本发明专利技术公开了一种基于整体变分模型和神经网络的运动模糊图像恢复方法，主要解决现有方法无法获得较精确的恢复图像的问题。其实现过程为：（１）构造Ｔｏｅｐｌｉｔｚ矩阵；（２）计算水平和垂直方向上的梯度；（３）初始化神经网络；（４）计算神经元输出；（５）计算神经网络输出；（６）计算网络能量函数的第一改变量ΔＥ↓［１］；（７）若神经元全部更新结束，转步骤（４）；否则转步骤（８）；（８）若达到设定迭代次数，输出恢复结果；否则转步骤（９）；（９）计算恢复误差；（１０）若恢复误差小于设定误差，输出恢复结果；否则转步骤（１１）；（１１）计算当前输入偏置矩阵；（１２）计算网络能量函数的第二改变量ΔＥ↓［２］；（１３）若ΔＥ↓［１］＋ΔＥ↓［２］＜０，转步骤（２）；若ΔＥ↓［１］＋ΔＥ↓［２］≥０，转步骤（３）；若ΔＥ↓［１］＝０，输出恢复结果。本发明专利技术能获得较精确的恢复图像，可用于对运动模糊图像的恢复。
【技术实现步骤摘要】
本专利技术属于图像处理
，具体地说是一种运动模糊图像恢复方法，该方法可用于对数字图像获取过程中所出现的运动模糊图像的恢复。
技术介绍
在用相机拍摄景物期间，如果相机与景物之间存在相对运动就会造成照片的模糊，这种模糊称为运动模糊。运动模糊是成像过程中普遍存在的问题，在飞机或宇宙飞行器上拍下来的照片，用照相机拍摄高速运动物体的照片，以及战场上飞行中的导弹均可能存在这种现象。运动模糊图像的恢复是图像恢复中的主要课题之一。图像恢复是指去除或减轻在获取数字图像过程中发生的图像质量下降现象，最终得到趋向于原始图像的恢复图像，它是图像处理中重要而又富有挑战性的研究内容。 在众多已经提出的恢复模型中，整体变分模型是一种很重要的模型，参见文章《Nonlinear total variation based noise removal algorithms》，Rudin，L.，Osher，S.，andFatemi，E.，Physical D，1992，60，(1-4)，pp.259-268，该模型在图像恢复问题方面得到了广泛的应用。大多数实现基于整体变分模型的图像恢复均是将整体变分模型转换成相应的二阶偏微分方程，然后再通过最速下降法或者直接差分法来求解这些偏微分方程，虽然这些方法可以恢复运动模糊图像，但是恢复图像的精度易受到实际中采用的离散化方法的影响，造成恢复结果不理想，参见文献《Image Restoration UsingHopfield Neural Network Based on Total Variational Model》，Hongying Zhang，YadongWu，and Qicong Peng，ISNN 2005，LNCS 3497，pp.735-740。 Hopfield神经网络作为一种图像恢复的手段，由于它无需图像满足宽平稳的假设，有容错能力和易于硬件电路实现的特点而得到了广泛的应用。近期，中国的学者Y.D.Wu提出通过网络能量函数将Hopfield神经网络和整体变分图像恢复模型结合了起来，也就是用离散状态变化的Hopfield神经网络实现了基于整体变分模型的图像恢复，参见文献《Variational PDE based image restoration using neural network》，IET Image Process.，2007，1，(1)，pp.85-93，这种方法虽然为整体变分模型的图像恢复寻求了另一种实现方法，但是由于网络神经元采用离散状态变化，使得恢复的图像不能获得较多的细节和边缘信息，造成恢复图像的质量差的后果。
技术实现思路
本专利技术的目的在于克服已有技术的不足，提出一种基于整体变分模型和Hopfield神经网络的运动模糊图像恢复方法，以获得较多的细节和边缘信息，提高恢复图像的质量。 实现本专利技术目的的技术方案是利用连续状态变化的Hopfield神经网络实现基于整体变分模型的图像恢复。其具体步骤包括 (1)设定Hopfield神经网络相邻两次输出的误差ε、Hopfield神经网络迭代次数、整个Hopfield神经网络能量函数的第一改变量ΔE1＝0和运动模糊图像g作为Hopfield神经网络的原始输出x，并利用点扩散函数h(x，y)，垂直梯度算子dY和水平梯度算子dX分别构造Toeplitz矩阵H，DX和DY； (2)利用Toeplitz矩阵DX、DY和Hopfield神经网络的原始输出x，分别计算水平方向上的梯度SXP和垂直方向上的梯度SYP 其中， 为Toeplitz矩阵DX中的元素， 为Toeplitz矩阵DY中的元素，xi表示Hopfield神经网络的输出x中的元素，sign(·)表示符号函数； (3)利用Toeplitz矩阵H、Hopfield神经网络的原始输出x、水平方向上的梯度SXP和垂直方向上的梯度SYP，计算Hopfield神经网络权重矩阵W和网络原始的输入偏置矩阵b，并根据该权重矩阵W和网络原始的输入偏置矩阵b，计算该网络的第i个神经元输入ui； (4)利用Hopfield神经网络第i个神经元输入ui和Hopfield神经网络权重矩阵W，按如下步骤计算该网络神经元的第i个神经元输出Δxi (4a)利用Hopfield神经网络第i个神经元输入ui，计算该网络神经元的第i个神经元的修正因子Δx′i＝2ui； (4b)利用Hopfield神经网络第i个神经元输入ui、Hopfield神经网络权重矩阵W中的元素wii和第i个神经元的修正因子Δx′i，计算该网络神经元的第i个神经元输出Δxi＝sign(ui+wi，i*Δx′i/2)*|Δx′i|；其中，|·|表示取绝对值，i∈(1，2，3...L)，L表示整个Hopfield神经网络的输出个数； (5)利用Hopfield神经网络第i个神经元的输出Δxi，计算整个Hopfield神经网络的第i个输出xi； (6)利用Hopfield神经网络第i个神经元输入ui、Hopfield神经网络权重矩阵W和网络神经元的第i个神经元输出Δxi，计算整个Hopfield神经网络能量函数的第一改变量ΔE1； (7)将当前神经元转入下一个神经元i+1，并与整个Hopfield神经网络的输出个数L进行比较，如果i+1≤L，则返回步骤(4)；反之，则执行步骤(8)； (8)将Hopfield神经网络进行迭代演化，判断是否达到设定的迭代次数，如果达到了设定的迭代次数，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果，若未达到设定的迭代次数，执行步骤(9)。 (9)利用Hopfield神经网络的当前输出x′和原始输出x，先计算函数表达式|x′-x|/L；然后利用网络当前的输出x′更新该网络的原始输出； (10)将|x′-x|/L的计算结果与设定的误差ε进行比较，如果|x′-x|/L＜ε，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果；反之，执行步骤(11)； (11)利用Toeplitz矩阵H、Hopfield神经网络的输出x、水平方向上的梯度SXP和垂直方向上的梯度SYP，计算该网络当前的输入偏置矩阵b′，并利用当前的输入偏置矩阵b′更新该网络的原始输入偏置矩阵b； (12)利用Hopfield神经网络的原始输出x、网络当前的输入偏置矩阵b′和网络原始的输入偏置矩阵b，计算Hopfield神经网络能量函数的第二改变量ΔE2； (13)对网络能量函数的第一改变量ΔE1和第二改变量ΔE2进行判断，若满足条件ΔE1＝0，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果；若满足条件ΔE1+ΔE2＜0，则返回步骤(2)；若满足条件ΔE1+ΔE2≥0，则返回步骤(3)。 本专利技术与现有的技术相比具有以下优点 1、本专利技术由于在网络输入偏置矩阵的计算中利用了网络的输出在水平方向上的梯度信息和垂直方向上的梯度信息，并采用网络能量函数第一改变量和第二改变量作为网络迭代演化的条件，与现有的Hopfield神经网络方法相比，恢复的图像可以获得较多的边缘和细节信息。 2、本专利技术由于在Hopfiel本文档来自技高网...
【技术保护点】
一种基于整体变分模型和神经网络的运动模糊图像恢复方法，包括如下步骤： （１）设定Ｈｏｐｆｉｅｌｄ神经网络相邻两次输出的误差ε、Ｈｏｐｆｉｅｌｄ神经网络迭代次数、整个Ｈｏｐｆｉｅｌｄ神经网络能量函数的第一改变量ΔＥ↓［１］＝０和运动模糊 图像ｇ作为Ｈｏｐｆｉｅｌｄ神经网络的原始输出ｘ，并利用点扩散函数ｈ（ｘ，ｙ），垂直梯度算子ｄ↓［Ｙ］和水平梯度算子ｄ↓［Ｘ］分别构造Ｔｏｅｐｌｉｔｚ矩阵Ｈ，Ｄ↓［Ｘ］和Ｄ↓［Ｙ］； （２）利用Ｔｏｅｐｌｉｔｚ矩阵Ｄ↓［Ｘ］、Ｄ↓［Ｙ］ 和Ｈｏｐｆｉｅｌｄ神经网络的原始输出ｘ，分别计算水平方向上的梯度ＳＸ↓［Ｐ］和垂直方向上的梯度ＳＹ↓［Ｐ］： ＳＸ↓［Ｐ］＝ｓｉｇｎ（＊Ｄ↓［Ｘ↓［ｐ，ｉ］］ｘ↓［ｉ］）； ＳＹ↓［Ｐ］＝ｓｉｇｎ（＊Ｄ↓［Ｙ↓［ｐ，ｉ］］ｘ↓［ｉ］ ）； 其中，Ｄ↓［Ｘ↓［ｐ，ｉ］］为Ｔｏｅｐｌｉｔｚ矩阵Ｄ↓［Ｘ］中的元素，Ｄ↓［Ｙ↓［ｐ，ｉ］］为Ｔｏｅｐｌｉｔｚ矩阵Ｄ↓［Ｙ］中的元素，ｘ↓［ｉ］表示Ｈｏｐｆｉｅｌｄ神经网络的输出ｘ中的元素，ｓｉｇｎ（.）表示符号函数； （ ３）利用Ｔｏｅｐｌｉｔｚ矩阵Ｈ、Ｈｏｐｆｉｅｌｄ神经网络的原始输出ｘ、水平方向上的梯度ＳＸ↓［Ｐ］和垂直方向上的梯度ＳＹ↓［Ｐ］，计算Ｈｏｐｆｉｅｌｄ神经网络权重矩阵Ｗ和网络原始的输入偏置矩阵ｂ，并根据该权重矩阵Ｗ和网络原始的输入偏置矩阵ｂ，计算该网络的第ｉ个神经元输入ｕ↓［ｉ］； （４）利用Ｈｏｐｆｉｅｌｄ神经网络第ｉ个神经元输入ｕ↓［ｉ］和Ｈｏｐｆｉｅｌｄ神经网络权重矩阵Ｗ，按如下步骤计算该网络神经元的第ｉ个神经元输出Δｘ↓［ｉ］： （４ａ）利用Ｈｏｐｆｉｅｌ ｄ神经网络第ｉ个神经元输入ｕ↓［ｉ］，计算该网络神经元的第ｉ个神经元的修正因子：Δｘ′↓［ｉ］＝２ｕ↓［ｉ］； （４ｂ）利用Ｈｏｐｆｉｅｌｄ神经网络第ｉ个神经元输入ｕ↓［ｉ］、Ｈｏｐｆｉｅｌｄ神经网络权重矩阵Ｗ中的元素ｗ↓［ｉｉ］和第 ｉ个神经元的修正因子Δｘ′↓［ｉ］，计算该网络神经元的第ｉ个神经元输出：Δｘ↓［ｉ］＝ｓｉｇｎ（ｕ↓［ｉ］＋ｗ↓［ｉ，ｉ］＊Δｘ′↓［ｉ］／２）＊｜Δｘ′↓［ｉ］｜； 其中，｜.｜表示取绝对值，ｉ∈（１，２，３…Ｌ），Ｌ表示整个Ｈｏｐ ｆｉｅｌｄ神经网络的输出个数； （５）利用Ｈｏｐｆｉｅｌｄ神经网络第ｉ个神经元的输出Δｘ↓［ｉ］，计算整个Ｈｏｐｆｉｅｌｄ神经网...
【技术特征摘要】
【专利技术属性】
技术研发人员：王爽，焦李成，苏开亮，刘芳，钟桦，侯彪，缑水平，杨淑媛，符升高，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。