專利名稱：：基于Hopfield神經(jīng)網(wǎng)絡的運動模糊圖像恢復方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，具體地說是一種運動模糊圖像的恢復方法，該方法可用于對數(shù)字圖像過程中所出現(xiàn)的運動模糊圖像的恢復。背聚技術(shù)圖像恢復是指去除或減輕在獲取數(shù)字圖像過程中發(fā)生的圖像質(zhì)量下降現(xiàn)象，它是圖像處理中重要而又富有挑戰(zhàn)性的研究內(nèi)容。對于圖像恢復問題，研究者已經(jīng)提出了很多方法。傳統(tǒng)的恢復方法如逆濾波，維納濾波，卡爾曼濾波和廣義逆的奇異值分解法被廣泛的應用于圖像的恢復上，但是這些方法要求圖像滿足寬平穩(wěn)過程的假設(shè)，而實際中獲取的運動模糊圖像無法完全滿足這樣的假設(shè)，從而限制了這些方法對運動模糊圖像的恢復性能以及在實際中的應用。此外，這些方法要求運動模糊圖像具有較高的信噪比，如逆濾波的方法僅適用于高信噪比的圖像，這一點更進一步限制了傳統(tǒng)的恢復方法在實際中的應用。近年來，Hopfield神經(jīng)網(wǎng)絡作為一種圖像恢復的手段，得到了廣泛的應用。韓國的學者Paik率先對Zhou提出的基于Hopfield神經(jīng)網(wǎng)絡的圖像恢復方法進行了改進，參見文章《ImagerestorationusingamodifiedHopfieldnetwork》,IEEETrans.ImageProcessing,1992,Vol.1,pp.49~63，這種方法將圖像的每個像素點用一個神經(jīng)元表示，并且無需判斷Hopfield神經(jīng)網(wǎng)絡能量的增減，這些改進雖然提高了恢復性能并且降低了恢復的復雜度，但是，由于該網(wǎng)絡的神經(jīng)元狀態(tài)采用階躍變化，使得網(wǎng)絡的收斂速度還是不理想。此后，中國的學者Wu等人將Paik的方法進行了改進，參見文章《AnImprovedAlgorithmforImageRestorationBasedonModifiedHopfieldNeuralNetwork》，ProceedingsoftheFourthInternationalConferenceonMachineLearningandCybernetics,Guangzhou,August2005,pp.l8-21,該方法的收斂速度進一步得到了提高，但是這種方法由于在網(wǎng)絡達到穩(wěn)定時很容易陷入局部極值點，無法達到全局極值點，從而影響了恢復圖像的質(zhì)量，此外，網(wǎng)絡收斂的速度還有待提高。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于H鄰field神經(jīng)網(wǎng)絡的運動模糊圖像恢復方法，以實現(xiàn)在網(wǎng)絡穩(wěn)定時達到全局極值點，提高恢復圖像的質(zhì)量和收斂速度。實現(xiàn)本發(fā)明目的的技術(shù)方案是將串行的H叩field神經(jīng)網(wǎng)絡進行改進，然后將其應用到圖像恢復當中。其具體步驟包括(1)設(shè)定Hopfield神經(jīng)網(wǎng)絡迭代次數(shù)，利用點擴散函數(shù)構(gòu)造Toeplitz矩陣/Z;(2)利用Toeplitz矩陣//計算Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣W和輸入偏置矩陣6;(3)利用Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『和網(wǎng)絡輸入偏置矩陣6，計算該網(wǎng)絡的第/個神經(jīng)元輸入",；(4)利用第/個神經(jīng)元輸入",和Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『，計算該網(wǎng)絡神經(jīng)元的第/個神經(jīng)元輸出ajc,;(5)利用Hopfield神經(jīng)網(wǎng)絡第/個神經(jīng)元的輸出ax,和Hopfield神經(jīng)網(wǎng)絡轉(zhuǎn)移函數(shù)/，計算整個Hopfield神經(jīng)網(wǎng)絡的第/個輸出x,，其中/e(l,2,3.,丄)，Z表示整個Hopfield神經(jīng)網(wǎng)絡的輸出個數(shù)；(6)采用計算"l的串行選取神經(jīng)元的方法，并將計算結(jié)果賦值給"判斷是否滿足條件!、丄，如果滿足，返回步驟(3);若不滿足，執(zhí)行步驟(7);(7)將Hopfield神經(jīng)網(wǎng)絡進行迭代演化，判斷是否達到設(shè)定的迭代次數(shù)，如果達到了設(shè)定的迭代次數(shù)，則這時的Hopfield神經(jīng)網(wǎng)絡輸出為運動模糊圖像的恢復結(jié)果，若未達到設(shè)定的迭代次數(shù)，返回步驟(3)，直到達到設(shè)定的迭代次數(shù)為止。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點1、本發(fā)明由于采用了迭代演化的方法，與經(jīng)典圖像恢復方法相比，突破了圖像必須滿足寬平穩(wěn)過程的條件，并且降低了圖像恢復過程中對高信噪比的要求；2、本發(fā)明由于采用串行選取神經(jīng)元，利用Hopfield神經(jīng)網(wǎng)絡的神經(jīng)元輸入和Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣計算該網(wǎng)絡輸出，與現(xiàn)有串行Hopfield神經(jīng)網(wǎng)絡方法相比，能夠在網(wǎng)絡穩(wěn)定時達到全局極值點，具有更好的恢復性能和收斂速度，能夠較快、較好的得到運動模糊圖像的恢復結(jié)果。圖1是本發(fā)明的流程圖2是本發(fā)明與現(xiàn)有的三種方法在仿真實驗中應用的原清晰圖像；圖3是本發(fā)明與現(xiàn)有三種方法在仿真實驗中應用的運動模糊圖像；圖4是本發(fā)明與現(xiàn)有的三種方法在不同迭代次數(shù)下的信噪比改善量走勢圖；圖5是本發(fā)明與現(xiàn)有的三種方法在不同迭代次數(shù)下的峰值信噪比的走勢圖；圖6是本發(fā)明在不同迭代次數(shù)下的恢復圖像放大圖7是現(xiàn)有的串行Hopfield神經(jīng)網(wǎng)絡在不同迭代次數(shù)下的恢復圖像放大圖；圖8是現(xiàn)有的Paik的Hopfidd神經(jīng)網(wǎng)絡恢復方法在不同迭代次數(shù)下的恢復圖像的放大圖9是現(xiàn)有的Zhou的Hopfidd神經(jīng)網(wǎng)絡恢復方法在不同迭代次數(shù)下的恢復圖像的放大圖。具體實施例方式參照圖l，本發(fā)明的具體實現(xiàn)步驟如下步驟1，設(shè)定Hopfield神經(jīng)網(wǎng)絡迭代次數(shù)，利用點擴散函數(shù)構(gòu)造Toeplitz矩陣7/。首先，根據(jù)經(jīng)驗值設(shè)定Hopfield神經(jīng)網(wǎng)絡迭代次數(shù)，一般為300至400次；其次，確定運動模糊尺度d，運動模糊角度<，仿真實驗中假定這兩個參數(shù)是已知的，模糊尺度d在l至15之間取值，運動模糊角度(p在l至90度之間取值，這樣使用下面的公式，就構(gòu)造出了點擴散函數(shù)/0,力；然后利用點擴散函數(shù)/^0,力使用下面的公式構(gòu)造出Toeplitz矩陣//;L0of/zerw/se其中，x-rcos(90,"/"sin(p)?！?z(;c,力00......0—0/z(jc,;0000/z(x,力；0'—0......A(^,力步驟2，利用Toeplitz矩陣/Z計算Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『和輸入偏置矩陣6。權(quán)重矩陣『的計算公式為『=-(1)輸入偏置矩陣6的計算公式為6=HTg(2)其中，g是運動模糊圖像，i^^是7/轉(zhuǎn)置矩陣。步驟3，利用Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『和網(wǎng)絡輸入偏置矩陣Z)，計算該網(wǎng)絡的第/個神經(jīng)元輸入",。第/個神經(jīng)元的輸入",的計算公式為Mi=6,+^>",(0(3)其中，w,,是Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『中的元素，A是Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣6中的元素，,(O是Hopfield神經(jīng)網(wǎng)絡第_/個神經(jīng)元在第,次迭代經(jīng)過網(wǎng)絡后的當前輸出值。步驟4，利用Hopfield神經(jīng)網(wǎng)絡第/個神經(jīng)元輸入w,.和Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『，計算該網(wǎng)絡神經(jīng)元的第；個神經(jīng)元輸出AX,。(4a)利用Hopfield神經(jīng)網(wǎng)絡第/個神經(jīng)元輸入w,，計算該網(wǎng)絡神經(jīng)元的第/個神經(jīng)元的修正因子ax;=2M,;(4b)利用Hopfield神經(jīng)網(wǎng)絡第z'個神經(jīng)元輸入w,、Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣W中的元素W"和第/個神經(jīng)元的修正因子A、，計算該網(wǎng)絡神經(jīng)元的第/個神經(jīng)元輸出厶X!.==/Vt^—厶X,.。步驟5，利用Hopfield神經(jīng)網(wǎng)絡第/個神經(jīng)元的輸出AX,和Hopfield神經(jīng)網(wǎng)絡轉(zhuǎn)移函數(shù)/，計算整個Hopfield神經(jīng)網(wǎng)絡的第/個輸出JC,，其中/e(l,2,3,.丄)，Z表示整個Hopfield神經(jīng)網(wǎng)絡的輸出個數(shù)，其計算公式如下'0Ajc;<0Ax,0sAx,^255。(4)255255<Ajc,步驟6，采用串行更新神經(jīng)元的方法對本發(fā)明的Hopfield神經(jīng)網(wǎng)絡中的神經(jīng)元進行更新。首先，從當前的第/個神經(jīng)元轉(zhuǎn)入第/+1個神經(jīng)元，再將其計算結(jié)果賦值給/;然后判斷是否滿足條件Ki:，如果滿足，返回步驟(3);若不滿足，執(zhí)行步驟(7);其中，丄為神經(jīng)元的總數(shù)，對本發(fā)明而言，由于每個像素由一個神經(jīng)元表示，故圖像的像素的個數(shù)就等于Z的大小。步驟7，將Hopfield神經(jīng)網(wǎng)絡進行迭代演化，判斷是否達到設(shè)定的迭代次數(shù)，如果達到了設(shè)定的迭代次數(shù)，則這時的Hopfield神經(jīng)網(wǎng)絡輸出為運動模糊圖像的恢復結(jié)果，若未達到設(shè)定的迭代次數(shù)，返回步驟(3)，直到達到設(shè)定的迭代次數(shù)為止。本算法是一種迭代的方法，每次迭代后所有的x,均發(fā)生了變化，當達到既定的迭代次數(shù)達后，Hopfield神經(jīng)網(wǎng)絡的輸出就是對運動模糊圖像的恢復結(jié)果。本發(fā)明的效果由下面的仿真實驗結(jié)果看出。l)仿真條件仿真實驗所用到的圖像來源于標準圖像庫，以下僅以Lena圖像的局部為例，說明本發(fā)明中用到的原清晰圖像和運動模糊圖像，參照圖2和圖3，它們分別是本發(fā)明在仿真實驗中應用到的原清晰圖像和運動模糊圖像。在仿真實驗中，應用了兩個評價指標來評價恢復結(jié)果的優(yōu)劣，它們分別是信噪比改善量ISNR、峰值信噪比PSNR。它們的定義分別為信噪比改善量/，=101ogl。力l,'2(5)其中/為清晰圖像，g為運動模糊圖像，/(0為夂次迭代后的圖像，M和iV為圖像尺寸的大小。2)仿真結(jié)果圖4是本發(fā)明在與Zhou的Hopfield神經(jīng)網(wǎng)絡恢復方法、Paik的Hopfield神經(jīng)網(wǎng)絡恢復方法和串行Hopfield神經(jīng)網(wǎng)絡方法在不同迭代次數(shù)下的信噪比改善量的走勢圖。圖5是本發(fā)明在與Zhou的Hopfield神經(jīng)網(wǎng)絡恢復方法、Paik的Hopfield神經(jīng)網(wǎng)絡恢復方法和串行Hopfield神經(jīng)網(wǎng)絡方法在不同迭代次數(shù)下峰值信噪比的走勢圖。本發(fā)明與三種對比方法在不同迭代次數(shù)時獲取的ISNR和PSNR值的數(shù)據(jù)如表1所示。本發(fā)明的方法與現(xiàn)有的串行Hopfield神經(jīng)網(wǎng)絡方法在進行50次實驗后的統(tǒng)計數(shù)據(jù)如表2所示。其中，Algl是本發(fā)明的方法，Alg2是串行Hopfield神經(jīng)網(wǎng)絡方法，Alg3是Paik的Hopfield神經(jīng)網(wǎng)絡恢復方法，Alg4是Zhou的Hopfield神經(jīng)網(wǎng)絡恢復方法。圖6(a)、圖6(b)、圖6(c)和圖6(d)分別表示本發(fā)明在進行100次、150次、200次和250次迭代后的恢復圖像；圖7(a)、圖7(b)、圖7(c)和圖7(d)分別表示串行H叩field神經(jīng)網(wǎng)絡方法在進行100次、150次、200次和250次迭代后的恢復圖像；圖8(a)、2552xMxiV8圖8(b)、圖8(c)和圖8(d)分別表示Paik的Hopfield神經(jīng)網(wǎng)絡恢復方法在進行100次、150次、200次和250次迭代后的恢復圖像；圖9(a)、圖9(b)、圖9(c)和圖9(d)分別表示Zhou的Hopfield神經(jīng)網(wǎng)絡恢復方法在進行100次、150次、200次和250次迭代后的恢復圖像。從圖4和圖5可見，本發(fā)明與其它三種方法均可達到穩(wěn)定的狀態(tài)，但本發(fā)明的恢復效果明顯優(yōu)于其他三種現(xiàn)有方法。表l.本發(fā)明和對比方法在不同迭代次數(shù)時獲取的ISNR和PSNR值<table>tableseeoriginaldocumentpage9</column></row><table>從表1中可以看出，本發(fā)明的方法比其它三種對比方法獲得的ISNR和PSNR值較大。從圖6(a)、圖7(a)、圖8(a)和圖9(a)也可以看出，在神經(jīng)網(wǎng)絡進行100次的迭代后，使用本發(fā)明的方法進行恢復后的圖像圖6(a)比其他三種方法恢復的圖像圖7(a)、圖8(a)和圖9(a)在視覺效果上要好一些。從圖6(b)、圖7(b)、圖8(b)和圖9(b)也可以看出，在神經(jīng)網(wǎng)絡進行150次的迭代后，使用本發(fā)明的方法進行恢復后的圖像圖6(b)比其他三種方法恢復的圖像圖7(b)、圖8(b)和圖9(b)在視覺效果上要好一些。從圖6(c)、圖7(c)、圖8(c)和圖9(c)也可以看出，在神經(jīng)網(wǎng)絡進行200次的迭代后，使用本發(fā)明的方法進行恢復后的圖像圖6(c)比其他三種方法恢復的圖像圖7(c)、圖8(c)和圖9(c)在視覺效果上要好一些。從圖6(d)、圖7(d)、圖8(d)和圖9(d)可以看出，在神經(jīng)網(wǎng)絡進行250次的迭代后，使用本發(fā)明的方法進行恢復后的圖像圖6(d)比其他三種方法恢復的圖像圖7(d)、圖8(d)和圖9(d)在視覺效果上要好一些。由于在三種對比方法中，串行Hopfield神經(jīng)網(wǎng)絡方法的恢復性能要比Zhou的Hopfield神經(jīng)網(wǎng)絡恢復方法、Paik的Hopfield神經(jīng)網(wǎng)絡恢復方法的恢復性能好，因此，本發(fā)明與串行Hopfield神經(jīng)網(wǎng)絡方法進行了50次的對比實驗，實驗獲得的數(shù)據(jù)如表2所示。其中，APSNR表示在相同的迭代次數(shù)后，本發(fā)明獲得的PSNR值比串行Hopfield神經(jīng)網(wǎng)絡方法獲得的PSNR值的提高量，AISNR表示在相同的迭代次數(shù)后，本發(fā)明所得到的ISNR值比串行Hopfield神經(jīng)網(wǎng)絡方法得到的ISNR值的提高量。表2.本發(fā)明在進行50次實驗后的統(tǒng)計數(shù)據(jù)模糊尺度模糊角度△PSNR△ISNR1-151-900.1-0.7(dB)0.1-0.65(dB)表2是將本發(fā)明的方法與現(xiàn)有的串行Hopfield神經(jīng)網(wǎng)絡方法在進行50次實驗后的統(tǒng)計數(shù)據(jù)。從表2中也可以看出，本發(fā)明比串行Hopfield神經(jīng)網(wǎng)絡方法有較好的恢復性能。10權(quán)利要求1、一種基于Hopfield神經(jīng)網(wǎng)絡的運動模糊圖像恢復方法，包括如下步驟(1)設(shè)定Hopfield神經(jīng)網(wǎng)絡迭代次數(shù)，利用點擴散函數(shù)構(gòu)造Toeplitz矩陣H；(2)利用Toeplitz矩陣H計算Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣W和輸入偏置矩陣b；(3)利用Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣W和網(wǎng)絡輸入偏置矩陣b，計算該網(wǎng)絡的第i個神經(jīng)元輸入ui；(4)利用第i個神經(jīng)元輸入ui和Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣W，計算該網(wǎng)絡神經(jīng)元的第i個神經(jīng)元輸出Δxi；(5)利用Hopfield神經(jīng)網(wǎng)絡第i個神經(jīng)元的輸出Δxi和Hopfield神經(jīng)網(wǎng)絡轉(zhuǎn)移函數(shù)f計算整個Hopfield神經(jīng)網(wǎng)絡的第i個輸出xi，其中i∈(1，2，3...L)，L表示整個Hopfield神經(jīng)網(wǎng)絡的輸出個數(shù)；(6)采用計算i+1的串行選取神經(jīng)元的方法，并將計算結(jié)果賦值給i，判斷是否滿足條件i≤L，如果滿足，返回步驟(3)；若不滿足，執(zhí)行步驟(7)；(7)將Hopfield神經(jīng)網(wǎng)絡進行迭代演化，判斷是否達到設(shè)定的迭代次數(shù)，如果達到了設(shè)定的迭代次數(shù)，則這時的Hopfield神經(jīng)網(wǎng)絡輸出為運動模糊圖像的恢復結(jié)果，若未達到設(shè)定的迭代次數(shù)，返回步驟(3)，直到達到設(shè)定的迭代次數(shù)為止。2、根據(jù)權(quán)利要求1所述的運動模糊圖像恢復方法，其中步驟(4)所述的利用第/個神經(jīng)元輸入",.和Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『，計算該網(wǎng)絡神經(jīng)元的第f個神經(jīng)元輸出^c,，按如下步驟計算(2a)利用Hopfield神經(jīng)網(wǎng)絡第/個神經(jīng)元輸入w,計算該網(wǎng)絡神經(jīng)元的第/個神經(jīng)元的修正因子ax:=2",;(2b)利用Hopfield神經(jīng)網(wǎng)絡第Z個神經(jīng)元輸入w,、Hopfield神經(jīng)網(wǎng)絡權(quán)重矩陣『中的元素W,7和第/個神經(jīng)元的修正因子ax;，計算該網(wǎng)絡神經(jīng)元的第/個神經(jīng)元輸出厶X,.=d)=—M,/—AX;。3、根據(jù)權(quán)利要求1所述的運動模糊圖像恢復方法，其中步驟(5)所述的利用Hopfield神經(jīng)網(wǎng)絡第/個神經(jīng)元的輸出^jc,和Hopfield神經(jīng)網(wǎng)絡轉(zhuǎn)移函數(shù)/計算整個HopfieW神經(jīng)網(wǎng)絡的第/個輸出jc,，按如下公式計算:<formula>formulaseeoriginaldocumentpage3</formula>全文摘要本發(fā)明公開了一種基于Hopfield神經(jīng)網(wǎng)絡的運動模糊圖像恢復方法，主要解決現(xiàn)有的技術(shù)無法在網(wǎng)絡達到穩(wěn)定時收斂到全局極值點的問題。其實現(xiàn)過程為(1)構(gòu)造Toeplitz矩陣H；(2)計算網(wǎng)絡權(quán)重矩陣和輸入偏置矩陣；(3)計算網(wǎng)絡神經(jīng)元的輸入；(4)利用更新規(guī)則計算神經(jīng)元的輸出；(5)利用轉(zhuǎn)移函數(shù)計算網(wǎng)絡的輸出；(6)判斷神經(jīng)元是否全部更新結(jié)束，如果是，返回步驟(3)；若否，執(zhí)行步驟(7)；(7)判斷是否達到設(shè)定的迭代次數(shù)，如果是，則得到模糊圖像的恢復結(jié)果；若否，返回步驟(3)，直到達到設(shè)定的迭代次數(shù)為止。本發(fā)明可獲得較好的圖像恢復結(jié)果并具有較好的收斂性能，可用于對數(shù)字圖像過程中所出現(xiàn)的運動模糊圖像的恢復。文檔編號G06T5/00GK101567079SQ20091002286公開日2009年10月28日申請日期2009年6月5日優(yōu)先權(quán)日2009年6月5日發(fā)明者彪侯,芳劉,楊淑媛,焦李成,爽王,符升高,緱水平,蘇開亮,樺鐘申請人:西安電子科技大學