第四章 實驗結果
4.1 實例一：顏色色偏的校正(偏紅)
用來訓練類神經網路的影像是由所取得的影像中隨機抽選的，且包含不同色偏的 影像如圖4.1至圖4.3。經由分析計算可以得知影像所有像素值亮度因子及色彩資訊的平 均值與標準差值，如表4.1到表4.3。
表4.1 由圖4.1取得的平均值及標準差值
表4.2 由圖4.2取得的平均值及標準差值
表4.3 由圖4.3取得的平均值及標準差值
(a)
圖4.1 訓練神經網路的影像。(a)色彩偏重 Red 色調影像；(b)影像的 RGB 色階分佈。
(b)
圖4.1 (續) 訓練神經網路的影像。(a)色彩偏重 Red 色調影像；(b)影像的 RGB 色階分佈。
(a)
(b)
圖4.2 訓練神經網路的影像。(a)色彩偏重 Green 色調的影像；(b)影像的 RGB 色階分佈。
(a)
(b)
將上述所取得的平均值及標準差輸入至類神經網路系統，其中類神經網路系統架 構如3.2節所描述。共使用800組隨機的影像資料進行類神經網路系統的訓練處理，且以 圖4.4作為驗證的影像，並以200組隨機的影像資料進行類神經網路系統的測試，系統的 收歛圖如圖4.5至圖4.7。其中圖4.5的收歛值MSE =0.9171。圖4.6的收歛值
0.8123
=
MSE 。圖4.7的收歛值MSE=0.8362。
(a)
(b)
圖4.4 (a)原始輸入影像；(b)未解調濾波器函數圖，參數值為 5；(c)原始輸入影像的 色階分佈圖。
(c)
圖4.4 (續) (a)原始輸入影像；(b)未解調濾波器函數圖，參數值為 5；(c)原始輸入影像 的色階分佈圖。
0 2 4 6 8 10 12 0
0.5 1 1.5 2 2.5 3 3.5
Epoch
Squared Error
Training Validation Test
圖4.5 類神經網路的收歛圖(MSE=0.9171)
0 2 4 6 8 10 12
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Epoch
Squared Error
Training Validation Test
圖4.6 類神經網路的收歛圖(MSE=0.8123)
0 1 2 3 4 5 6 7 8 9 10 0
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Epoch
Squared Error
Training Validation Test
圖4.7 類神經網路的收歛圖(MSE=0.8362)
由類神經網路系統的輸出可以得知，原始影像圖4.4(a)經影像色彩前置處理辨識的 結果為具有紅色(Red)成份的偏差。接著再將此一結果輸入到模糊系統中，以原始影像圖 4.4(a)經運算處理後所得的色偏標準差誤差值12.93與平均值誤差值11.82作為模糊系統 的輸入。再由圖4.8的標準差誤差值歸屬函數圖與圖4.9的平均誤差值歸屬函數圖，及表 3.1的模糊法則進行模糊推理運算，其中圖4.8及圖4.9的歸屬函數則是以圖3.5的歸屬函數 設定為基礎，再由類神經網路的輸出對模糊系統進行微調後產生的。解模糊化後得模糊 推理的輸出值為97及線性總和的權重值為0.3，以這數值作為校正影像的參數，因此可以 得到濾波器函數如圖4.10。再經由解調(Demodulation)及色彩補償後所還原的影像如圖 4.11，此即為最後輸出的影像。
圖4.8 影像偏紅的標準差誤差值歸屬函數圖
圖4.9 影像偏紅的平均誤差值歸屬函數圖
圖4.10 修正影像的濾波器函數(參數值為 97)
圖4.11 經由解調後還原的影像
4.2 實例二：影像色偏的校正(偏藍)
訓練類神經網路的影像採用由圖4.1至圖4.3所取得的平均值及標準差值。共使用 800組隨機的影像資料進行類神經網路系統的訓練處理，且以圖4.15作為驗證的影像，並 以200組隨機的影像資料進行類神經網路系統的測試，系統的收歛圖如圖4.12至圖4.14。
其中圖4.12的收歛值MSE =0.9011。圖4.13的收歛值MSE =0.8923。圖4.14的收歛值 0.8762
=
MSE 。
0 1 2 3 4 5 6 7 8 0
0.5 1 1.5 2 2.5 3 3.5
Epoch
Squared Error
Training Validation Test
圖4.12 類神經網路收歛圖(MSE =0.9011)
0 2 4 6 8 10 12
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Epoch
Squared Error
Training Validation Test
圖4.13 類神經網路收歛圖(MSE =0.8923)
0 1 2 3 4 5 6 7 8 9 0
0.5 1 1.5 2 2.5 3 3.5
Epoch
Squared Error
Training Validation Test
圖4.14 類神經網路收歛圖(MSE =0.8762)
(a)
(b)
圖4.15 (a)解調前的原始影像；(b)未解調的濾波器函數圖，參數值為 5；(c)原始影像的 色階分佈圖。
(c)
圖4.15 (續) (a)解調前的原始影像；(b)未解調的濾波器函數圖，參數值為 5；(c)原始影像 的色階分佈圖。
由類神經網路系統的輸出可以得知，原始影像圖4.15(a)經影像色彩前置處理辨識的 結果為具有藍色(Blue)成份的偏差。接著再將此一結果輸入到模糊系統中，以原始影像 圖4.15(a)經運算處理後所得的色偏標準差誤差值13.35與平均值誤差值64.05作為模糊系 統的輸入。再由圖4.16的標準差誤差值歸屬函數圖與圖4.17的平均誤差值歸屬函數圖，
及表3.1的模糊法則進行模糊推理運算，其中圖4.16及圖4.17的歸屬函數則是以圖3.5的歸 屬函數設定為基礎，再由類神經網路的輸出對模糊系統進行微調後產生的。解模糊化後 得模糊推理的輸出值為123.81及線性總和的權重值為0.37，以這數值作為校正影像的參 數，因此可以得到濾波器函數如圖4.18。再經由解調及色彩補償後還原的影像如圖4.19，
此即為最後輸出的影像。
圖4.16 影像偏藍的標準差誤差值歸屬函數圖
圖4.17 影像偏藍的平均誤差值歸屬函數圖
圖4.18 修正影像的濾波器函數(參數值為 123.81)
圖4.19 經由解調後還原的影像
4.3 實例三：顏色色偏的校正(偏綠)
訓練類神經網路的影像採用由圖4.1至圖4.3所取得的平均值及標準差值。共使用 800組隨機的影像資料進行類神經網路系統的訓練處理，且以圖4.23作為驗證的影像，並 以200組隨機的影像資料進行類神經網路系統的測試，系統的收歛圖如圖4.20至圖4.22。
其中圖4.20的收歛值MSE =0.9099。圖4.21的收歛值MSE =0.9131。圖4.22的收歛值 0.8992
=
MSE 。
0 1 2 3 4 5 6 7 8 0
0.5 1 1.5 2 2.5 3 3.5
Epoch
Squared Error
Training Validation Test
圖4.20 類神經網路的收歛圖(MSE =0.9099)
0 2 4 6 8 10 12
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Epoch
Squared Error
Training Validation Test
圖4.21 類神經網路的收歛圖(MSE =0.9131)
0 1 2 3 4 5 6 7 8 9 0
0.5 1 1.5 2 2.5
Epoch
Squared Error
Training Validation Test
圖4.22 類神經網路的收歛圖(MSE =0.8992)
(a)
(b)
圖4.23 (a)解調前的原始影像；(b)未解調的濾波器函數圖，參數值為 5；(c)原始影像的 色階分佈圖。
(c)
圖4.23 (續) (a)解調前的原始影像；(b)未解調的濾波器函數圖，參數值為 5；(c)原始影像 的色階分佈圖。
由類神經網路系統的輸出可以得知，原始影像圖4.23(a)經影像色彩前置處理辨識的 結果為具有綠色(Green)成份的色偏。接著再將此一結果輸入到模糊系統中，以原始影像 圖4.23(a)經運算所得的色偏標準差誤差值3.02與平均值誤差值33.41作為模糊系統的輸 入。再由圖4.24的標準差誤差值歸屬函數圖與圖4.25的平均誤差值歸屬函數圖，及表3.1 的模糊法則進行模糊推理運算，其中圖4.24及圖4.25的歸屬函數則是以圖3.5的歸屬函數 設定為基礎，再由類神經網路的輸出對模糊系統進行微調後產生的。解模糊化後得模糊 推理的輸出值為117.46及線性總和的權重值0.43，以這數值作為校正影像的參數，因此 可以得到濾波器函數如圖4.26。再經由解調及色彩補償後還原的影像如圖4.27，此即為
圖4.24 影像偏綠的標準差誤差值歸屬函數圖
圖4.25 影像偏綠的平均誤差值歸屬函數圖
圖4.26 修正影像的濾波器函數(參數值為 117.46)
圖4.27 經由解調後還原的影像
4.4 實例四：影像亮度的校正
訓練類神經網路的影像採用由圖4.1至圖4.3所取得的平均值及標準差值。共使用 800組隨機的影像資料進行類神經網路系統的訓練處理，以圖4.31輸入類神經網路進行驗 證測試，並且以200組隨機的影像資料進行類神經網路系統的測試，系統的收歛圖如圖 4.28至圖4.30。其中圖4.28的收歛值MSE=0.8714。圖4.29的收歛值MSE=0.9035。圖4.30 的收歛值MSE=0.8862。
0 2 4 6 8 10 12 14 0
1 2 3 4 5 6 7 8 9
Epoch
Squared Error
Training Validation Test
圖4.28 類神經網路的收歛圖(MSE =0.8714)
0 2 4 6 8 10 12
0 1 2 3 4 5 6 7 8 9
Epoch
Squared Error
Training Validation Test
圖4.29 類神經網路的收歛圖(MSE =0.9035)
0 2 4 6 8 10 12 0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Epoch
Squared Error
Training Validation Test
圖4.30 類神經網路的收歛圖(MSE =0.8862)
(a)
(b)
圖4.31 (a)解調前的原始影像；(b)未解調的濾波器函數圖，參數值為 5；(c)原始影像的 色階分佈圖。
(c)
圖4.31 (續) (a)解調前的原始影像；(b)未解調的濾波器函數圖，參數值為 5；(c)原始影像 的色階分佈圖。
由類神經網路系統的輸出可以得知，原始影像圖4.31(a)經影像色彩前置處理辨識的 結果為局部亮度偏暗的影像。接著再將此一結果輸入到模糊系統中，以原始影像圖 4.31(a)運算所得的色偏標準差誤差值37.97與平均值誤差值9.01作為模糊系統的輸入。再 由圖4.32的標準差誤差值歸屬函數圖與圖4.33的平均誤差值歸屬函數圖，及表3.1的模糊 法則進行模糊推理運算，其中圖4.32及圖4.33的歸屬函數則是以圖3.5的歸屬函數設定為 基礎，再由類神經網路的輸出對模糊系統進行微調後產生的。解模糊化後得模糊推理的 輸出值為124.28及線性總和的權重值0.45，以這數值作為校正影像的參數，因此可以得 到濾波器函數如圖4.34，再經由解調及色彩補償後還原的影像如圖4.35，此即為最後輸 出的影像。
圖4.32 影像偏暗的標準差誤差值歸屬函數圖
圖4.33 影像偏暗的平均誤差值歸屬函數圖
圖4.34 修正影像的濾波器函數(參數值為 124.28)
圖4.35 經由解調後還原的影像
第 五 章 結 論 與 未 來 發 展
本篇論文提出一個數位影像色彩校正與補償的系統。系統的第一個階段採用類神 經網路偵測影像的色彩偏差及亮度偏差。類神經網路的用途在建立一個人工智慧系統，
經由訓練後的類神經網路能模擬人類大腦中神經元架構及行為模式，因此將影像色彩資 訊輸入類神經網路後，可藉由類神經網路判斷輸入的影像是否需要色彩校正，及決定需 要校正的區域。接著在第二階段由模糊系統建立色彩校正補償演算法，模糊系統的邏輯 是模擬人類心智、推理等行為建立的法則，因此模糊系統的邏輯接近人類的思考行為，
藉由模糊系統的推理能力，能更精準地計算校正補償參數，以確實對必須校正的影像進 行處理。
色彩校正補償的部份設計採用模糊系統架構而成。根據模糊系統輸出的結果作為 校正補償時的濾波器係數，然後經由反覆的修正使校正補償後的影像具有更佳的視覺感 觀。同時在色彩補償的部份嘗試加入色偏校正，目的在使校正後的影像具有更佳的視覺 感觀。
在性質上，類神經網路比較相當於人工智慧的硬體架構，而模糊系統則相當於人 工智慧的軟體部份，經由結合類神經網路與模糊系統，可以將類神經網路的學習能力應 用在模糊系統，並將模糊系統的推理應用在類神經網路上，使所建立的系統更符合人工 智慧系統。
類神經網路的偵測效果非常依賴事前的訓練，因此在訓練資料的搜集、影像色彩 特徵的選取都顯得非常重要，同時訓練類神經網路也需要花費相當長的時間。未來的發 展在期望找到更具代表性的特徵向量，以減少訓練類神經網路的時間。此外，調整類神 經網路隱藏層的神經元個數及層數，使神經網路能加快運算及收斂的速度，並提高神經 網路的擴充性也是未來發展的工作之一。
而模糊系統的表現好壞，與歸屬函數、模糊邏輯法則及推理機制有關，因此如何 更正確地建立決定決策的模糊法則，及如何調整初始法則和其歸屬函數，也是本系統重 要的一環。因此另一件未來發展的工作，則是如何藉由類神經網路的適應性來產生模糊
系統的法則，並經由結構、參數的調整來自動調整模糊系統的法則及歸屬函數，以使整 體的系統更為強化。
某些特殊的影像，如在燈會、煙火等活動中所拍攝的影像，由於這類影像在各區
某些特殊的影像，如在燈會、煙火等活動中所拍攝的影像，由於這類影像在各區