CN104156919B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN104156919B CN104156919B CN201410380244.7A CN201410380244A CN104156919B CN 104156919 B CN104156919 B CN 104156919B CN 201410380244 A CN201410380244 A CN 201410380244A CN 104156919 B CN104156919 B CN 104156919B
- Authority
- CN
- China
- Prior art keywords
- image
- wavelet
- neutral net
- coefficient
- centerdot
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
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,首先获取待恢复运动模糊的图像,并对该图像进行预处理以消除噪声;然后对图像进行小波变换,在变换域内利用Hopfield神经网络的恢复算法修正小波系数,同时可以保护模糊图像的边缘细节;最后再用小波逆变换重构恢复图像,本发明可以充分利用小波变换和神经网络的优点,在变换域内实现并行恢复退化图像,时间与空间上都可达到快速有效;应用于道路交通、视频监控、案件侦查等领域,能够较好地解决退化图像的复原问题,快速准确地记录违规车辆信息,精确识别视频监控中的嫌疑目标等,不仅可以减少交通事故的发生,还可以减少经济损失,促进经济发展,具有一定的市场潜力。
Description
技术领域
本发明属于图像处理术领域,特别涉及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。
背景技术
运动模糊是成像过程中普遍存在的一种现象,对运动模糊图像进行复原在视频监控、道路交通、案件侦查、医学图像处理、遥感图像处理以及工业控制领域不仅有着科学意义,而且可以创造可观的经济价值。
针对运动模糊的图像,解决的办法一般有两种:一是缩短曝光时间,但是随着曝光时间的缩短,图像的质量也会因此下降,而且曝光时间也不能无限缩短;二是利用数学方法建立目标物体与摄像机之间相对运动造成图像模糊的模型,利用图像处理的相关算法由退化的模糊图像恢复原始图像。第二种方法是目前广泛使用的图像恢复方法。
小波变换可以对二维图像进行精细化或者粗略化的分析,通过小波变换分解图像,在变换域内处理小波系数,再通过小波逆变换得到重构图像。利用这一优势,小波变换处理图像恢复的问题上取得了良好效果。
神经网络借助其函数逼近的优势在图像处理领域也得到广泛应用。基于神经网络的图像恢复方法可归为两种:一是运用大量原始图像与退化图像的数据进行学习训练网络,然后再利用训练好的网络进行图像恢复;二是将图像恢复转化为优化问题,通过网络能量函数的演化得到恢复图像。Hopfield正是采用第二种方法实现图像的恢复。
因此可综合利用小波变换和神经网络的优点,先将图像进行小波分解,得到高低频小波系数,将小波系数输入神经网络,对小波系数进行修正,再通过重构算法实现图像的恢复。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供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,可降低空间与时间复杂度。
为了实现上述目的,本发明采用的技术方案是:
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,包括如下步骤:
步骤1,获取待恢复运动模糊的图像,并对该图像进行预处理以消除噪声;
步骤2,对图像进行小波变换,在变换域内利用Hopfield神经网络的恢复算法修正小波系数,同时可以保护模糊图像的边缘细节;
步骤3,再用小波逆变换重构恢复图像。
所述步骤1中,
先建立图像的退化模型,Y=HX+N;其中,Y表示退化图像,X表示原始图像,即要求量,H表示退化函数,N为加性噪声;
然后,对于获取的待恢复运动模糊的图像,采用小波阈值方法进行初步去噪。
所述步骤2中,对预处理后的图像进行一层小波分解,得到小波系数阵Y=[ca,ch,cv,cd],其中ca代表低频系数,ch代表水平方向的高频系数,cv代表垂直方向的高频系数,cd代表斜边缘方向的高频系数,令ca=Y1,取X(0)=HTY1为初始值,其中H为退化函数,为一个模糊矩阵;进行迭代运算,根据Hopfield神经网络的每个神经元状态变化规则,vi=g(ui),vi为每个神经元的状态,ui为每个神经元的输入,使修正后的小波系数Xnew=g(Xold+ΔX),ΔX表示神经元状态的变化量,即小波系数的增量,ΔX=γui,γ是引入的一个随机参数,表征它与输入的关系,γ>0;对ch、cv和cd做同样的运算,并行访问所有系数,修正所有待恢复的小波系数;计算Hopfield神经网络的能量函数E,计算当小波系数由Xold恢复到Xnew时能量的变化量ΔE,设定误差范围err,达到误差范围则停止计算,否则继续迭代。
与现有技术相比,本发明涉及的基于小波变换和Hopfield神经网络的运动模糊图像恢复方法,可以充分利用小波变换和神经网络的优点,在变换域内实现并行恢复退化图像,时间与空间上都可达到快速有效。若将本发明算法应用于道路交通、视频监控、案件侦查等领域,能够较好地解决退化图像的复原问题,快速准确地记录违规车辆信息,精确识别视频监控中的嫌疑目标等,不仅可以减少交通事故的发生,还可以减少经济损失,促进经济发展,具有一定的市场潜力。
附图说明
图1为本发明运动模糊图像恢复方法的处理流程图。
具体实施方式
本发明以运动模糊的目标为研究对象,处理流程如附图1所示,具体实施步骤如下:
Step1、建立图像的退化模型,Y=HX+N;其中,Y表示退化图像,X表示原始图像,即要求量,H表示退化函数,N为加性噪声。
Step2、获取待恢复运动模糊的图像。
Step3、对待恢复图像进行预处理以消除噪声。
Step4、对图像进行一层小波分解。
Step5、得到小波系数阵Y=[ca,ch,cv,cd],ca,ch,cv,cd分别代表低频系数与水平、垂直、斜边缘3个方向的高频系数。
Step6、将小波系数归于[-0.5,0.5]区间内,便于后续处理。
Step7、令ca=Y1,表示低频部分的退化图像,取X(0)=HTY1为初始值,其中H为一个模糊矩阵,由系统点扩展函数生成的分块循环矩阵,若取点扩展函数 则模糊矩阵H可表示如下:
模糊矩阵H中的元素是按照行循环的,第二行的第一个元素等于第一行的最后一个元素,然后循环第一行的数据,以此类推,最后一行元素是倒过来的第一行。
0表示零矩阵。
H0和H1两个矩阵中的元素也是按照行循环的。
Step8、进行迭代运算,根据Hopfield神经网络的每个神经元状态变化规则vi=g(ui),vi为每个神经元的状态,ui为每个神经元的输入,使修正后的小波系数Xnew=g(Xold+ΔX), 假设ΔX=f(ui)=γui,γ>0,则当时,神经网络的能量递减并达到收敛可得到恢复图像,其中ω=max(ωij),ωij为神经元连接权值。
Step9、对高频系数ch,cv,cd按照对低频系数ca的处理方法进行修正,由于高频系数表示图像的轮廓,数值较小,处理之前可扩大4或5倍便于处理。
Step10、并行访问所有系数,修正所有待恢复的小波系数。
Step11、计算Hopfield神经网络的能量函数E,计算当小波系数由Xold恢复到Xnew时能量的变化量ΔE,设定误差范围err,达到误差范围则停止计算,否则继续迭代。ωij为神经元连接权值,ui为神经元输入。
Step12、对修正后的小波系数通过反归一化进行还原。
Step13、对还原后的小波系数进行逆变换得到恢复图像。
Claims (2)
1.一种基于小波变换和Hopfield神经网络的运动模糊图像恢复方法,包括如下步骤:
步骤1,获取待恢复运动模糊的图像,并对该图像进行预处理以消除噪声;
步骤2,对图像进行小波变换,在变换域内利用Hopfield神经网络的恢复算法修正小波系数;
步骤3,再用小波逆变换重构恢复图像;
所述步骤1中,
先建立图像的退化模型,Y=HX+N;其中,Y表示退化图像,X表示原始图像,即要求量,H表示退化函数,N为加性噪声;
然后,对于获取的待恢复运动模糊的图像,采用小波阈值方法进行初步去噪;
其特征在于,所述步骤2中,对预处理后的图像进行一层小波分解,得到小波系数阵Y=[ca,ch,cv,cd],其中ca代表低频系数,ch代表水平方向的高频系数,cv代表垂直方向的高频系数,cd代表斜边缘方向的高频系数,令ca=Y1,取X(0)=HTY1为初始值,其中H为退化函数,为一个模糊矩阵;进行迭代运算,根据Hopfield神经网络的每个神经元状态变化规则,vi=g(ui),vi为每个神经元的状态,ui为每个神经元的输入,使修正后的小波系数Xnew=g(Xold+ΔX),ΔX表示神经元状态的变化量,即小波系数的增量,ΔX=γui,γ是引入的一个随机参数,表征它与输入的关系,γ>0;对ch、cv和cd做同样的运算,并行访问所有系数,修正所有待恢复的小波系数;计算Hopfield神经网络的能量函数E,计算当小波系数由Xold恢复到Xnew时能量的变化量ΔE,设定误差范围err,达到误差范围则停止计算,否则继续迭代。
2.根据权利要求1所述基于小波变换和Hopfield神经网络的运动模糊图像恢复方法,其特征在于,且ca、ch、cv和cd均位于[-0.5,0.5]区间内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410380244.7A CN104156919B (zh) | 2014-08-04 | 2014-08-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410380244.7A CN104156919B (zh) | 2014-08-04 | 2014-08-04 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104156919A CN104156919A (zh) | 2014-11-19 |
CN104156919B true CN104156919B (zh) | 2016-09-14 |
Family
ID=51882410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410380244.7A Active CN104156919B (zh) | 2014-08-04 | 2014-08-04 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104156919B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957036B (zh) * | 2016-05-06 | 2018-07-10 | 电子科技大学 | 一种加强字符先验的视频去运动模糊方法 |
CN108665062B (zh) * | 2018-04-28 | 2020-03-10 | 中国科学院计算技术研究所 | 一种基于小波变换减少io开销的神经网络处理系统 |
CN110148139A (zh) * | 2019-04-25 | 2019-08-20 | 电信科学技术研究院有限公司 | 一种图像恢复方法及装置 |
CN110378271B (zh) * | 2019-09-05 | 2023-01-03 | 易诚高科(大连)科技有限公司 | 一种基于质量维度评估参量的步态识别设备筛选方法 |
CN110796584A (zh) * | 2019-10-28 | 2020-02-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 运动模糊图像建模方法、装置、存储介质及巡检机器人 |
CN112991345B (zh) * | 2021-05-11 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 图像真伪检测方法、装置、计算机设备和存储介质 |
WO2023197219A1 (en) * | 2022-04-13 | 2023-10-19 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Cnn-based post-processing filter for video compression with multi-scale feature representation |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577700B1 (en) * | 2001-06-22 | 2003-06-10 | Liang-Shih Fan | Neural network based multi-criteria optimization image reconstruction technique for imaging two- and three-phase flow systems using electrical capacitance tomography |
CN101567079A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于Hopfield神经网络的运动模糊图像恢复方法 |
CN101571948A (zh) * | 2009-06-11 | 2009-11-04 | 西安电子科技大学 | 基于整体变分模型和神经网络的运动模糊图像恢复方法 |
-
2014
- 2014-08-04 CN CN201410380244.7A patent/CN104156919B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577700B1 (en) * | 2001-06-22 | 2003-06-10 | Liang-Shih Fan | Neural network based multi-criteria optimization image reconstruction technique for imaging two- and three-phase flow systems using electrical capacitance tomography |
CN101567079A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于Hopfield神经网络的运动模糊图像恢复方法 |
CN101571948A (zh) * | 2009-06-11 | 2009-11-04 | 西安电子科技大学 | 基于整体变分模型和神经网络的运动模糊图像恢复方法 |
Non-Patent Citations (2)
Title |
---|
基于小波变换的单幅运动模糊图像恢复;王俊臣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215(第2期);第6、29、33页 * |
应用Hopfield神经网络和小波域隐Markov树模型的图像复原;娄帅等;《光学精密工程》;20091130;第17卷(第11期);第2828页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104156919A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yao et al. | Dr2-net: Deep residual reconstruction network for image compressive sensing | |
Matakos et al. | Accelerated edge-preserving image restoration without boundary artifacts | |
Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
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 | |
Yang et al. | Total variation and high-order total variation adaptive model for restoring blurred images with Cauchy noise | |
JP2018206371A (ja) | コンピューター実施画像再構成システムおよび画像再構成方法 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
US20220020123A1 (en) | Bayesian image denoising method based on distribution constraint of noisy images | |
CN113570516B (zh) | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 | |
Shtok et al. | Sparsity-based sinogram denoising for low-dose computed tomography | |
CN114092416A (zh) | 一种dr模糊图像盲反卷积复原方法及系统 | |
Perugachi-Diaz et al. | Invertible densenets with concatenated lipswish | |
Zhang et al. | Structure preserving image denoising based on low-rank reconstruction and gradient histograms | |
CN113808036A (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
CN101567079B (zh) | 基于Hopfield神经网络的运动模糊图像恢复方法 | |
WO2023083121A1 (zh) | 去噪方法和相关设备 | |
Li et al. | Online Bayesian dictionary learning for large datasets | |
Pan et al. | Two-step group-based adaptive soft-thresholding algorithm for image denoising | |
Riegler et al. | Depth Restoration via Joint Training of a Global Regression Model and CNNs. | |
Kumar et al. | Image Deconvolution using Deep Learning-based Adam Optimizer | |
He et al. | Convex optimization based low-rank matrix decomposition for image restoration | |
Yang et al. | HFAN: High-Frequency Attention Network for hyperspectral image denoising | |
Rashno et al. | Regularization convex optimization method with l-curve estimation in image restoration | |
Umale et al. | A review on various techniques for image debluring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |