專利名稱：一種圖像復(fù)原方法
技術(shù)領(lǐng)域：
本發(fā)明所涉及的是一種基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的對(duì)退化模型已知的退化圖像進(jìn)行復(fù)原的方法。

背景技術(shù)：
在成像系統(tǒng)中，由于聚焦不良、相對(duì)運(yùn)動(dòng)等因素，使實(shí)際得到的圖象不可避免地加入了噪聲和干擾，引起圖像的降質(zhì)。在降質(zhì)嚴(yán)重的情況下面，對(duì)圖像進(jìn)行進(jìn)一步應(yīng)用，如特征提取、自動(dòng)識(shí)別和圖像分析都是相當(dāng)有害的。因此，對(duì)降質(zhì)圖像的復(fù)原在軍事、遙感等許多領(lǐng)域具有非常重要的實(shí)際意義。
圖像的降晰退化模型用矩陣形式可以用矩陣-向量形式描述為 g＝Hf+n(1) 其中，g、f、n分別為觀測(cè)圖像、原始圖像和噪聲的堆積矩陣。H是降晰函數(shù)作為卷積核生成的循環(huán)矩陣。圖像復(fù)原的核心思想是由給定的觀測(cè)圖像g和對(duì)退化模型H及噪聲n的先驗(yàn)了解，在事先確定的最優(yōu)準(zhǔn)則J為最小的情況下，尋找對(duì)原始圖像f的最優(yōu)估計(jì)

但是噪聲的存在使得圖像復(fù)原問(wèn)題具有病態(tài)性，為了克服病態(tài)，通常采用正則化圖像復(fù)原方法，通過(guò)對(duì)復(fù)原圖像引入一定的約束，使問(wèn)題的解規(guī)整化，從而降低噪聲的干擾。
引入平滑約束后的正則化方程的J為 其中

表示復(fù)原圖像，C為正則化算子，通常為一個(gè)各向同向的高通濾波器，λ為正則化參數(shù)。
對(duì)(2)式求偏導(dǎo)數(shù)，使偏導(dǎo)數(shù)為零的

就是對(duì)原始圖像f的估計(jì)。但是這種方法需要進(jìn)行大尺度矩陣的求逆運(yùn)算，為了簡(jiǎn)化計(jì)算，后人提出了一些簡(jiǎn)化的方法，如分塊矩陣對(duì)角化，Von Citter迭代等。雖然避免了大尺寸矩陣求逆，但是它們的基本思想還是基于矩陣運(yùn)算，計(jì)算量非常大。除正則化方法之外，另外一種常用的基于隨機(jī)和統(tǒng)計(jì)過(guò)程分析的圖像復(fù)原方法，也存在計(jì)算量大的缺點(diǎn)。為了提高計(jì)算速度，Zhou等提出了一種基于神經(jīng)網(wǎng)絡(luò)的圖像復(fù)原方法，但是神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)并不容易。所以，要實(shí)現(xiàn)實(shí)時(shí)圖像復(fù)原，存在很大困難。
細(xì)胞神經(jīng)網(wǎng)絡(luò)(CNN)是一種具有實(shí)時(shí)信號(hào)處理能力的大規(guī)模的非線性模擬電路，它具有時(shí)間域上的連續(xù)處理能力，又具有局部連接的簡(jiǎn)單的網(wǎng)絡(luò)拓?fù)?。所以它具有易于大?guī)模模擬電路實(shí)現(xiàn)和并行處理的能力。
一個(gè)大小尺寸為M×N×T的三維CNN陣列中，C(i，j，k)表示第i行、第j列、高度為k的細(xì)胞。細(xì)胞C(i，j，k)的中心半徑為r的近鄰影響區(qū)域Sijk(r)定義如式(3)所示 Sijk(r)＝{C(m，n，l)|max(|m-i|，|n-j|，|l-l|)≤r}(3) 在三維CNN中，每個(gè)細(xì)胞的動(dòng)態(tài)過(guò)程由如式(4)所示的一階微分方程表示 其中，xijk、uijk和yijk分別表示每個(gè)細(xì)胞的狀態(tài)、恒定的外界輸入和相應(yīng)的輸出；A(i，j，k；m，n，l)表示細(xì)胞C(m，n，l)的輸出與細(xì)胞C(i，j，k)之間的連接權(quán)，B(i，j，k；m，n，l)表示細(xì)胞C(m，n，l)的輸入與細(xì)胞C(i，j，k)之間的連接權(quán)；C、Rx表示等效電路中的電容和電阻，Iijk表示偏置電流。
每個(gè)細(xì)胞的輸出函數(shù)是一個(gè)分段線性函數(shù)，如式(5)表示 本發(fā)明的目的是利用細(xì)胞神經(jīng)網(wǎng)絡(luò)對(duì)退化模型已知的圖像提供一種簡(jiǎn)單有效的復(fù)原方法。


發(fā)明內(nèi)容
本發(fā)明的目的是為退化模型已知的退化圖像提供一種簡(jiǎn)單高效的復(fù)原方法。
為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是采用三維細(xì)胞神經(jīng)網(wǎng)絡(luò)對(duì)退化模型已知的退化圖像進(jìn)行復(fù)原，包括三維細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板參數(shù)、初始值及采用細(xì)胞神經(jīng)網(wǎng)絡(luò)對(duì)退化模型已知的退化圖像進(jìn)行復(fù)原的過(guò)程。
本發(fā)明細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板參數(shù)如(6)所示
B(i，j，k；m，n，l)＝2k+l+1h(m-i，n-j) Iijk＝0(6)
具體實(shí)施例方式 本發(fā)明的具體工作過(guò)程如下。
1)設(shè)大小為M×N的退化圖像G的精度為T位，令g(i，j，k)表示退化圖像G中坐標(biāo)為(i，j)的點(diǎn)g(i，j)第k位的值。其中，0≤k≤T-1。此時(shí)g(i，j)如式(7)所示 將式(7)中的g(i，j，k)進(jìn)行歸一化處理，得到歸一化后的值G(i，j，k)如式(8)所示 G(i，j，jk)＝g(i，j，k)×2-1(8) 所有的G(i，j，k)(其中1≤i≤M，1≤j≤N，0≤k≤T-1)作為矩陣元素組成M行、N列、T維的矩陣G。
2)細(xì)胞神經(jīng)網(wǎng)絡(luò)的大小為M行N列T維。第i行第j列第k維的細(xì)胞神經(jīng)網(wǎng)絡(luò)的狀態(tài)變量xi，j初始值為G(i，j，k)，輸入變量ui，j為0。細(xì)胞神經(jīng)網(wǎng)絡(luò)的規(guī)模與矩陣G的規(guī)模一致，當(dāng)細(xì)胞神經(jīng)網(wǎng)絡(luò)鄰域內(nèi)的初始值超過(guò)細(xì)胞神經(jīng)網(wǎng)絡(luò)的規(guī)模時(shí)，該初始值以0代替。當(dāng)細(xì)胞神經(jīng)網(wǎng)絡(luò)鄰域內(nèi)的狀態(tài)值超過(guò)細(xì)胞神經(jīng)網(wǎng)絡(luò)的規(guī)模時(shí)，該狀態(tài)值以0代替。細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板如式(6)表示。
3)對(duì)所有的細(xì)胞神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行計(jì)算。第i行第j列第k維的細(xì)胞神經(jīng)網(wǎng)絡(luò)的最終輸出為y(i，j，k)，將y(i，j，k)按照式(9)變換得到復(fù)原圖像F的坐標(biāo)為(i，j)的像素點(diǎn)的第k位的值，將式(9)得到的值按照式(10)計(jì)算得到復(fù)原圖像F的坐標(biāo)為(i，j)的像素點(diǎn)的像素值f(m，n)，其中式(9)、(10)有1≤i≤M、1≤j≤N、0≤k≤T-1、1≤m≤M、1≤n≤N。
由式(10)計(jì)算得到的f(m，n)按照位置排列得到的矩陣就是復(fù)原圖像F的各像素點(diǎn)的像素值，從而得到了復(fù)原圖像。
權(quán)利要求
一種運(yùn)用細(xì)胞神經(jīng)網(wǎng)絡(luò)對(duì)退化模型已知的退化圖像進(jìn)行復(fù)原的方法，其特征是將得到的退化圖像的像素值按位歸一化到區(qū)間[-1，1]，歸一化后的結(jié)果作為細(xì)胞神經(jīng)網(wǎng)絡(luò)的輸入，其中細(xì)胞神經(jīng)網(wǎng)絡(luò)的行數(shù)、列數(shù)、維數(shù)與輸入圖像的行數(shù)、列數(shù)、維數(shù)相同，細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板參數(shù)如(1)所示
B(i，j，k；m，n，l)＝2k+l+1h(m-i，n-j)
Iijk＝0(1)
細(xì)胞神經(jīng)網(wǎng)絡(luò)的邊界條件為0邊界，運(yùn)用細(xì)胞神經(jīng)網(wǎng)絡(luò)演化計(jì)算，最終細(xì)胞神經(jīng)網(wǎng)絡(luò)輸出值按照式(2)變換到區(qū)間
，然后按照式(3)得到復(fù)原后圖像的各位的像素值，
式(3)得到的結(jié)果按照位置排列得到的矩陣就是復(fù)原圖像的各像素點(diǎn)的像素值，從而得到了復(fù)原圖像。
全文摘要
本發(fā)明提供一種圖像復(fù)原方法，該方法用來(lái)對(duì)退化模型已知的退化圖像進(jìn)行復(fù)原。本發(fā)明的處理方法是將待處理的退化圖像運(yùn)用三維細(xì)胞神經(jīng)網(wǎng)絡(luò)圖像處理方法進(jìn)行處理，得到的輸出就是復(fù)原圖像。該方法簡(jiǎn)單易行，可以用在退化模型已知的退化圖像的復(fù)原中。利用細(xì)胞神經(jīng)網(wǎng)絡(luò)芯片實(shí)現(xiàn)該算法，可以具有非常高的處理速度。
文檔編號(hào)G06T5/00GK101266683SQ20081002549
公開(kāi)日2008年9月17日 申請(qǐng)日期2008年5月6日 優(yōu)先權(quán)日2008年5月6日
發(fā)明者強(qiáng) 馮, 于盛林 申請(qǐng)人:南京航空航天大學(xué)