一種基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法
【專利摘要】一種基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法，首先獲取待恢復(fù)運(yùn)動(dòng)模糊的圖像，并對(duì)該圖像進(jìn)行預(yù)處理以消除噪聲；然后對(duì)圖像進(jìn)行小波變換，在變換域內(nèi)利用Hopfield神經(jīng)網(wǎng)絡(luò)的恢復(fù)算法修正小波系數(shù)，同時(shí)可以保護(hù)模糊圖像的邊緣細(xì)節(jié)；最后再用小波逆變換重構(gòu)恢復(fù)圖像，本發(fā)明可以充分利用小波變換和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，在變換域內(nèi)實(shí)現(xiàn)并行恢復(fù)退化圖像，時(shí)間與空間上都可達(dá)到快速有效；應(yīng)用于道路交通、視頻監(jiān)控、案件偵查等領(lǐng)域，能夠較好地解決退化圖像的復(fù)原問題，快速準(zhǔn)確地記錄違規(guī)車輛信息，精確識(shí)別視頻監(jiān)控中的嫌疑目標(biāo)等，不僅可以減少交通事故的發(fā)生，還可以減少經(jīng)濟(jì)損失，促進(jìn)經(jīng)濟(jì)發(fā)展，具有一定的市場潛力。
【專利說明】-種基于小波變換和Hopf ield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像 恢復(fù)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理術(shù)領(lǐng)域，特別涉及一種基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的 運(yùn)動(dòng)模糊圖像恢復(fù)方法。

【背景技術(shù)】
[0002] 運(yùn)動(dòng)模糊是成像過程中普遍存在的一種現(xiàn)象，對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行復(fù)原在視頻監(jiān) 控、道路交通、案件偵查、醫(yī)學(xué)圖像處理、遙感圖像處理以及工業(yè)控制領(lǐng)域不僅有著科學(xué)意 義，而且可以創(chuàng)造可觀的經(jīng)濟(jì)價(jià)值。
[0003] 針對(duì)運(yùn)動(dòng)模糊的圖像，解決的辦法一般有兩種：一是縮短曝光時(shí)間，但是隨著曝光 時(shí)間的縮短，圖像的質(zhì)量也會(huì)因此下降，而且曝光時(shí)間也不能無限縮短；二是利用數(shù)學(xué)方法 建立目標(biāo)物體與攝像機(jī)之間相對(duì)運(yùn)動(dòng)造成圖像模糊的模型，利用圖像處理的相關(guān)算法由退 化的模糊圖像恢復(fù)原始圖像。第二種方法是目前廣泛使用的圖像恢復(fù)方法。
[0004] 小波變換可以對(duì)二維圖像進(jìn)行精細(xì)化或者粗略化的分析，通過小波變換分解圖 像，在變換域內(nèi)處理小波系數(shù)，再通過小波逆變換得到重構(gòu)圖像。利用這一優(yōu)勢，小波變換 處理圖像恢復(fù)的問題上取得了良好效果。
[0005] 神經(jīng)網(wǎng)絡(luò)借助其函數(shù)逼近的優(yōu)勢在圖像處理領(lǐng)域也得到廣泛應(yīng)用?；谏窠?jīng)網(wǎng) 絡(luò)的圖像恢復(fù)方法可歸為兩種：一是運(yùn)用大量原始圖像與退化圖像的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練網(wǎng) 絡(luò)，然后再利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行圖像恢復(fù)；二是將圖像恢復(fù)轉(zhuǎn)化為優(yōu)化問題，通過網(wǎng)絡(luò)能 量函數(shù)的演化得到恢復(fù)圖像。Hopfield正是采用第二種方法實(shí)現(xiàn)圖像的恢復(fù)。
[0006] 因此可綜合利用小波變換和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，先將圖像進(jìn)行小波分解，得到高低 頻小波系數(shù)，將小波系數(shù)輸入神經(jīng)網(wǎng)絡(luò)，對(duì)小波系數(shù)進(jìn)行修正，再通過重構(gòu)算法實(shí)現(xiàn)圖像的 恢復(fù)。


【發(fā)明內(nèi)容】

[0007] 為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于小波變換和 Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法，可降低空間與時(shí)間復(fù)雜度。
[0008] 為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：
[0009] 一種基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法，包括如下步 驟：
[0010] 步驟1，獲取待恢復(fù)運(yùn)動(dòng)模糊的圖像，并對(duì)該圖像進(jìn)行預(yù)處理以消除噪聲；
[0011] 步驟2,對(duì)圖像進(jìn)行小波變換，在變換域內(nèi)利用Hopfield神經(jīng)網(wǎng)絡(luò)的恢復(fù)算法修正 小波系數(shù)，同時(shí)可以保護(hù)模糊圖像的邊緣細(xì)節(jié)；
[0012] 步驟3,再用小波逆變換重構(gòu)恢復(fù)圖像。
[0013] 所述步驟1中，
[0014] 先建立圖像的退化模型，Y = HX+N ;其中，Y表示退化圖像，X表示原始圖像，即要 求量，Η表示退化函數(shù)，N為加性噪聲；
[0015] 然后，對(duì)于獲取的待恢復(fù)運(yùn)動(dòng)模糊的圖像，采用小波閾值方法進(jìn)行初步去噪。
[0016] 所述步驟2中，對(duì)預(yù)處理后的圖像進(jìn)行一層小波分解，得到小波系數(shù)陣Y = [ca， ch，cv，cd]，其中ca代表低頻系數(shù)，ch代表水平方向的高頻系數(shù)，cv代表垂直方向的高頻 系數(shù)，cd代表斜邊緣方向的高頻系數(shù)，令ca = Y1，取X (0) = HY為初始值，其中Η為退化函 數(shù)，為一個(gè)模糊矩陣；進(jìn)行迭代運(yùn)算，根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元狀態(tài)變化規(guī)則， Vi = g(Ui)，Vi為每個(gè)神經(jīng)元的狀態(tài)，Ui為每個(gè)神經(jīng)元的輸入，使修正后的小波系數(shù)X n? = g(X°ld+AX)，ΛΧ表示神經(jīng)元狀態(tài)的變化量，即小波系數(shù)的增量，ΛΧ= YUi，Y是引入的一 個(gè)隨機(jī)參數(shù)，表征它與輸入的關(guān)系，Υ>〇 ;對(duì)ch、cv和cd做同樣的運(yùn)算，并行訪問所有系數(shù)， 修正所有待恢復(fù)的小波系數(shù)；計(jì)算Hopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)E，計(jì)算當(dāng)小波系數(shù)由X° ld 恢復(fù)到Xn?時(shí)能量的變化量Λ E，設(shè)定誤差范圍err，達(dá)到誤差范圍則停止計(jì)算，否則繼續(xù)迭 代。
[0017] 與現(xiàn)有技術(shù)相比，本發(fā)明涉及的基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖 像恢復(fù)方法，可以充分利用小波變換和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，在變換域內(nèi)實(shí)現(xiàn)并行恢復(fù)退化圖 像，時(shí)間與空間上都可達(dá)到快速有效。若將本發(fā)明算法應(yīng)用于道路交通、視頻監(jiān)控、案件偵 查等領(lǐng)域，能夠較好地解決退化圖像的復(fù)原問題，快速準(zhǔn)確地記錄違規(guī)車輛信息，精確識(shí)別 視頻監(jiān)控中的嫌疑目標(biāo)等，不僅可以減少交通事故的發(fā)生，還可以減少經(jīng)濟(jì)損失，促進(jìn)經(jīng)濟(jì) 發(fā)展，具有一定的市場潛力。

【專利附圖】

【附圖說明】
[0018] 圖1為本發(fā)明運(yùn)動(dòng)模糊圖像恢復(fù)方法的處理流程圖。

【具體實(shí)施方式】
[0019] 本發(fā)明以運(yùn)動(dòng)模糊的目標(biāo)為研究對(duì)象，處理流程如附圖1所示，具體實(shí)施步驟如 下：
[0020] Stepl、建立圖像的退化模型，Y = HX+N ;其中，Y表示退化圖像，X表示原始圖像， 即要求量，Η表示退化函數(shù)，N為加性噪聲。
[0021] Step2、獲取待恢復(fù)運(yùn)動(dòng)|旲糊的圖像。
[0022] St印3、對(duì)待恢復(fù)圖像進(jìn)行預(yù)處理以消除噪聲。
[0023] St印4、對(duì)圖像進(jìn)行一層小波分解。
[0024] Step5、得到小波系數(shù)陣Y = [ca，ch，cv，cd]，ca，ch，cv，cd分別代表低頻系數(shù)與 水平、垂直、斜邊緣3個(gè)方向的高頻系數(shù)。
[0025] St印6、將小波系數(shù)歸于[_0· 5,0· 5]區(qū)間內(nèi)，便于后續(xù)處理。
[0026] St印7、令ca = Y1，表示低頻部分的退化圖像，取X (0) = HY為初始值， 其中Η為一個(gè)模糊矩陣，由系統(tǒng)點(diǎn)擴(kuò)展函數(shù)生成的分塊循環(huán)矩陣，若取點(diǎn)擴(kuò)展函數(shù)

【權(quán)利要求】
1. 一種基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法，其特征在于，包 括如下步驟： 步驟1，獲取待恢復(fù)運(yùn)動(dòng)模糊的圖像，并對(duì)該圖像進(jìn)行預(yù)處理以消除噪聲； 步驟2,對(duì)圖像進(jìn)行小波變換，在變換域內(nèi)利用Hopfield神經(jīng)網(wǎng)絡(luò)的恢復(fù)算法修正小波 系數(shù)； 步驟3,再用小波逆變換重構(gòu)恢復(fù)圖像。
2. 根據(jù)權(quán)利要求1所述基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法， 其特征在于，所述步驟1中， 先建立圖像的退化模型，Y = HX+N ;其中，Y表示退化圖像，X表示原始圖像，即要求量， Η表示退化函數(shù)，N為加性噪聲； 然后，對(duì)于獲取的待恢復(fù)運(yùn)動(dòng)模糊的圖像，采用小波閾值方法進(jìn)行初步去噪。
3. 根據(jù)權(quán)利要求2所述基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法， 其特征在于，所述步驟2中，對(duì)預(yù)處理后的圖像進(jìn)行一層小波分解，得到小波系數(shù)陣Y = [ca，ch，cv，cd]，其中ca代表低頻系數(shù)，ch代表水平方向的高頻系數(shù)，cv代表垂直方向的 高頻系數(shù)，cd代表斜邊緣方向的高頻系數(shù)，令ca = Y1，取X(0) = tfY1為初始值，其中Η為 退化函數(shù)，為一個(gè)模糊矩陣；進(jìn)行迭代運(yùn)算，根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元狀態(tài)變化 規(guī)則，Vi = g(i〇, Vi為每個(gè)神經(jīng)元的狀態(tài)，Ui為每個(gè)神經(jīng)元的輸入，使修正后的小波系數(shù) X- = g(rid+AX)，Λχ表示神經(jīng)元狀態(tài)的變化量，即小波系數(shù)的增量， Λχ= YUi，γ是引 入的一個(gè)隨機(jī)參數(shù)，表征它與輸入的關(guān)系，Y >〇 ;對(duì)ch、cv和cd做同樣的運(yùn)算，并行訪問所 有系數(shù)，修正所有待恢復(fù)的小波系數(shù)；計(jì)算Hopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)E，計(jì)算當(dāng)小波系 數(shù)由X° ld恢復(fù)到XMW時(shí)能量的變化量Λ E，設(shè)定誤差范圍err，達(dá)到誤差范圍則停止計(jì)算，否 則繼續(xù)迭代。
4. 根據(jù)權(quán)利要求1所述基于小波變換和Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法， 其特征在于，且ca、ch、cv和cd均位于[_0. 5,0. 5]區(qū)間內(nèi)。
【文檔編號(hào)】G06T5/00GK104156919SQ201410380244
【公開日】2014年11月19日 申請(qǐng)日期:2014年8月4日 優(yōu)先權(quán)日:2014年8月4日
【發(fā)明者】黨宏社, 白梅, 張娜 申請(qǐng)人:陜西科技大學(xué)