模型
 计算机系统应用  2018, Vol. 27 Issue (8): 1-9 PDF

1. 武汉大学 印刷与包装系, 武汉 430079;
2. 北京五八钱柜技术有限公司, 北京 100020

Computing Model of Color Constancy Perception Based on Genetic Neural Network
FAN Pei1, ZHANG Xia1, XU Shi-Hui2
1. Department of Printing and Packaging, Wuhan University, Wuhan 430079, China;
2. Beijing 58 Till Technology Co. Ltd., Beijing 100020, China
Foundation item: National Natural Science Foundation of China (61505149)
Abstract: In the field of machine vision, color constancy is an important factor in achieving computer vision color correction and maintaining the machine stability to color recognition. By means of the psychophysics, the model gains the color perception data obtained by the human eyes perception, and puts it into the neural network for sample training, then optimizes the connection weights and thresholds of the BP neural network using the genetic algorithm. The color constant perception model is applied to the image color correction, and the correction results are evaluated in terms of the subjective and objective measures, the results show that the established algorithm has high precision and better efficiency, low complexity and less error than the classical algorithm, the color representation of images is more consistent with human perception.
Key words: color constancy     psychophysics     BP neural network     genetic algorithm

1 心理物理实验方法

2 基于遗传算法的BP神经网络优化 2.1 BP神经网络

BP神经网络是采用误差逆向传播算法的多层前馈网络, 具有三层或三层以上的多层结构. BP神经网络训练是在有监督的条件下进行的, 当学习模式被提供给网络系统之后, 神经元的激活值经过各个隐含层, 从输入层向输出层传播, 然后每个输出层的神经元对对应的输入模式做出响应并计算误差, 再逐层逆向返回到输入层, 逐层返回的过程中修正连接权值, 以减小误差. 伴随着这种训练方式的不断进行, 整个网络对输入到输出响应的正确率也逐步提高.

 $\Delta Er = \sqrt {\sum\nolimits_{i = 1}^n {{{\left( {Oex - Oca} \right)}^2}} }$ (1)

 $g\left( x \right) = \frac{1}{{1 + {e^{ - x}}}}$ (2)

2.2 遗传算法

(1) 设置遗传算法的编码方式、遗传操作、适应度函数及迭代终止条件等; 依照BP神经网络网络结构编码出与之相对应的遗传算法个体, 并且依据随机的方式得到原始种群.

(2) 输入训练样本, 通过适应度计算对所有的染色体进行评估.

(3) 选择操作、交叉操作、变异操作.

(4) 产生新的种群.

(5) 判断新的种群是否达到终止条件, 若没有达到, 重复步骤(2)~(5), 直到达到条件.

(6) 若达到收敛条件, 那么就将此时所得到的最优个体解码并依照对应关系分配给BP神经网络的权值与阈值.

2.3 遗传神经网络算法的实现

2.3.1 对遗传算法自身缺点的改进

 $\left\{ {\begin{array}{*{20}{c}} {{y_1} = a{x_2} + \left( {1 - a} \right){x_1}} \\ {{y_2} = a{x_1} + \left( {1 - a} \right){x_2}} \end{array}} \right.$ (3)

2.3.2 遗传算法对神经网络连接权值和阈值的优化

(1) 定义BP网络的拓扑结构, 这其中包括隐含层个数、各层中所包含的神经元个数以及各个神经元之间的连接方式.

(2) 设置遗传算法的编码方式、遗传操作、适应度函数及迭代终止条件等; 依照(1)定义的神经网络拓扑结构编码出与之相对应的遗传算法个体, 并且依据随机方式得到原始种群.

(3) 输入训练样本, 通过适应度计算对所有的染色体进行评估.

(4) 选择操作、交叉操作、变异操作.

(5) 产生新的种群.

(6) 判断新的种群是否达到终止条件, 若没有达到, 重复步骤(3)~(6), 直到达到条件.

(7) 若达到收敛条件, 那么就将此时所得到的最优个体解码并依照对应关系分配给BP神经网络的权值与阈值.

2.3.3 遗传算法优化BP神经网络算法流程

 图 1 遗传算法优化神经网络建模的具体流程

(1) 对样本数据进行预处理.

(2) 在初始化过程中根据编码将随机生成的初始种群 $P = \{ {x_1},{\rm{ }}{x_2}, \cdots ,{\rm{ }}{x_n}\}$ 分配给神经网络中各节点连接之间的权值与各神经元所具有的阈值. 通过训练得到每个神经网络的误差值, 并依据适应度函数求得个体的适应度值, 误差越小的个体其适应度就越高, 也就是说该个体优于其他个体.

(3) 激活函数设定以及相关适应度函数的选择.

 $Eval\left( x \right) = y\frac{1}{{\sum\nolimits_{i = 1}^n {{e_i}} }}$ (4)

(4) 自适应控制的概率修正.

 $P_c^{new} = P_c^{old} - {e^{\left( { - 1 + \frac{t}{{1.5G}}} \right)}}$ (5)
 $P_{\rm{m}}^{new} = P_c^{old} - {e^{\left( { - 1 + \frac{t}{{1.5G}}} \right)}}$ (6)

(5) 将通过遗传算法进化计算得到的最佳初始权值与阈值用来构建BP神经网络; 当计算进化到一定水平以后或者网络误差满足了特定的标准时, 遗传算法停止迭代, 将获取的最优权值及阈值传递给神经网络.

(6) 遗传神经网络误差值的定义.

 $\Delta {E_{chr}} = \sqrt {{{\left( {{r_o} - {r_g}} \right)}^2} + {{\left( {{g_o} - {g_g}} \right)}^2} + {{\left( {{b_o} - {b_g}} \right)}^2}}$ (7)
3 颜色恒常实验结果与分析 3.1 颜色恒常感知建模样本的获取

 图 2 随机排序的五幅实验图像

 图 3 切分图像显示方式

 图 4 颜色恒常模型输入输出图像

3.2 优化前后神经网络的仿真实验对比评价

 图 5 优化前与优化后的神经网络算法误差对比图

 图 6 BP神经网络和优化后遗传神经网络的迭代数据对比图

3.3 主观评价

 图 7 训练结果图

 图 8 仿真结果

 图 9 主观评价结果

 图 10 部分校正图像对比图

3.4 客观评价

 $\begin{split}\varepsilon & = {\cos ^{ - 1}}\frac{{\left[ {{e_e},{e_l}} \right]}}{{\left\| {{e_e}} \right\|\left\| {{e_l}} \right\|}}\\& = \frac{{{R_e} \cdot {R_l} + {G_e} \cdot {G_l} + {B_e} \cdot {B_l}}}{{\sqrt {{R_e}^2 + {G_e}^2 + {B_e}^2} \cdot \sqrt {{R_l}^2 + {G_l}^2 + {B_l}^2} }}\end{split}$ (8)

 ${E_d} = \sqrt {{{\left( {{r_a} - {r_e}} \right)}^2} + {{\left( {{g_a} - {g_e}} \right)}^2}}$ (9)

4 结论

 [1] 蔡珣. 视频监控中的背景颜色恒常性算法研究[博士学位论文]. 济南: 山东大学, 2007. [2] 陶霖密, 徐光祐. 机器视觉中的颜色问题及应用. 科学通报, 2001, 46(3): 178-190. [3] 姜龙. 基于BP神经网络的颜色恒常性算法[硕士学位论文]. 济南: 山东大学, 2010. [4] Land EH. The retinex theory of color vision. Scientific American, 1977, 237(6): 108-129. DOI:10.1038/scientificamerican1277-108 [5] Buchsbaum G. A spatial processor model for object colour perception. Journal of the Franklin Institute, 1980, 310(1): 1-26. DOI:10.1016/0016-0032(80)90058-7 [6] Finlayson GD, Trezzi E. Shades of gray and colour constancy. Proceedings of the IS&T/SID 12th Color Imaging Conference Scottsdale, AZ, USA. 2004. 37–41. [7] Van De Weijer J, Gevers T, Gijsenij A. Edge-based color constancy. IEEE Transactions on Image Processing, 2007, 16(9): 2207-2214. DOI:10.1109/TIP.2007.901808 [8] Finlayson G, Hordley S. Improving gamut mapping color constancy. IEEE Transactions on Image Processing, 2000, 9(10): 1774-1783. DOI:10.1109/83.869188 [9] Cardei VC, Funt B, Barnard K. Estimating the scene illumination chromaticity by using a neural network. Journal of the Optical Society of America A, 2002, 19(12): 2374-2386. DOI:10.1364/JOSAA.19.002374 [10] Xiong WH, Funt B. Estimating illumination chromaticity via support vector regression. Journal of Imaging Science and Technology, 2006, 50(4): 341-348. DOI:10.2352/J.ImagingSci.Technol.(2006)50:4(341) [11] Faghih MM, Moghaddam ME. Neural gray: A color constancy technique using neural network. Color Research & Application, 2014, 39(6): 571-581. [12] Faghih MM, Moghaddam ME. Neural gray edge: Improving gray edge algorithm using neural network. Proceedings of the 2011 18th IEEE International Conference on Image Processing. Brussels, Belgium. 2011. 1705–1708. [13] Dufort PA, Lumsden CJ. Color categorization and color constancy in a neural network model of V4. Biological Cybernetics, 1991, 65(4): 293-303. DOI:10.1007/BF00206226 [14] Stanikūnas R, Vaitkevičius H. Neural network for color constancy. Informatica, 2000, 11(2): 219-232. [15] 乐国安. " 心理物理学”的发展和现状评述. 心理学报, 1983, 15(1): 1-8. [16] 吕玮阁. 基于色貌的感知对比度评价方法及建模研究[博士学位论文]. 杭州: 浙江大学, 2012. [17] Cardei VC, Funt B, Barnard K. Adaptive illuminant estimation using neural networks. Niklasson L, Bodén M, Ziemke T. ICANN 98. London, UK: Springer, 1998. 749–754. [18] Ciurea F, Funt B. A large image database for color constancy research. Proceedings of the 11th Color and Imaging Conference. Scottsdale, AZ, USA. 2003. 160–164. [19] Janikow CZ, Michalewicz Z. An experimental comparison of binary and floating point representations in genetic algorithms. Proceedings of 4th ICGA. San Diego, CA, USA. 1991. 31–36. [20] 李伟超, 宋大猛, 陈斌. 基于遗传算法的人工神经网络. 计算机工程与设计, 2006, 27(2): 316-318. [21] 李晔. 基于一种改进遗传算法的神经网络[硕士学位论文]. 太原: 太原理工大学, 2007. [22] 朱文龙. 基于遗传算法的BP神经网络在多目标优化中的应用研究[硕士学位论文]. 哈尔滨: 哈尔滨理工大学, 2009. [23] Barnard K, Martin L, Funt B, et al. A data set for color research. Color Research & Application, 2002, 27(3): 147–151. [24] Bartleson CJ, Grum F. Optical radiation measurements: A treatise. Visual Measurements. New York, NY, USA: Academic Press, 1984.