可调对比度目标源装置中对比度的标定

搭建了可调对比度目标源装置,研究了图像对比度和光学对比度的关系,提出了用改进的BP神经网络标定对比度的方法。首先,设计了用于对比度标定的BP神经网络模型。然后,利用LM(Levenberg-Marquardt)算法结合缩放法改进神经网络以提高其收敛速度及泛化能力。最后,通过可调对比度目标源装置实验平台,由测量的辐照度得出了对应的图像对比度数据,使该装置可以通过调节辐照度实时获得规定的对比度。与传统BP神经网络方法相比,改进后的BP神经网络收敛速度快,泛化能力强。标定精度比经典BP算法提高了100倍,比最速下降法提高了10倍。训练次数仅需2 876次时,对比度的标定值与目标值的误差最大值是0.01%,训练均方误差收敛为0.000 459 441,测试误差收敛为0.000 467 003,满足了对检验装置中对比度标定的需要。