第３３卷第５期 ２０１６年５月 计算机应用与软件 Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｖ０１．３３ Ｎｏ．５ Ｍａｖ ２０１６ 董蕊 。王志巍 刘淑娟 张有会 （河北师范大学数学与信息科学学院河北石家庄０５００２４） （河北省计算数学与应用重点实验室（河北交通职业技术学院河北石家庄０５００２４） 河北石家庄０５００９１） 摘要 针对雾天条件下图像的对比度及色彩的饱和度等不同程度的退化现象，提出一种简单可行的单幅图像去雾算法。首先， 部分比例最高的亮度参数，自适应地确定大气光线强度；最后利用所得数据结合雾天图像物理模型作去雾处理。实验结果表明，该 算法能够有效地、自适应地判定天空范围，清晰地恢复原始图像细节，使去雾后的图像更逼近原始色彩。 关键词 中图分类号图像处理统计直方图 天空范围判定 后谷查找法文献标识码Ａ ＴＰ３９１．４１ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－３８６ｘ．２０１６．０５．０４９ ＳＩＮＧＬＥ ＩＭＡＧＥ ＤＥＦｏＧＧＩＮＧ ＡＬＧｏＲＩＴＨＭ ＢＡＳＥＤ ｏＮ ＳＴＡＴＩＳＴＩＣＡＬ ＨＩＳＴｏＧＲＡＭ Ｄｏｎｇ Ｒｕｉ ’。Ｗａｎｇ Ｚｈｉｗｅｉ ＇ Ｌｉｕ Ｓｈ￣ｕａｎ ＇ Ｚｈａｎｇ Ｙｏｕｈｕｉ ， Ｚｈａｏ Ｙｅ ， （Ｓｃｈｏｏｌ ｏｆＭａｔｈｅｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ＆ ｅ ，Ｈｅｂｅｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｉｊｉａｚｈｕａｎｇ ０５００２４，Ｈｅｂｅｉ，Ｃｈｉｎａ） （ＨｅｂｅｉＫｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆＣｏｍｐｕｔａｔｉｏｎａｌＭａｔｈｅｍａｔｉｃｓ ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，Ｓｈｉｊｉａｚｈｕａｎｇ ０５００２４，Ｈｅｂｅｉ，Ｃｈｉａ） ｎ（Ｈｅｂｅｉ Ｊｉａｏｔｏｎｇ Ｖｏｃａｔｉｏｎａｌ ａｎｄ Ｔｅｃｈｎｉｃａｌ Ｃｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａｎｇ ０５００９１，Ｈｅｂｅｉ，Ｃｈｉａ） ｎＡｂｓｔｒａｃｔ Ｕｎｄｅｒ ｆｏｇｇｙ ｃｏｎｄｉｔｉｏｎｓ，ｂｏｔｈ ｔｈｅ ｃｏｎｔｒａｓｔ ａｎｄ ｃｏｌｏｕｒ ｓａｔｕｒａｔｉｏｎ ｏｆ ａｎ ｉｍａｇｅ ｗｉｌｌ ｂｅ ｄｅｇｒａｄｅｄ．Ｔｏ ａｄｄｒｅｓｓ ｔｈｉｓ ｉｓｓｕｅ，ｗｅ ｐｒｏｐｏｓｅｄ ａ ｓｉｍｐｌｅ ｂｕｔ ｆｅａｓｉｂｌｅ ｄｅｆｏｇｇｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｓｉｎｇｌｅ ｉｍａｇｅ．Ｆｉｒｓｔ，ｗｅ ｍａｄｅ ｓｔａｔｉｓｔｉｃａｌ ｈｉｓｔｏｇｒａｍ ａｎａｌｙｓｉｓ ｏｎ ｄａｒｋ ｃｈａｎｎｅｌ ｏｆ ｔｈｅ ｉｍａｇｅ ｗｉｔｈ ｆｏｇ．Ｓｅｃｏｎｄｌｙ ｗｅ ｓｃｏｐｅｄ ｔｈｅ ｒａｎｇｅ ｏｆ ｔｈｅ ｓｋｙ ｅｆｆｅｃｔｉｖｅｌｙ ｉｎ ｃｏｍｂｉｎａｔｉｏｎ ｗｉｔｈ ｌａｓｔ ｖａｌｌｅｙ ｓｅａｒｃｈ ｍｅｔｈｏｄ ａｎｄ ｌａｓｔ ｐｅａｋ ｓｅａｒｃｈ ｍｅｔｈｏｄ； Ｔｈｅｎ，ｗｅ ａｄａｐｔｉｖｅｌｙ ｄｅｔｅｒｍｉｎｅｄ ｔｈｅ ｉｎｔｅｎｓｉｔｙ ｏｆ ａｔｍｏｓｐｈｅｒｉｃ ｌｉｇｈｔ ｂｙ ｅｍｐｌｏｙｉｎｇ ｏｎｃｅ ａｇａｉｎ ｔｈｅ ｂｒｉｇｈｔｎｅｓｓ ｐａｒａｍｅｔｅｒ ｗｈｉｃｈ ｗａｓ ｔｈｅ ｈｉｇｈｅｓｔ ｐｒｏｐｏｒｔｉｏｎ ｏｆ ｔｈｅ ｓｋｙ ｉｎ ｓｔａｔｉｓｔｉｃａｌ ｈｉｓｔｏｇｒａｍ．Ｆｉｎａｌｌｙ，ｗｅ ｃａｒｒｉｅｄ ｏｕｔ ｄｅｆｏｇｇｉｎｇ ｐｒｏｃｅｓｓｉｎｇ ｗｉｔｈ ｔｈｅ ｄｅｒｉｖｅｄ ｄａｔａ ａｎｄ ｃｏｍｂｉｎｉｎｇ ｔｈｅ ｐｈｙｓｉｃａｌ ｍｏｄｅｌ ｏｆ ｆｏｇｇｙ ｄａｙｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｃｏｕｌｄ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｓｃｏｐｅ ｏｆ ｔｈｅ ｓｋｙ ｅｆｆｅｃｔｉｖｅｌｙ ａｎｄ ａｄａｐｔｉｖｅｌｙ，ａｎｄ ｒｅｓｔｏｒｅｄ ｔｈｅ ｄｅｔａｉｌｓ ｏｆ ｏｒｉｇｉｎａｌ ｉｍａｇｅ ｃｌｅａｒｌｙ，ｔｈｕｓ ｍａｄｅ ｔｈｅ ｄｅｆｏｇｇｅｄ ｉｍａｇｅ ｂｅ ｃｌｏｓｅｒ ｔｏ ｏｒｉｇｉｎａｌ ｃｏｌｏｕｒ． Ｋｅｙｗｏｒｄｓ zPＩｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ Ｓｔａｔｉｓｔｉｃａｌ ｈｉｓｔｏｇｒａｍ Ｓｋｙ ｒａｎｇｅｓ ｄｅｔｅｒｍｉｎａｔｉｏｎ Ｌａｓｔ ｖａｌｌｅｙ ｓｅａｒｃｈ ｍｅｔｈｏｄ Ｌａｓｔ ｐｅａｋ ｓｅａｒｃｈ ｍｅｔｈｏｄ ０ 引 言 雾、霾等恶劣天气条件下，室外拍摄的图像会受到空气中的 悬浮颗粒对大气光散射作用的影响被降质。由于图像的色彩饱 zz和度、对比度等特征都不同程度地受到了雾气影响。因此，在准 确提取图像特征、城市快速路视频监测甚至卫星遥感设备使用 等方面难以得到准确的数据。所以，对雾霾图像作清晰化处理 是计算机视觉领域亟待解决的问题。目前，雾天图像清晰化处 理的方法有很多，主要可以分为两个大类：第一类是基于图像增 强的方法，通过对被降质的图像做增强处理来改善图像质量，利 用已有的成熟的图像处理算法增强图像对比度，突出景物特征 和有价值信息；第二类是基于物理模型的方法，通过研究大气悬 的物理成因，反演复原出未降质前的图像。以物理模型为基础 的图像复原算法，针对性强，有些方法利用多个图像或先验信息 来估计景深。例如：从多个相同的场景的图像中，捕捉不同天气 浮颗粒对光的散射作用建立大气散射模型 。Ｊ，了解图像退化 sgiolePf后峰查找法 对带雾图像的暗通道图作统计直方图分析；其次，结合后谷查找法、后峰查找法，有效划定天空区域范围；再次利用统计结果中天空 条件下的场景深度 Ｊ、使用不同的偏振过滤器 、通过几何先 验知识估计场景结构等 ’ 。但在实际应用中提前获取多幅相 同场景图像以及相关的额外信息很困难。为克服这些缺点，单 幅图像去雾算法被广泛关注。Ｔａｎ［９ ３等人采用了对比度最大化 技术，然而这种算法易造成对比度的过度增强近而产生光晕或 伪影。Ｏａｋｌｅｙ等 训假设整幅雾图像深度类似，用所有像素值减 去相同偏移量做去雾处理。算法计算虽然简单，但当场景深度 可变时，不能自适应地去除雾霾。２００９年，Ｈｅ 等人利用暗原 色先验，估算出单幅带雾图像中景物的透射率，结合抠图算法处 理边缘，近乎完美地复原了高质量的图像。但是，在估计大气光 成分Ａ时，是通过随机选出５０００幅图片，手工去除天空的部分 后，再利用暗通道里最亮的像素中的０．１％的像素来确定的，该 方法中并没有给出有效地划定天空区域的方法来合理、有效地 确定大气光线强度。另外，由于大气光线强度的不确定，会产生 收稿日期：２０１４—０８—２４。河北省高等学校科学技术研究项目 （Ｚ２０１３０６１）。董蕊，讲师，主研领域：应用数学与计算机图形图像处理。 王志巍，副教授。刘淑娟，讲师。张有会，教授。赵晔，讲师。 rp赵晔 基于统计直方图的单幅图像去雾算法 第５期 董蕊等：基于统计直方图的单幅图像去雾算法 １９７ 某些去雾处理后的彩色图像失真问题。为此，基于暗原色的先 雾图或城市雾图，作出其直方图。统计结果显示，每幅直方图在 中天空区域的分布范围。为了避免颜色相近的景物影响对天空 雾图像的暗通道图的直方图作统计处理，得到统计直方图；然 后，对统计直方图，利用后谷查找法，自适应地将天空区域与景 物分离；再次，利用后峰查找法，将统计直方图中天空部分灰度 范围的误判，选取带雾图像的暗通道图作为参考，划定天空区 域。直方图中，每个灰度值对应像素所占比例的参差不齐，造成 天空范围统计上的困难，所以作出统计直方图，使峰值与谷值的 位置相对明显。 值最为集中的亮度值即后峰值，估计为带雾图像的大气光强Ａ 对图像作去雾处理。根据大气散射模型，清晰地恢复了原始图 像细节，使去雾后的图像更逼近原始色彩。 定义１统计直方图 取给定图片直方图，确定其灰度范围的最大值￡与最小值 p验知识，提出一种简单可行的单幅图像去雾算法。首先，针对带 靠近灰度远端的位置，都有一个近似偏态分布的凸起指示图像 １相关理论 １．１雾天图像物理模型 大气粒子的散射作用是雾天图像质量下降的主要原因，模 型式（１）被广泛采纳： ，（ ）＝Ｊ（ｘ）ｔ（ｘ）＋Ａ（１一 （ ）） （１） 其中：Ｉ（Ｘ）为带雾图像，Ｊ（ｘ）为待定清晰图像，Ａ大气光线强，ｔ（ ）又被描述为： （ ）＝ｅ ’ （２）e ｔ（ ）∈［０，１］透射率； 其中， 是大气光散射系数，ｆ（ ）随景深变化呈指数衰减。这 里模型（１）中清晰图像．，（ ）被￡（ ）衰减，大气光线强度Ａ由 （１一ｔ（ ））衰减。只有，（ ）已知，而Ｊ（ｘ）、ｔ（ ）和Ａ均未知。lo 所以由式（１）分析，图像去雾问题实质是如何有效确定ｔ（ｘ）和 Ａ，从而得到清晰图像．，（ ）的问题。 １．２暗原色先验 在暗物体 的概念的基础上，Ｈｅ等人提出了暗原色先验 i去雾方法，在图像去雾领域有了突破性的进展，g算法首先统计出 户外图像的一般规律，然后选取合适的滤波窗口确定一个颜色 通道取得灰度极低值，定义为暗原色： 广 （ ）＝ｍｉｎ． （叫 、（．厂（Ｙ））） 其中，，为图像 的第ｃ个颜色通道， （ ）表示以像素 为中 心的块。大量统计实验结果表明，清晰图像中： ｍｉｎ（ｍｉｎ（厂））s（３） ０ （４） 设局部块中，透射率ｔ（P ）为常数，则式（１）可变形得到： ｍｉ ｎ（， （ ）z）＿ｆ（ ）ｍｉｎ（， ，（ ））＋（１－ｆ（ （５） 根据暗原色的定义，式（３）等价为： （ ）＝卜ｍｉｃ 、ｙＥ“（ｎｆ ｍｉｎ 】 Ａ １１ （６） 即：首先，利用环境光线强度Ａ作归一化得到的雾天图像的 暗原色推出透射率ｔ（ｘ）；其次，分块确定每个局部区域的暗原 色值；最后，利用暗原色先验，得到雾霾图像的暗通道图。 ２z天空区域的划定 在雾天场景中，由于受到大气散射作用的影响天空区域会 有较高的灰度。天空部分的灰度并非恒定常值，而是有一定的 变化范围。当天空范围较大时其直方图常会呈现双峰或多峰分 布。沿Ｘ轴逆向观察的第一个峰，称为后峰，认为峰值所在处是 天空灰度最为集中的位置，而围绕这个位置的某个邻域对应天 空区域的灰度变化范围。 ２．１直方图统计分析法确定天空范围 随机选取大量天空区域范围较大的雾霾图像，如：自然风景 ｓ，计算灰度级差 ：r Ｒ＝Ｌ—Ｓ （７） 设数据分组为 ，f组距为： ｈ＝号 （８） 的直方图称为统计直方图。P计算各组灰度均值，将组内各级灰度值用均值替代，所得到 定义２后谷查找法 对灰度统计直方图从右向左扫描，搜索到第一个波谷位置， 记为（Ｖｍｉ （ｉ），ｒ （ｉ）），其中 ｉ （ｉ）为谷值位置灰度级，ｒ ； （ｉ） 为谷点处灰度级的像素点个数。 定义３后峰查找法 对灰度统计直方图从右向左扫描，搜索到第一个波峰位置， 记为（Ｐ （ｉ），ｒ （ｉ）），其中Ｐ （ｉ）为峰值位置灰度级， ｒ…（ｉ）为峰值处灰度级的像素点个数。 结合以上三个定义，可以动态、自适应地划定天空区域范 围，并且进一步自适应地确定大气光线强度参数Ａ。 ２．２算法流程 步骤１利用暗通道图的统计直方图及后谷查找法，取组 距ｈ＝５，作暗原色图的统计直方图，设灰度级差Ｒ ［０，２５５］： ５ Ａ（ ）＝ １∑Ｒ（Ｓｋ＋ ）ｋ＝０，１ ２一，５０ （９） 其中，Ｒ（Ｓｋ＋ｉ）表示灰度值为５ ＋ｉ的像素点个数，ａ（ｋ）表示 每５个灰度级的像素点个数均值，各灰度级像素点个数用其均 值取代，作出灰度统计直方图。 步骤２对统计后的直方图采用后谷查找法，确定后谷数 据，记为（ 。 （ｉ），ｒ （ｉ）），后峰数据，记为（Ｐ （ｉ），ｒ一（ｉ））。 以谷点值位置的灰度值Ｖｍ； （ｉ）为起点，取 ｅ［Ｖｍ （ｉ），田］确 定天空范围。 步骤３在暗通道图中标记出天空区域范围，并在原图像 对应点处标记出天空区域范围。 具体Ｍａｔｌａｂ编写主要程序如下： Ｓｔｅｐｌ读入暗通道图，取组距为５，作出其统计直方图。 ａ＝ｉｍｒｅａｄ（ ．ｂｍｐ，）． ｂ＝ｒｇｂ２ｇｒａｙ（ａａ）； ｃ＝ｉｗｈｉｓｔ（ｂ）； ｆｏｒｉ：１：５：２５５ ｍ＝ｍｅａｎ（ｃ（ｉ：ｉ＋４））； ｃ（ｉ：ｉ＋４）＝Ｉｎ； ｅｎｄ ｐｌｏｔ（ｃ） Ｓｔｅｐ２确定后谷、后峰位置。 ｊ＝ｌ；ｋ＝１ ｆｏｒｉ：８：５：２４８ zzzzPsgiolePfrpzzzPsgiolePfrp第５期 田娜等：基于粗糙集理论的ＰＳＯ．ＩＯＩＦ．Ｅｌｍａｎ神经网络建模 ２５１ 模型的训练误差，很明显新提出模型的误差最小。 图８模型训练误差比较 表１为四种模型的训练误差及收敛时间比较。显然，基于 粗糙集理论的ＰＳＯ—ＩＯＩＦ—Ｅｌｍａｎ的神经网络模型训练误差最小， 达到了０．５９１２，误差减小９．５３％。当归一化均方误差相同并都 设为０．００１时，运用粗糙集理论修正前的ＰＳＯ—ＩＯＩＦ－Ｅｌｍａｎ神经 网络模型运行时间为９．０３ ｓ。基于粗糙集理论的ＰＳＯ—ＩＯＩＦ．Ｅ１． ｍａｌｌ的神经网络模型运行时间为９．２５秒，虽然运行时间稍长， 但模型整体性能最优。 e表１ 四种模型训练误差及收敛时间 模型 训练误差 运行时间（ｓ） l（ＲＭＳＥ＝０．００１） ＢＰ Ｏ．８３４４ １３．９６ oＢＥｌｍａｎ ０．６５３５ １０．４３ ＩＸ３０．ＩＯＩＦ．Ｅｌｍａｎ（粗糙集修正前） ０．６１０４ i９．０３ ＰＳＯ—ＩＯＩＦ—Ｅｌｍａｎ（粗糙集修正前） ０．５９１２ ５ 结语 g９．２５ 本文在Ｅｌｍａｎ神经网络的基础上，对ＯＩsＦ—Ｅｌｍａｎ网络的自 反馈系数引入输入输出电压数据大小的影响。通过简化ＰＳＯ 算法优化ＩＯＩＦ．Ｅｌｍａｎ网络的权值和阈值，提高粒子的寻优能 力，建立ＰＳＯ．ＩＯＩＦ．Ｅｌｍａｎ功放行为模型，P并对其进行仿真，基于 粗糙知理论对峰值点附近的电压预测值进行修正和补偿。仿真 结果验证了该模型的有效性和可靠性，进而更精确地描述非线 性记忆功放的动态特性，缩短开发周期，对实际设计有很大的 帮助。 z［１］Ｌｅｅz参考文献 Ｃ，Ｐａｒｋ Ｊ，Ｐａｒｋ Ｃ．Ｘ—ｂａｎｄ ＣＭＯＳ ｐｏｗｅｒ ａｍｐｌｉｉｆｅｒ ｕｓｉｎｇ ｍｏｄｅ－ｌｏｃ— ｋｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｓｅｎｓｏｒ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｗａｖｅｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，２６（５～６）：６３３—６４０． ［２］Ｌｅｅ Ｍ Ｗ，Ｋａｍ Ｓ Ｈ，Ｌｅｅ Ｙ Ｓ，ｅｔ ａ１．Ａ ｈｉｇｈｌｙ ｅｉｆｃｉｅｎｔ ｔｈｒｅｅ—ｓｔａｇｅ Ｄｏ－ ｈｅｒｔｙ ｐｏｗｅｒ ａｍｐｌｉｉｆｅｒ ｗｉｔｈ ｆｉａｔ ｇａｉｎ ｏｆｒ ＷＣＤＭＡ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｊｏｕｒ－ ｎａｌ ｏｆ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｗａｖｅｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１０，２４（１７—１８）： ２５３７—２５４５． ［３］张雷，周健义，赵嘉宁，等．一种射频功放记忆效应改善及模型简化 方法［Ｊ］．微波学报，２００９，２５（２）：６５—６８． ［４］Ｄ’Ａｎｄｒｅａ Ａ Ｎ，Ｌｏｔｔｉｅｉ Ｖ．ＲＦ ｐｏｗｅｒ ａｍｐｌｉｉｆｅｒ ｌｉｎｅａｒｉｚａｔｉｏｎ ｔｈ￣．ｇｈ ａｉＲ－ ｐｌｉｔｕｄｅ ａｎｄ ｐｈａｓｅ ｐｒｅｄｉｓｔｏｒｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｍｍｕｎｉｃａ－ ｔｉｏｎｓ，１９９６，４４（１１）：１４７７—１４８４． ［５］Ｍａｓｏｏｄ Ｍ，Ｗｏｏｄ ｊ，Ｓｔａｕｄｉｎｇｅｒ Ｊ，ｅｔ ａ１．Ｂｅｈａｖｉｏｒａｌ ｍｏｄｅｌｉｎｇ ｏｆ ｈｉｇｈ ｐｏｗ— ｅｒ ＲＦ ａｍｐｌｉｉｆｅｒｓ ｕｓｉｎｇ ｐｒｕｎｅｄ Ｖｄｔｅ￣ａ ｓｃｈｅｍｅ ｗｉｔｈ ＩＩＲ ｂａｓｉｓ ｆｕｎｃｔｉｏｎｓ ［ｃ］／／ＩＥＥＥ Ｐｏｗｅｒ Ａｍｐｌｉｉｆｅｒｓ ｆｏｒ Ｗｉｒｅｌｅｓｓ ａｎｄ Ｒａｄｉｏ Ａｐｐｌｉｃａｔｉｏｎｓ （ＰＡＷＲ），２０１２：９７—１００． ［６］任建伟，南敬昌．基于神经网络的射频功放行为模型研究［Ｊ］．计 算机应用研究，２０１１，２８（３）：８４５—８４７．p ［７］黄春晖，温永杰．用记忆型ＢＰ神经网络实现ＨＰＡ预失真的算法研 究［Ｊ］．通信学报，２０１４，３５（１）：１６—２３． ［８］陈庆霆，王成华，朱德伟，等．改进ＢＰ神经网络的功放有记忆行为 模型［Ｊ］．微波学报，２０１２，２８（２）：９０—９３． ［９］Ｌｉｕ Ｔ，Ｂｏｕｍａｉrｚａ Ｓ，Ｇｈａｎｎｏｕｃｈｉ Ｆ Ｍ．Ｄｙｎａｍｉｃ ｂｅｈａｖｉｏｒａｌ ｍｏｄｅｌｉｎｇ ｏｆ ３Ｇ ｐｏｗｅｒ ａｍｐｌｉｉｆｅｒｓ ｕｓｉｎｇ ｒｅａｌ—ｖａｌｕｅｄ ｔｉｍｅ—ｄｅｌａｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓ．Ｍｉｃｒｏｗ．Ｔｈｅｏｒｙ Ｔｅｃｈ，２００４，５２（３）：１０２５—１０３３． ［１Ｏ］杨春．基于神经网络的非线性预测控制算法的研究［Ｄ］．太原理工 大学，［１ １］Ｌｊ Ｗａｎｇ，Ｊｉf２０１２． ｅ Ｓｈａｏ，Ｙａｑｉｎ Ｚｈｏｎｇ，ｅｔ ａ１．Ｍｏｄｅｌｉｎｇ Ｂａｓｅｄ ｏｎ Ｅｌｍａｎ Ｗａｖｅｌｅｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｃｌａｓｓ—Ｄ Ｐｏｗｅｒ Ａｍｐｌｉｉｆｅｒｓ［Ｊ］．Ａｐｐｌｉｅｄ PＭａｔｈｅｍａｔｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０１３，７（６）：２４４５—２４５３． ［１２］陈龙，张可，罗配明．改进的Ｅｌｍａｎ神经网络在ＷＳＮｓ距离预测中 的应用［Ｊ］．传感器与微系统，２０１３，３２（１）：１４９—１５２． ［１３］朱小龙，杨建国，代贵松．基于ＡＶＱ聚类和ＯＩＦ—Ｅｌｍａｎ神经网络的 机床热误差建模［Ｊ］．上海交通大学学报，２０１４，４８（１）：１６—２１． ［１４］吴泽志，傅佳．Ｅｌｍａｎ神经网络改进模型在脑膜炎诊断中的应用 ［Ｊ］．计算机工程与应用，２０１４，５０（３）：２２１—２２６． ［１５］Ｃａｔｌａａｏ Ｊ Ｐ Ｓ，Ｐｏｕｓｉｎｈｏ Ｈ Ｍ Ｉ，Ｍｅｎｄｅｓ Ｖ Ｍ Ｆ．Ｈｙｂｒｉｄ ｗａｖｅｌｅｔ—ＰＳＯ· ＡＮＦＩＳ ａｐｐｒｏａｃｈ ｆｏｒ ｓｈｏｒｔ ｔｅｒｍ ｅｌｅｃｔｉｒｃｉｔｙ ｐｒｉｃｅｓ ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ，２０１１，２６（１）：１３７—１４４． ［１６］尹东阳，盛义发，蒋明浩，等．基于粗糙集理论－主成分分析的Ｅｌ— ｍａｎ神经网络短期风速预测［Ｊ］．电力系统保护与控制，２０１４，４２ （１１）：４６—５１． ［１７］Ｙｕａｎ Ｘ Ｈ，Ｆｅｎｇ Ｑ Ｙ，Ｚｈｏｕ Ｌ Ｃ．ＲＦ ｐｏｗｅｒ ａｍｐｌｉｉｆｅｒｓ ｂｅｈａｖｉｏｒａｌ ｍａｄ－ ｃｌｉｎｇ ｂａｓｅｄ ｏｎ ｅｘｔｅｎｄｅｄ ｎｅｕｒｌａ ｎｅｔｗｏｒｋ ｗｉｈｔ ａｄｄｉｔｉｏｎａｌ ｄｙｎａｍｉｃ ｆｕｚｚｙ ｗｅｉｇｈｔｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｗａｖｅｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１３， ２７（１３）：１６９４—１７０１． ［１８］赵志刚，张振文，张福刚．自适应扩展的简化粒子群优化算法［Ｊ］． 计算机工程与应用，２０１１，４７（１８）：４５—４７． （上接第１９９页） ［１０］Ｏａｋｌｅｙ Ｊ Ｐ，Ｓａｔｈｅｒｌｅｙ Ｂ Ｌ．Ｉｍｐｒｏｖｉｎｇ ｉｍａｇｅ ｑｕａｌｉｔｙ ｉｎ ｐｏｏｒ ｖｉｓｉｂｉｌｉｔｙ ｃｏｎｄｉｔｉｏｎｓ ｕｓｉｎｇ ａ ｐｈｙｓｉｃａｌ ｍｏｄｅｌ ｆｏｒ ｃｏｎｔｒｓａｔ ｄｅｇｒａｄａｔｉｏｎ［Ｊ］．Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ，１９９８，７（２）：１６７—１７９． ［１１］Ｈｅ Ｋ，Ｓｕｎ Ｊ，Ｔａｎｇ Ｘ．Ｓｉｎｇｌｅ ｉｍａｇｅ ｈａｚｅ ｒｅｍｏｖａｌ ｕｓｉｎｇ ｄａｒｋ ｃｈａｎｎｅｌ ｐｒｉｏｒ［Ｊ］．Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＩＥＥＥ Ｔｒｎａｓａｅ— ｔｉｏｎｓ ｏｎ，２０１１，３３（１２）：２３４１—２３５３． ［１２］Ｎａｒｓａｉｍｈａｎ ＳＧ，Ｎａｙａｒ ＳＫ．Ｉｎｔｅｒａｃｔｉｖｅ（ｄｅ）ｗｅａｔｈｅｒｉｎｇ ｏｆａｎｉｍａｇｅ ｕｓｉｎｇ ｐｈｙｓｉｃｌａ ｍｏｄｅｌｓ［ＥＢ／ＯＬ］．［２０１０４）５—１０］．ｈｔｔｐ：／／ｌｊｋ．ｉｍａｇ．ｉｆ／ｍｅｍｂｅｒｓ／ Ｂｉｌ１．Ｔｒｉｇｇｓ／ｅｖｅｎｔｓ／ｉｅｃｖＯ３／ｅｄｒｏｍ／ｅｐｍｃｖ０３／３１＿ｎａｒａｓｉｍｈａｎ． ［１３］Ｆ毗ａｌ Ｒ．Ｓｉｎｇｌｅ ｉｍａｇｅ ｄｅｈａｚｉｎｇ［Ｊ］．ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｒａｐｈｉｃｓ， ２００８，２７（３）：１—９． ［１４］Ｎａｒａｓｉｍｈａｎ Ｓ Ｇ，Ｎａｙａｒ Ｓ Ｋ．Ｃｈｒｏｍａｔｉｃ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｖｉｓｉｏｎ ｉｎ ｂａｄ ｗｅａｈｔｅｒ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ ＣＶＰＲ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ， ２０００，１：５９８—６０５． ［１５］甘建红，何童丽．基于色彩空间单一图像像素级去雾算法［Ｊ］ 计 算机应用研究，２０１２，２９（９）：３５９１—３５９３． ［１６］刘巧玲，张红英，林茂松．一种简单快速的图像去雾算法［Ｊ］．计算 机应用与软件，２０１３，３０（７）：７１—７４． ［１７］黄晓军，来彦栋，陈奋．快速去除单幅图像雾疆的算法［Ｊ］．计算机 应用，２０１０，１３０（１１）：３０２８—３０３１． z