CN101266683A - 一种图像复原方法 - Google Patents
一种图像复原方法 Download PDFInfo
- Publication number
- CN101266683A CN101266683A CNA2008100254943A CN200810025494A CN101266683A CN 101266683 A CN101266683 A CN 101266683A CN A2008100254943 A CNA2008100254943 A CN A2008100254943A CN 200810025494 A CN200810025494 A CN 200810025494A CN 101266683 A CN101266683 A CN 101266683A
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- cell neural
- cell
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000011084 recovery Methods 0.000 title description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000015556 catabolic process Effects 0.000 claims abstract description 13
- 238000006731 degradation reaction Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 2
- 230000001413 cellular effect Effects 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种图像复原方法,该方法用来对退化模型已知的退化图像进行复原。本发明的处理方法是:将待处理的退化图像运用三维细胞神经网络图像处理方法进行处理,得到的输出就是复原图像。该方法简单易行,可以用在退化模型已知的退化图像的复原中。利用细胞神经网络芯片实现该算法,可以具有非常高的处理速度。
Description
技术领域
本发明所涉及的是一种基于细胞神经网络的对退化模型已知的退化图像进行复原的方法。
背景技术
在成像系统中,由于聚焦不良、相对运动等因素,使实际得到的图象不可避免地加入了噪声和干扰,引起图像的降质。在降质严重的情况下面,对图像进行进一步应用,如特征提取、自动识别和图像分析都是相当有害的。因此,对降质图像的复原在军事、遥感等许多领域具有非常重要的实际意义。
图像的降晰退化模型用矩阵形式可以用矩阵-向量形式描述为:
g=Hf+n (1)
其中,g、f、n分别为观测图像、原始图像和噪声的堆积矩阵。H是降晰函数作为卷积核生成的循环矩阵。图像复原的核心思想是由给定的观测图像g和对退化模型H及噪声n的先验了解,在事先确定的最优准则J为最小的情况下,寻找对原始图像f的最优估计但是噪声的存在使得图像复原问题具有病态性,为了克服病态,通常采用正则化图像复原方法,通过对复原图像引入一定的约束,使问题的解规整化,从而降低噪声的干扰。
引入平滑约束后的正则化方程的J为:
对(2)式求偏导数,使偏导数为零的就是对原始图像f的估计。但是这种方法需要进行大尺度矩阵的求逆运算,为了简化计算,后人提出了一些简化的方法,如分块矩阵对角化,Von Citter迭代等。虽然避免了大尺寸矩阵求逆,但是它们的基本思想还是基于矩阵运算,计算量非常大。除正则化方法之外,另外一种常用的基于随机和统计过程分析的图像复原方法,也存在计算量大的缺点。为了提高计算速度,Zhou等提出了一种基于神经网络的图像复原方法,但是神经网络的硬件实现并不容易。所以,要实现实时图像复原,存在很大困难。
细胞神经网络(CNN)是一种具有实时信号处理能力的大规模的非线性模拟电路,它具有时间域上的连续处理能力,又具有局部连接的简单的网络拓扑。所以它具有易于大规模模拟电路实现和并行处理的能力。
一个大小尺寸为M×N×T的三维CNN阵列中,C(i,j,k)表示第i行、第j列、高度为k的细胞。细胞C(i,j,k)的中心半径为r的近邻影响区域Sijk(r)定义如式(3)所示:
Sijk(r)={C(m,n,l)|max(|m-i|,|n-j|,|l-l|)≤r} (3)
在三维CNN中,每个细胞的动态过程由如式(4)所示的一阶微分方程表示:
其中,xijk、uijk和yijk分别表示每个细胞的状态、恒定的外界输入和相应的输出;A(i,j,k;m,n,l)表示细胞C(m,n,l)的输出与细胞C(i,j,k)之间的连接权,B(i,j,k;m,n,l)表示细胞C(m,n,l)的输入与细胞C(i,j,k)之间的连接权;C、Rx表示等效电路中的电容和电阻,Iijk表示偏置电流。
每个细胞的输出函数是一个分段线性函数,如式(5)表示:
本发明的目的是利用细胞神经网络对退化模型已知的图像提供一种简单有效的复原方法。
发明内容
本发明的目的是:为退化模型已知的退化图像提供一种简单高效的复原方法。
为实现上述目的,本发明的技术方案是采用三维细胞神经网络对退化模型已知的退化图像进行复原,包括三维细胞神经网络的模板参数、初始值及采用细胞神经网络对退化模型已知的退化图像进行复原的过程。
本发明细胞神经网络的模板参数如(6)所示:
B(i,j,k;m,n,l)=2k+l+1h(m-i,n-j)
Iijk=0 (6)
具体实施方式
本发明的具体工作过程如下。
1)设大小为M×N的退化图像G的精度为T位,令g(i,j,k)表示退化图像G中坐标为(i,j)的点g(i,j)第k位的值。其中,0≤k≤T-1。此时g(i,j)如式(7)所示:
将式(7)中的g(i,j,k)进行归一化处理,得到归一化后的值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)作为矩阵元素组成M行、N列、T维的矩阵G。
2)细胞神经网络的大小为M行N列T维。第i行第j列第k维的细胞神经网络的状态变量xi,j初始值为G(i,j,k),输入变量ui,j为0。细胞神经网络的规模与矩阵G的规模一致,当细胞神经网络邻域内的初始值超过细胞神经网络的规模时,该初始值以0代替。当细胞神经网络邻域内的状态值超过细胞神经网络的规模时,该状态值以0代替。细胞神经网络的模板如式(6)表示。
3)对所有的细胞神经网络同时进行计算。第i行第j列第k维的细胞神经网络的最终输出为y(i,j,k),将y(i,j,k)按照式(9)变换得到复原图像F的坐标为(i,j)的像素点的第k位的值,将式(9)得到的值按照式(10)计算得到复原图像F的坐标为(i,j)的像素点的像素值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)计算得到的f(m,n)按照位置排列得到的矩阵就是复原图像F的各像素点的像素值,从而得到了复原图像。
Claims (1)
- 一种运用细胞神经网络对退化模型已知的退化图像进行复原的方法,其特征是将得到的退化图像的像素值按位归一化到区间[-1,1],归一化后的结果作为细胞神经网络的输入,其中细胞神经网络的行数、列数、维数与输入图像的行数、列数、维数相同,细胞神经网络的模板参数如(1)所示:B(i,j,k;m,n,l)=2k+l+1h(m-i,n-j)Iijk=0 (1)细胞神经网络的边界条件为0边界,运用细胞神经网络演化计算,最终细胞神经网络输出值按照式(2)变换到区间[0,1],然后按照式(3)得到复原后图像的各位的像素值,式(3)得到的结果按照位置排列得到的矩阵就是复原图像的各像素点的像素值,从而得到了复原图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100254943A CN101266683A (zh) | 2008-05-06 | 2008-05-06 | 一种图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100254943A CN101266683A (zh) | 2008-05-06 | 2008-05-06 | 一种图像复原方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101266683A true CN101266683A (zh) | 2008-09-17 |
Family
ID=39989081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100254943A Pending CN101266683A (zh) | 2008-05-06 | 2008-05-06 | 一种图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101266683A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364262A (zh) * | 2018-01-11 | 2018-08-03 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
-
2008
- 2008-05-06 CN CNA2008100254943A patent/CN101266683A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364262A (zh) * | 2018-01-11 | 2018-08-03 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
WO2019136772A1 (zh) * | 2018-01-11 | 2019-07-18 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680491B (zh) | 一种基于深度神经网络的图像非均匀运动模糊去除方法 | |
CN113674403B (zh) | 一种三维点云上采样方法、系统、设备及介质 | |
CN109523482B (zh) | 一种基于深度神经网络的对含纹理退化图像的复原方法 | |
CN104103052B (zh) | 一种基于稀疏表示的图像超分辨率重建方法 | |
CN111695681B (zh) | 一种高分辨率动态视觉观测方法及装置 | |
CN104156919B (zh) | 一种基于小波变换和Hopfield神经网络的运动模糊图像恢复方法 | |
CN108537747A (zh) | 一种基于带对称跨层连接的卷积神经网络的图像修复方法 | |
CN113935977A (zh) | 一种基于生成对抗网络的太阳能电池板缺陷生成方法 | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN104376533A (zh) | 一种基于正则化主成分追踪的图像去噪方法 | |
Cheng et al. | Water quality monitoring method based on TLD 3D fish tracking and XGBoost | |
CN112258410B (zh) | 一种可微分的低秩学习网络图像修复方法 | |
CN113610735A (zh) | 一种面向电力设备红外图像的混合噪声去除方法 | |
CN101567079B (zh) | 基于Hopfield神经网络的运动模糊图像恢复方法 | |
CN102903104B (zh) | 一种基于减法聚类的快速图像分割方法 | |
CN117408991A (zh) | 基于对抗重构的图像异常检测方法、装置及存储介质 | |
CN101266683A (zh) | 一种图像复原方法 | |
CN104574455A (zh) | 图像重建方法及装置 | |
CN116703768A (zh) | 盲点去噪网络模型的训练方法、装置、介质和设备 | |
CN114612305A (zh) | 一种基于立体图建模的事件驱动视频超分辨率方法 | |
CN104240188A (zh) | 一种滤除像素中噪声的方法及装置 | |
CN103136735A (zh) | 一种基于双尺度暗通道的单幅图像去雾方法 | |
CN105138819A (zh) | 空间计算域计算强度表面生成方法 | |
CN111260570A (zh) | 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法 | |
CN104933725A (zh) | 模拟人类视觉的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080917 |