本發(fā)明涉及模糊圖像類型識(shí)別及參數(shù)計(jì)算領(lǐng)域，尤其是涉及一種融合記憶cnn(卷積神經(jīng)網(wǎng)絡(luò))的圖像模糊類型識(shí)別及參數(shù)整定方法。

背景技術(shù)：

網(wǎng)絡(luò)和信息技術(shù)高速發(fā)展的今天，ccd和cmos已成為了繼壓力、電流等傳感器之后的主流核心傳感器應(yīng)用于各大領(lǐng)域，無(wú)論是在航拍還是無(wú)人駕駛車，熱門的人臉識(shí)別、文字識(shí)別還是形形色色的工業(yè)檢測(cè)相機(jī)應(yīng)用，以及手機(jī)相機(jī)應(yīng)用。但由于環(huán)境等各種因素的影響，采集的圖像不是很清晰，特別是相機(jī)高速運(yùn)動(dòng)環(huán)境下的圖像采集含有嚴(yán)重的模糊信息，給下一步應(yīng)用帶來(lái)極大困難。因此，研究圖像模糊類型、求解模糊參數(shù)對(duì)圖像處理具有重要意義。

rudin等人采用全變差正則化方法識(shí)別模糊點(diǎn)擴(kuò)展函數(shù)(rudinli,oshers,fatemie.nonlineartotalvariationbasednoiseremovalalgorithms[j].physicad:nonlinearphenomena,1992,60(1-4):259-268.)，schmidt等人利用貝葉斯模型進(jìn)行模糊核估計(jì)(schmidtu,scheltenk,roths.bayesiandeblurringwithintegratednoiseestimation[c]//computervisionandpatternrecognition(cvpr),2011ieeeconferenceon.ieee,2011:2625-2632.)，這些方法都是先建立問(wèn)題的數(shù)學(xué)模型，對(duì)參數(shù)進(jìn)行求解。模型法、參數(shù)法在許多場(chǎng)合都有成功應(yīng)用，但各種算法大多適用于特定模糊的解決，不能解決綜合模糊導(dǎo)致的圖像退化問(wèn)題，而且大多沒(méi)考慮應(yīng)用到實(shí)際圖像處理中，模型普適性較差。

alphago的問(wèn)世，讓人們?cè)俅沃匦抡J(rèn)識(shí)人工智能，不少學(xué)者也將深度學(xué)習(xí)應(yīng)用于圖像模糊識(shí)別。參考文獻(xiàn)(yanr,shaol.blindimageblurestimationviadeeplearning[j].ieeetransactionsonimageprocessing,2016,25(4):1910-1921.)公開(kāi)了一種利用dnn來(lái)識(shí)別圖像模糊類型，再用grnn來(lái)估計(jì)點(diǎn)擴(kuò)展函數(shù)中的參數(shù)。參考文獻(xiàn)(xul,renjsj,liuc,etal..deepconvolutionalneuralnetworkforimagedeconvolution[c].advancesinneuralinformationprocessingsystems,2014:1790-1798.)公開(kāi)了一種通過(guò)結(jié)合優(yōu)化和深度神經(jīng)網(wǎng)絡(luò)的方法來(lái)實(shí)現(xiàn)反卷積,通過(guò)兩個(gè)模型的結(jié)合并利用偽逆矩陣使得傳統(tǒng)的卷積方法更好的實(shí)現(xiàn)圖像清晰化。參考文獻(xiàn)(sunj,caow,xuz,etal..learningaconvolutionalneuralnetworkfornon-uniformmotionblurremoval[c].proceedingsoftheieeeconferenceoncomputervisionandpatternrecognition,2015:769-777.)公開(kāi)了一種用稀疏先驗(yàn)的方法，首先用cnn預(yù)測(cè)圖像中部分塊的運(yùn)動(dòng)模糊概率分布估計(jì)，然后用mrf模型估計(jì)整個(gè)圖像的模糊核，再進(jìn)行圖像復(fù)原，該方法不能估計(jì)普遍的非均勻運(yùn)動(dòng)模糊核。參考文獻(xiàn)(schulercj,hirschm,hamelings,etal.learningtodeblur[j].ieeetransactionsonpatternanalysisandmachineintelligence,2016,38(7):1439-1451.)公開(kāi)了一種通過(guò)神經(jīng)網(wǎng)絡(luò)首先提取特征模型轉(zhuǎn)換成圖像梯度估計(jì)模型估計(jì)核函數(shù)，再在傅立葉空間對(duì)三個(gè)模型學(xué)習(xí)出核函數(shù)進(jìn)行圖像復(fù)原。這些基于深度學(xué)習(xí)的圖像去模糊方法集中在應(yīng)用神經(jīng)網(wǎng)絡(luò)求解模型的某些參數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)沒(méi)有改進(jìn)，現(xiàn)有網(wǎng)絡(luò)不具有獨(dú)立的記憶功能。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種融合記憶cnn的圖像模糊類型識(shí)別及參數(shù)整定方法，用以克服現(xiàn)有模糊識(shí)別中網(wǎng)絡(luò)不帶獨(dú)立記憶功能的缺點(diǎn)，能夠提高圖像模糊類型及參數(shù)計(jì)算的效率。

本發(fā)明的技術(shù)方案：一種融合記憶cnn的圖像模糊類型識(shí)別及參數(shù)整定方法，包括以下步驟：

第一步，構(gòu)建融合記憶網(wǎng)絡(luò)架構(gòu)：

將融合記憶cnn模型分為5層卷積層、1個(gè)深度記憶網(wǎng)絡(luò)和1個(gè)bp網(wǎng)絡(luò)的串行架構(gòu)；

第一卷積層選擇n1個(gè)卷積算子，每個(gè)卷積算子為一個(gè)大小s1×t1的卷積核，其中s1為卷積核的行數(shù)，t1為卷積核的列數(shù)；所述的卷積核由多種不同的直線和多種不同的圓盤和多種不同的圓環(huán)組成，每個(gè)卷積核提取圖像子圖單元的一級(jí)形狀特征；

第二卷積層選擇n2個(gè)卷積算子，每個(gè)卷積算子為一個(gè)大小s2×t2的卷積核，其中s2為卷積核的行數(shù)，t2為卷積核的列數(shù)；每個(gè)卷積核提取圖像子圖的一個(gè)二級(jí)形狀特征；

第三卷積層選擇n3個(gè)卷積算子，每個(gè)卷積算子為一個(gè)大小s3×t3的卷積核，其中s3為卷積核的行數(shù)，t3為卷積核的列數(shù)；每個(gè)卷積核提取圖像子圖的一個(gè)三級(jí)形狀特征；

第四卷積層選擇n4個(gè)卷積算子，每個(gè)卷積算子為一個(gè)大小s4×t4的卷積核，其中s4為卷積核的行數(shù)，t4為卷積核的列數(shù)；每個(gè)卷積核提取圖像子圖的一個(gè)四級(jí)形狀特征；

第五卷積層選擇n5個(gè)卷積算子，每個(gè)卷積算子為一個(gè)大小s5×t5的卷積核，其中s5為卷積核的行數(shù)，t5為卷積核的列數(shù)；每個(gè)卷積核提取圖像子圖的一個(gè)五級(jí)形狀特征；

所述的深度記憶網(wǎng)絡(luò)采用深度為d個(gè)單元的記憶模型，采用選擇性更新規(guī)則；

所述的bp網(wǎng)絡(luò)采用4層結(jié)構(gòu)，一個(gè)輸入層，兩個(gè)隱層和一個(gè)輸出層；

第二步，設(shè)置融合記憶網(wǎng)絡(luò)各層算法：

1)對(duì)輸入圖像進(jìn)行灰度化處理，當(dāng)原輸入圖像為三維彩色圖時(shí)，通過(guò)矢量映射法將其轉(zhuǎn)換為對(duì)應(yīng)的灰度圖，如果輸入為灰度圖則跳過(guò)此步；

2)將被檢測(cè)圖像進(jìn)行二維傅里葉變換，轉(zhuǎn)化為頻譜圖，標(biāo)記為圖像p⁰；

3)將圖像p⁰與第一卷積層的n1個(gè)卷積算子分別進(jìn)行卷積操作，計(jì)算表達(dá)式為：

其中為圖像p⁰在像素[(i-1)△1+1+x,(j-1)△1+1+y]處的灰度值，表示第n1個(gè)卷積算子在位置[x,y]處的權(quán)值，為卷積后的圖像p¹在像素[i,j]處的灰度值，s1為卷積算子的行數(shù)，t1為卷積算子的列數(shù)，△1為卷積移動(dòng)步長(zhǎng)，n1為卷積算子的序號(hào)，范圍為1≤n1≤n1；

4)將卷積圖像進(jìn)行規(guī)則化處理，處理過(guò)程為：

其中為規(guī)則化后的輸出，ω為衰減系數(shù)；

5)將圖像進(jìn)行最大池化計(jì)算，計(jì)算方法為：

6)根據(jù)第二層卷積核，參考步驟3)、步驟4)、步驟5)計(jì)算第二層卷積運(yùn)算的結(jié)果；

7)根據(jù)第三層卷積核，參考步驟3)、步驟4)、步驟5)計(jì)算第三層卷積運(yùn)算的結(jié)果；

8)對(duì)步驟7)得到的矩陣進(jìn)行相似度聚類分析，保持圖像第三級(jí)特征數(shù)量為m1個(gè)；

9)在步驟8)的基礎(chǔ)上，根據(jù)第四層卷積核，參考步驟3)、步驟4)、步驟5)計(jì)算第四層卷積運(yùn)算的結(jié)果；

10)對(duì)步驟9)得到的矩陣進(jìn)行相似度聚類分析，保持圖像第四級(jí)特征數(shù)量為m2個(gè)；

11)在步驟10)的基礎(chǔ)上，根據(jù)第五層卷積核，參考步驟3)、步驟4)、步驟5)計(jì)算第五層卷積運(yùn)算的結(jié)果；

12)對(duì)步驟11)得到的矩陣進(jìn)行相似度聚類分析，以其矩陣所有元素的和為綜合特征，得到m3個(gè)不同特征點(diǎn)；

13)對(duì)于步驟12)輸出的特征值，輸入到對(duì)應(yīng)的記憶模型，通過(guò)記憶模型產(chǎn)生相應(yīng)的輸出信息；具體記憶模型為：

一個(gè)具有d個(gè)獨(dú)立記憶單元的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)輸入x(t)與記憶單元各記憶值進(jìn)行對(duì)比，其最接近輸入的單元k處的誤差為：

δk(t)＝min{|ci(t)-x(t)|,i＝1,2,…,d}，(4)，

當(dāng)δk(t)小于或等于網(wǎng)絡(luò)識(shí)別閥值ε時(shí)，說(shuō)明網(wǎng)絡(luò)成功識(shí)別為第k類信息，此時(shí)每個(gè)記憶單元的記憶系數(shù)βi(t)和記憶信息ci(t)的選擇性記憶更新規(guī)則為：

當(dāng)δk(t)大于網(wǎng)絡(luò)識(shí)別閥值ε時(shí)，說(shuō)明網(wǎng)絡(luò)識(shí)別過(guò)程中沒(méi)有輸入類，記憶網(wǎng)絡(luò)按遺忘規(guī)律更新記憶最差的信息，即將記憶系數(shù)最低的單元k處替換為當(dāng)前輸入信息；此時(shí)每個(gè)記憶單元的記憶系數(shù)βi(t)和記憶信息ci(t)的選擇性記憶更新規(guī)則為：

βk(t)＝min{βi(t),i＝1,2,…,d}，(7)，

網(wǎng)絡(luò)輸出為：

h(t+1)＝ck(t+1)，(10)，

14)將步驟13)輸出的元素作為全連接bp網(wǎng)絡(luò)的輸入，以遞減方式設(shè)計(jì)中間隱層結(jié)點(diǎn)的數(shù)量，輸出層為5個(gè)節(jié)點(diǎn)；輸出層的每個(gè)節(jié)點(diǎn)的含義分別為：第1個(gè)輸出結(jié)點(diǎn)為模糊類型，失焦模糊為1，運(yùn)動(dòng)模糊為2，高斯模糊為3；第2個(gè)輸出結(jié)點(diǎn)為失焦模糊的半徑r，當(dāng)?shù)?個(gè)輸出結(jié)點(diǎn)為1時(shí)，該輸出為計(jì)算得到的半徑值，否則，該項(xiàng)輸出為0；第3個(gè)輸出結(jié)點(diǎn)為運(yùn)動(dòng)模糊的長(zhǎng)度；第4個(gè)輸出結(jié)點(diǎn)為運(yùn)動(dòng)模湖的方向角；第5個(gè)輸出結(jié)點(diǎn)為高斯模糊的噪聲方差；

15)網(wǎng)絡(luò)在參數(shù)訓(xùn)練過(guò)程中提供人工判斷反饋功能，當(dāng)使用者發(fā)現(xiàn)網(wǎng)絡(luò)識(shí)別錯(cuò)誤時(shí)，將錯(cuò)誤信息輸入網(wǎng)絡(luò)更正接口，網(wǎng)絡(luò)將自動(dòng)重新學(xué)習(xí)，更新系統(tǒng)權(quán)值矩陣信息；

第三步，通過(guò)網(wǎng)絡(luò)訓(xùn)練獲得網(wǎng)絡(luò)參數(shù)：

網(wǎng)絡(luò)構(gòu)建和算法設(shè)置完成后,使用1～100萬(wàn)幀的已知圖像及其特征進(jìn)行學(xué)習(xí)訓(xùn)練，獲得網(wǎng)絡(luò)參數(shù)；

第四步，未知圖像模糊類型識(shí)別及參數(shù)整定：

將實(shí)際生產(chǎn)過(guò)程中采集到的圖像信息或者需要識(shí)別的模糊圖像信息輸入到本網(wǎng)絡(luò)，經(jīng)過(guò)網(wǎng)絡(luò)計(jì)算，獲得模糊類型、失焦模糊的半徑、運(yùn)動(dòng)模糊的長(zhǎng)度、運(yùn)動(dòng)模湖的方向角和高斯模糊的噪聲方差網(wǎng)絡(luò)輸出，實(shí)現(xiàn)圖像模糊類型識(shí)別及參數(shù)整定。

本發(fā)明在記憶cnn的基礎(chǔ)上，針對(duì)高分辨率的圖像采用5層變步長(zhǎng)卷積運(yùn)算，當(dāng)分辨率高于200×200像素時(shí)采用步長(zhǎng)控制加速卷積收斂；當(dāng)分辨率低于200×200像素時(shí)，采用單步卷積控制保證特征數(shù)量。為避免卷積網(wǎng)絡(luò)中后層規(guī)模激增現(xiàn)象，采用聚類分析降低層輸出特征矩陣的數(shù)量，保證網(wǎng)絡(luò)特征的差異性和計(jì)算規(guī)模。在得到的細(xì)節(jié)特征處理過(guò)程中模擬人類記憶過(guò)程，通過(guò)深度記憶網(wǎng)絡(luò)模型對(duì)特征進(jìn)行記憶和整形輸出。最后通過(guò)bp網(wǎng)絡(luò)對(duì)模糊類型和參數(shù)大小進(jìn)行識(shí)別和計(jì)算。本發(fā)明能夠提高圖像模糊類型及參數(shù)計(jì)算的效率。

具體實(shí)施方式

本發(fā)明通過(guò)一種融合記憶cnn的圖像模糊類型識(shí)別及參數(shù)整定方法，用以克服現(xiàn)有模糊識(shí)別中網(wǎng)絡(luò)不帶記憶功能的缺點(diǎn)。

下面結(jié)合實(shí)例(軌道表面缺陷檢測(cè))對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

第一步，構(gòu)建融合記憶網(wǎng)絡(luò)架構(gòu)：

將融合記憶cnn模型分為5層卷積層、1個(gè)深度記憶網(wǎng)絡(luò)和1個(gè)bp網(wǎng)絡(luò)的串行架構(gòu)；

第一卷積層選擇96個(gè)卷積算子，每個(gè)卷積算子為一個(gè)16×16的卷積核，卷積核包含了72種不同形態(tài)的直線和8種不同大小的圓盤和16種不同形態(tài)的圓環(huán),每個(gè)卷積核提取圖像子圖單元的一級(jí)形狀特征；

第二卷積層選擇256個(gè)卷積算子，每個(gè)卷積算子為一個(gè)8×8的卷積核，每個(gè)卷積核提取圖像子圖的一個(gè)二級(jí)形狀特征；

第三卷積層選擇256個(gè)卷積算子，每個(gè)卷積算子為一個(gè)5×5的卷積核，每個(gè)卷積核提取圖像子圖的一個(gè)三級(jí)形狀特征；

第四卷積層選擇384個(gè)卷積算子，每個(gè)卷積算子為一個(gè)3×3的卷積核，每個(gè)卷積核提取圖像子圖的一個(gè)四級(jí)形狀特征；

第五卷積層選擇384個(gè)卷積算子，每個(gè)卷積算子為一個(gè)3×3的卷積核，每個(gè)卷積核提取圖像子圖的一個(gè)五級(jí)形狀特征；

所述的深度記憶網(wǎng)絡(luò)采用深度為10個(gè)單元的記憶模型，采用選擇性更新規(guī)則；

所述的bp網(wǎng)絡(luò)采用4層結(jié)構(gòu)，一個(gè)輸入層，兩個(gè)隱層和一個(gè)輸出層；

第二步，設(shè)置融合記憶網(wǎng)絡(luò)各層算法：

1)對(duì)輸入圖像進(jìn)行灰度化處理，當(dāng)原輸入圖像為三維彩色圖時(shí)，通過(guò)矢量映射法將其轉(zhuǎn)換為對(duì)應(yīng)的灰度圖，如果輸入為灰度圖則跳過(guò)此步；

2)將被檢測(cè)圖像進(jìn)行二維傅里葉變換，轉(zhuǎn)化為頻譜圖，標(biāo)記為圖像p⁰，圖像p⁰大小是1024×1024；

3)將圖像p⁰與網(wǎng)絡(luò)第一卷積層的96個(gè)卷積算子分別進(jìn)行卷積操作，計(jì)算表達(dá)式為：

其中為圖像p⁰在像素[2i-1+x,2j-1+y]處的灰度值，表示卷積算子在位置[x,y]處的值，為卷積后的圖像p¹在像素[i,j]處的灰度值；經(jīng)過(guò)第一層卷積運(yùn)算后，輸出96個(gè)504×504大小的卷積圖像；

4)將卷積圖像進(jìn)行規(guī)則化處理，處理過(guò)程為：

其中為規(guī)則化后的輸出；

5)將圖像進(jìn)行最大池化計(jì)算，計(jì)算方法為：

通過(guò)最大池化作用，輸出96個(gè)252×252大小的特征矩陣；

6)重復(fù)步驟3)、步驟4)、步驟5)進(jìn)行第二層卷積運(yùn)算，選擇參數(shù)s2和t2都為8，△2為2，得到24576個(gè)61×61大小的特征矩陣；

7)重復(fù)步驟3)、步驟4)、步驟5)進(jìn)行第三層卷積運(yùn)算，選擇參數(shù)s3和t3都為5，△3為1，得到629萬(wàn)個(gè)28×28大小的特征矩陣；

8)對(duì)步驟7)得到的矩陣進(jìn)行相似度聚類分析，保持圖像特征矩陣為10萬(wàn)個(gè)；

9)重復(fù)步驟3)、步驟4)、步驟5)進(jìn)行第四層卷積運(yùn)算，選擇參數(shù)s4和t4都為3，△4為1，得到3840萬(wàn)個(gè)12×12大小的特征矩陣；

10)對(duì)步驟9)得到的矩陣進(jìn)行相似度聚類分析，保持圖像特征矩陣為1萬(wàn)個(gè)；

11)重復(fù)步驟3)、步驟4)、步驟5)進(jìn)行第五層卷積運(yùn)算，選擇參數(shù)s5和t5都為3，△5為1，得到384萬(wàn)個(gè)4×4大小的特征矩陣；

12)對(duì)步驟11)得到的矩陣進(jìn)行相似度聚類分析，以其矩陣所有元素的和為綜合特征，得到1000個(gè)不同特征點(diǎn)；

13)對(duì)于步驟12)輸出的特征值，輸入到對(duì)應(yīng)的記憶模型，本網(wǎng)絡(luò)有1000個(gè)記憶深度為10的獨(dú)立記憶單元，通過(guò)記憶模型產(chǎn)生相應(yīng)的輸出信息；具體記憶模型為：

一個(gè)具有10個(gè)獨(dú)立記憶單元的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)輸入x(t)與記憶單元各記憶值進(jìn)行對(duì)比，其最接近輸入的單元k處的誤差為：

δk(t)＝min{|ci(t)-x(t)|,i＝1,2,…,10}，(4)，

當(dāng)δk(t)小于或等于網(wǎng)絡(luò)識(shí)別閥值ε時(shí)，說(shuō)明網(wǎng)絡(luò)成功識(shí)別為第k類信息，此時(shí)每個(gè)記憶單元的記憶系數(shù)βi(t)和記憶信息ci(t)的選擇性記憶更新規(guī)則為：

當(dāng)δk(t)大于網(wǎng)絡(luò)識(shí)別閥值ε時(shí)，說(shuō)明網(wǎng)絡(luò)識(shí)別過(guò)程中沒(méi)有輸入類，記憶網(wǎng)絡(luò)按遺忘規(guī)律更新記憶最差的信息，βk(t)即將記憶系數(shù)最低的單元k處替換為當(dāng)前輸入信息；此時(shí)每個(gè)記憶單元的記憶系數(shù)βi(t)和記憶信息ci(t)的選擇性記憶更新規(guī)則為：

βk(t)＝min{βi(t),i＝1,2,…,10}，(7)，

網(wǎng)絡(luò)輸出h(t+1)為：

h(t+1)＝ck(t+1)，(10)，

14)將步驟13)輸出的元素作為全連接bp網(wǎng)絡(luò)的輸入，第一隱層設(shè)計(jì)500個(gè)節(jié)點(diǎn)，第二隱層設(shè)計(jì)50個(gè)節(jié)點(diǎn)，輸出層為5個(gè)節(jié)點(diǎn)；輸出層的每個(gè)節(jié)點(diǎn)的含義分別為：第1個(gè)輸出結(jié)點(diǎn)為模糊類型，失焦模糊為1，運(yùn)動(dòng)模糊為2，高斯模糊為3；第2個(gè)輸出結(jié)點(diǎn)為失焦模糊的半徑r，當(dāng)?shù)?個(gè)輸出結(jié)點(diǎn)為1時(shí)，該輸出為計(jì)算得到的半徑值，否則，該項(xiàng)輸出為0；第3個(gè)輸出結(jié)點(diǎn)為運(yùn)動(dòng)模糊的長(zhǎng)度；第4個(gè)輸出結(jié)點(diǎn)為運(yùn)動(dòng)模湖的方向角；第5個(gè)輸出結(jié)點(diǎn)為高斯模糊的噪聲方差；

15)網(wǎng)絡(luò)在參數(shù)訓(xùn)練過(guò)程中提供人工判斷反饋功能，當(dāng)使用者發(fā)現(xiàn)網(wǎng)絡(luò)識(shí)別錯(cuò)誤時(shí)，將錯(cuò)誤信息輸入網(wǎng)絡(luò)更正接口，網(wǎng)絡(luò)將自動(dòng)重新學(xué)習(xí)，更新系統(tǒng)權(quán)值矩陣信息；

第三步，通過(guò)網(wǎng)絡(luò)訓(xùn)練獲得網(wǎng)絡(luò)參數(shù)：

以圖像數(shù)據(jù)庫(kù)caltech101dataset及所采集的軌道表面視頻圖像庫(kù)為基礎(chǔ)，構(gòu)建50萬(wàn)幅不同模糊類型和不同參數(shù)的模糊圖像，將該模糊圖像集作為輸入，對(duì)應(yīng)的參數(shù)作為輸出，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，獲得網(wǎng)絡(luò)參數(shù)；

第四步，未知圖像模糊類型識(shí)別及參數(shù)整定：

以1000張caltech101dataset數(shù)據(jù)庫(kù)中的圖像為被測(cè)圖像，進(jìn)行測(cè)試，計(jì)算每幅圖像對(duì)應(yīng)的模糊類型、失焦模糊的半徑、運(yùn)動(dòng)模糊的長(zhǎng)度、運(yùn)動(dòng)模湖的方向角和高斯模糊的噪聲方差網(wǎng)絡(luò)輸出；將網(wǎng)絡(luò)輸出與已知結(jié)果進(jìn)行對(duì)比，其正確率達(dá)到99.7％，實(shí)現(xiàn)圖像模糊類型識(shí)別及參數(shù)整定；

同時(shí)，將融合記憶cnn應(yīng)用到軌道表面缺陷檢測(cè)系統(tǒng)中的圖像去模糊處理過(guò)程，計(jì)算被測(cè)圖像的模糊類型、失焦模糊的半徑、運(yùn)動(dòng)模糊的長(zhǎng)度、運(yùn)動(dòng)模湖的方向角和高斯模糊的噪聲方差；將整定參數(shù)應(yīng)用于圖像去模糊，從結(jié)果分析得到的去模糊效果達(dá)到檢測(cè)系統(tǒng)的要求。

所描述的實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。