CN107545548A - 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 - Google Patents
基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 Download PDFInfo
- Publication number
- CN107545548A CN107545548A CN201710543510.7A CN201710543510A CN107545548A CN 107545548 A CN107545548 A CN 107545548A CN 201710543510 A CN201710543510 A CN 201710543510A CN 107545548 A CN107545548 A CN 107545548A
- Authority
- CN
- China
- Prior art keywords
- displacement
- boltzmann machine
- image
- network model
- limited boltzmann
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统,属于图像处理技术领域。本发明采用受限玻尔兹曼机网络模型对含模糊的置换混叠图像进行拟合训练,通过调整权重,得到概率矩阵,获得最有网络模型,通过最优网络模型对原数据集进行重构,根据重构数据集与原数据集之间的特征差异,分离含模糊的置换混叠区域。本发明利用受限玻尔兹曼机对图像进行特征提取,能够实现特征的自动选取,大大节省了特征选取的时间,克服了传统盲分离方法准确性不高、特征域不易选取的问题,本发明对于置换区域位置、大小、个数及噪声方差不同的含模糊置换混叠图像均能有效分离出置换区域图像。
Description
技术领域
本发明涉及一种基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统,属于图像处理技术领域。
背景技术
盲源分离(Blind Source Separation,BSS),又称为盲信号分离(Blind SignalSeparation,BSS),是在不需要太多的源信号和信道先验信息的情况下,仅根据观测到的混合输出信号,分离出各输入源信号的过程,是信号处理领域的一个研究热点,也是一种实用有效的信号处理方法,被广泛应用于图像处理、数据传输、语音信号处理、移动通信、生物医学信号处理等领域。而置换混叠图像盲分离是一种单信道的盲源分离问题,不同于传统的叠加混合图像,此类置换混叠图像的置换区域和被置换区域是以置换的形式混合,且置换区域信息丢失,对于置换区域的位置、大小、个数也是无从获知的。2007年轰动一时的华南虎照就属于典型的置换混叠图像,由于拼接图像对社会造成很大的影响,所以对于此类图像的研究具有重大意义。
自2009年方勇等首次提出置换混叠信号的概念以来,国内外出现了一些针对置换混叠图像的盲分离理论。经过几年的研究,针对这类单信道盲分离问题已经取得了很大的进展,如王伟等提出一种基于二次模糊相关性的单通道盲分离方法,通过对置换图像进行二次模糊,估计二次模糊前后对应子块的相关系数来构建映射空间,利用其参数不同实现分离。段新涛等提出了一种基于差分进化的置换混叠图像盲分离算法,通过选择空域作为特征域,将置换混叠图像的梯度图像分成小块,并为每个小块设定个阈值,组成阈值向量。利用差分进化算法获得最优的阈值向量,将置换混叠图像阈值化为二值图像,利用图像形态学实现二值图像分离出置换图像。
还有一个亟需解决的问题是,现存的盲分离算法多是针对单一模糊类型的置换混叠图像时可以有效分离,但是对多种模糊类型的置换混叠图像盲分离无法有效分离。因此需要一种新的算法来有效分离含多种模糊类型的置换混叠图像。
发明内容
本发明的目的是提供一种基于受限玻尔兹曼机的置换混叠图像盲分离方法,以解决目前忙分离算法无法对多种模糊类型的置换混叠图像进行有效盲分离的问题;本发明还提供了一种基于受限玻尔兹曼机的置换混叠图像盲分离系统。
本发明为解决上述技术问题而提供一种基于受限玻尔兹曼机的置换混叠图像盲分离方法,该方法包括以下步骤:
1)利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练,获取概率矩阵,确定受限玻尔兹曼机网络模型中神经元的状态,以完成受限玻尔兹曼机网络模型的构建;
2)对步骤1)中所构建的受限玻尔兹曼机网络模型进行训练,调整权重,以得到最优受限玻尔兹曼机网络模型;
3)利用最优的受限玻尔兹曼机网络模型重构数据样本集,根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域,所述初始样本集为步骤1)中的含有模糊的置换混叠图像。
进一步地,所述步骤1)中含有模糊的置换混叠图像Z(i,j)是由自然图像L(i,j)中的一部分被置换图像S(i,j)中的一部分置换混叠而成,即:
Z(i,j)=L(i,j)+So(i,j)+Sn(i,j)
其中,自然图像L(i,j)不含模糊,So(i,j)表示置换图像中不含模糊的成分,Sn(i,j)表示置换图像中所含模糊的成分。
进一步地,所述步骤1)中在对含有模糊的置换混叠图像进行训练之前,需对含有模糊的置换混叠图像进行分块处理,并对分块处理后的图像进行归一化操作,作为可操作数据集,该可操作数据集即为初始样本集。
进一步地,所述步骤1)中受限玻尔兹曼机网络模型的构建过程如下:
a.随机生成受限玻尔兹曼机神经网络,初始化网络参数,计算隐藏节点的激励值;
b.对每个隐藏节点的激励值进行标准化,得到神经元开启或关闭的概率;
c.将得到神经元开启或关闭的概率与抽取的随机值进行比较,以确定开启或关闭的隐藏节点,实现受限玻尔兹曼机网络模型的构建。
进一步地,所述的步骤c中的抽取的随机值服从(0,1)均匀分布。
进一步地,所述步骤2)采用对比散度快速学习算法训练受限玻尔兹曼机网络模型,过程如下:
a.将含有模糊的置换混叠图像赋值给所构建的受限玻尔兹曼机网络模型中的可视节点,计算隐藏节点被开启的概率;
b.从计算出的概率分布中提取一个样本数据,并利用该样本数据重构显层;
c.提取显层的一个样本,利用重构后的显层神经元计算出隐藏层神经元被开启的概率;
d.循环调整受限玻尔兹曼机网络模型的参数,获得最优网络模型。
进一步地,权重更新采用的公式如下:
W←W+λ(P(h(0)=1|v(0))v(0)T-P(h(1)=1|v(1))v(1)T
其中,W代表权重,λ代表每次权重改变的幅度,P(h(0)=1|v(0))v(0)代表根据可视层节点v(0)计算隐层节点h(0)的概率,P(h(1)=1|v(1))v(1)代表利用受限玻尔兹曼机网络模型对数据进行重构后的可视节点v(1)计算隐层节点h(1)的概率。
本发明还提供了一种基于受限玻尔兹曼机的置换混叠图像盲分离系统,该系统包括处理器,所述处理器中执行有以下指令:
利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练,获取概率矩阵,确定受限玻尔兹曼机网络模型中神经元的状态,以完成受限玻尔兹曼机网络模型的构建;
对所构建的受限玻尔兹曼机网络模型进行训练,调整权重,以得到最优的受限玻尔兹曼机网络模型;
利用最优的受限玻尔兹曼机网络模型重构数据样本集,根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域。
重构过程如下:a、将原数据集赋值给可视层节点。
b、利用训练好的权重和网络,计算神经元的开启或关闭状态。
c、利用隐藏层神经元重构可视层节点,即获得重构数据集。
进一步地,在对含有模糊的置换混叠图像进行训练之前,需对含有模糊的置换混叠图像进行分块处理,并对分块处理后的图像进行归一化操作,作为可操作数据集。
进一步地,所述最优受限玻尔兹曼机网络模型是采用对比散度快速学习算法训练得到。
本发明的有益效果是:本发明采用受限玻尔兹曼机网络模型对含模糊的置换混叠图像进行拟合训练,通过调整权重,得到概率矩阵,获得最有网络模型,通过最优网络模型对原数据集进行重构,根据重构数据集与原数据集之间的模糊特征差异,分离含模糊的置换混叠区域。本发明利用受限玻尔兹曼机对图像进行特征提取,能够实现特征的自动选取,大大节省了特征选取的时间,克服了传统盲分离方法准确性不高、特征域不易选取的问题,本发明对于置换区域位置、大小、个数及噪声方差不同的含模糊置换混叠图像均能有效分离出置换区域图像。
附图说明
图1是本发明置换混叠图像盲分离方法的流程图;
图2是同一图像间置换的置换混叠图像示例图;
图3是采用本发明置换混叠图像盲分离方法对图2进行分离的实验效果图;
图4是不同图像间置换的置换混叠图像示例图;
图5是采用本发明置换混叠图像盲分离方法对图4进行分离的实验效果图;
图6是置换图像含模糊类型为高斯模糊、模糊度为5的置换混叠图像;
图7是置换图像含模糊类型为高斯模糊、模糊度为25的置换混叠图像;
图8是置换图像含模糊类型为高斯模糊、模糊度为45的置换混叠图像;
图9是采用本发明置换混叠图像盲分离方法对图6进行分离的实验效果图;
图10是采用本发明置换混叠图像盲分离方法对图7进行分离的实验效果图;
图11是采用本发明置换混叠图像盲分离方法对图8进行分离的实验效果图;
图12是置换图像含模糊类型为运动模糊、模糊度为3的置换混叠图像;
图13是置换图像含模糊类型为运动模糊、模糊度为10的置换混叠图像;
图14是置换图像含模糊类型为运动模糊、模糊度为30的置换混叠图像;
图15是采用本发明置换混叠图像盲分离方法对图12进行分离的实验效果图;
图16是采用本发明置换混叠图像盲分离方法对图13进行分离的实验效果图;
图17是采用本发明置换混叠图像盲分离方法对图14进行分离的实验效果图;
图18是只含有一个置换区域的置换混叠图像;
图19是采用本发明置换混叠图像盲分离方法对图18进行分离的实验效果图;
图20是含有两个置换区域的置换混叠图像;
图21是采用本发明置换混叠图像盲分离方法对图20进行分离的实验效果图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明的基于受限玻尔兹曼机的置换混叠图像盲分离方法的实施例
本发明不同于传统的置换混叠图像的盲分离方式,其实质是利用受限玻尔兹曼机网络对含模糊的置换混叠图像进行拟合训练,通过调整权重,得到概率矩阵,获得最优受限玻尔兹曼机网络模型,通过最优玻尔兹曼机网络模型对原数据进行重构,比较重构数据集与原数据集之间的模糊特征差异,分离出含模糊的置换混叠图像。该方法的实现流程如图1所示,具体实施步骤如下:
1.将含模糊的置换混叠图像分块,获得输入数据集。
本发明针对的含模糊的置换混叠图像Z(i,j)大小为N×N,是由自然图像L(i,j)中的一部分被图像S(i,j)中的一部分置换混叠而成。其中自然图像L(i,j)不含模糊,而置换图像S(i,j)含模糊,图像Z(i,j)的数学模型可表示为:
Z(i,j)=L(i,j)+So(i,j)+Sn(i,j)
其中L(i,j)中i,j∈NL,Ns∪NL=N,So(i,j)表示置换图像中不含模糊的成分,Sn(i,j)表示置换图像中所含模糊。
将含模糊的置换混叠图像Z(i,j)按照32×32大小进行分块,目的是降低图像的运算维度。将分块后的数据存入数据集X,再对数据集X进行归一化操作。
2.构建受限玻尔兹曼机的网络模型。
受限玻尔兹曼机网络BRM具有两层神经元,分别是由可视节点(visible units)组成的可视层(visible layer)和由隐藏节点(hidden units)组成的隐藏层(hiddenlayer)。其中隐藏层由上面一层神经元构成,可视层由下面一层神经元构成,每一层都可以用一个向量来表示,每一维可表示一个神经元,ωij表示从第i个可视节点到第j个隐藏节点的权重,M表示可视节点个数,N表示隐藏节点个数。
随机生成BRM神经网络,将数据集赋值给可视层节点,初始化网络参数ω,根据如下公式计算隐藏节点的激励值:
h=wX
其中X为归一化操作后的含模糊的置换混叠图像数据集。
利用S形函数对每个隐藏节点的激励值进行标准化,得到神经元开启时的概率值:
则关闭状态的概率为:
P(hj=0)=1-P(hj=1)
通过从0,1均匀分布中抽取随机值u与开启频率进行如下公式比较后,选择开启或关闭相应的隐藏节点。
根据上述比对,确定神经元开启或关闭的状态,从而构建RBM网络模型。
3.训练所构建的RBM模型,调整参数,获得最优RBM网络模型。
本实施例采用对比散度(Contrastive Divergence,CD)快速学习算法训练RBM网络模型,具体过程如下:
首先将数据集X赋值给可视节点,计算隐藏节点被开启的概率,公式如下:
然后从计算出的概率分布中提取一个样本数据,即h(0)~P(h(0)|v(0))。再利用h(0)重构显层,即同样,提取显层的一个样本,即v(1)~P(v(1)|h(0)),利用重构后的显层神经元计算出隐藏层神经元被开启的概率,即最后,按照下面公式更新权重:
W←W+λ(P(h(0)=1|v(0))v(0)T-P(h(1)=1|v(1))v(1)T
其中,W代表权重,λ代表每次权重改变的幅度,P(h(0)=1|v(0))v(0)代表根据可视层节点v(0)计算隐层节点h(0)的概率,P(h(1)=1|v(1))v(1)代表利用受限玻尔兹曼机网络模型对数据进行重构后的可视节点v(1)计算隐层节点h(1)的概率。
通过循环调整参数ω,获得最优网络模型。
该过程的实现代码如下表所示:
4.将原数据集X赋值给可视节点,通过训练好的最优RBM网络模型,重构数据集。
通过调整权重获得最优的RBM网络模型后,重新将原数据集X的值赋值给可视节点,利用训练好的权重和网络(此时的权重是最优的权重,而不是随机生成的权重),重新生成隐藏层节点,继而重构可视层节点,即重构数据集。
5.根据重构数据集与原数据集X的特征差异,分离出被置换的区域。
重构数据集与原数据集X之间存在模糊特征差异,因为重构的数据集中含模糊区域的像素与原数据集中含模糊区域的像素值差异大,所以利用模糊特征差异分离含模糊的区域。
6.利用函数将分块的图像进行重组,获得含模糊的置换混叠图像盲分离的效果图,大小为256×256。
本发明的基于受限玻尔兹曼机的置换混叠图像盲分离系统的实施例
本发明的基于受限玻尔兹曼机的置换混叠图像盲分离系统包括处理器,处理器中执行有以下指令:利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练,获取概率矩阵,确定受限玻尔兹曼机网络模型中神经元的状态,以完成受限玻尔兹曼机网络模型的构建;对所构建的受限玻尔兹曼机网络模型进行训练,调整权重,以得到最优的受限玻尔兹曼机网络模型;利用最优的受限玻尔兹曼机网络模型重构数据样本集,根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域。各指令的具体实现过程已在方法的实施例中进行了详细说明,这里不再赘述。
实验验证
本发明所有的实验是在主频为3.2GHz的CPU、内存为4GB的PC机64位Win7操作系统下用MATLABR2012b软件编程实现,为确保本发明的准确性,采用的图像都是在图像处理领域实验常用的标准图像,以下的实验结果是在多次实验的基础上得出的部分实验结果。
本部分实验针对置换区域位置、大小不同时的置换混叠图像进行仿真实验,由于图像的置换区域位置、大小都可能不同,这些因素都可能影响本发明的分离准确性。实验例1是对同一图像间置换的置换混叠图像进行实验,选用Camera图像,其中置换区域的左上角坐标为[100,100],大小为100×100,如图2所示;通过本发明的基于受限玻尔兹曼机的置换混叠图像盲分离方法分离后的效果如图3所示。实验例2是对不同图像间置换的置换混叠图像进行实验,选用的被置换图像是Baboon图像,置换图像是Lena图像,其中置换区域的左上角坐标是[20,100],大小是120×120像素,如图4所示;通过本发明的基于受限玻尔兹曼机的置换混叠图像盲分离方法分离后的效果如图5所示。从图3和图5的效果图可以看出,本发明对置换区域位置、大小不同时,对于同一图像间和不同图像间置换的图像,都能有效分离出置换区域,验证了本发明算法有很好的分离准确性和鲁棒性。
不同模糊度和不同模糊类型产生的模糊效果是不同的,为验证本发明的分离准确性,下面选用常用的两种模糊类型—高斯模糊和运动模糊进行实验。首先选用含有不同模糊度的高斯模糊进行仿真试验,分别选取含模糊度为5、15、45的Barbara图像,分别如图6、7和8所示,通过本发明的基于受限玻尔兹曼机的置换混叠图像盲分离方法分离后的效果分别如图9、10和11所示。其次选用含不同模糊度的运动模糊进行仿真试验,分别选取含模糊度为3、10和30的Barbara图像,如图12、13和14所示,通过本发明的基于受限玻尔兹曼机的置换混叠图像盲分离方法分离后的效果分别如图15、16和17所示。从上述盲分离的效果图可以看出,本发明对含不同模糊度的图像、以及含高斯模糊或运动模糊的图像都能有效的分离出置换区域。
为了验证置换区域的个数对本发明的影响,选用置换区域个数不同的两组图像进行实验对比。首先,选用只含有一个置换区域的置换混叠图像,其中被置换图像是Baboon图像,置换图像是Lena图像,如图18所示,通过本发明的基于受限玻尔兹曼机的置换混叠图像盲分离方法分离后的效果如图19所示。其次,选用含有两个置换区域的置换混叠图像,其中被置换的图像是Tank图像,置换图像分别是Lena图像和Camera图像,如图20所示,通过本发明的基于受限玻尔兹曼机的置换混叠图像盲分离方法分离后的效果如图21所示。从上述盲分离的效果图可以看出,本发明在置换区域个数不同时,也能有效的分离出置换区域,证明了本发明有很好的分离准确性和鲁棒性。
综上所示,本发明将受限玻尔兹曼机用于置换混叠图像的盲分离,不仅提高了盲分离的准确性,而且增强了算法的鲁棒性。与现有的置换混叠图像盲分离方法相比,本发明采用无监督神经网络中的受限玻尔兹曼机,实现对置换混叠图像的特征统计,避免了人为选取特征不当造成的误检现象,提高可分离的准确性。同时,本发明采用概率矩阵自动选取特征,减少了选取特征的时间,提高了分离的效果。并且本发明是以像素为单位进行运算的,减少了误检时的信息丢失,且本发明对图像的来源和处理方式不限制,提高了盲分离效果的适应性。
Claims (10)
1.一种基于受限玻尔兹曼机的置换混叠图像盲分离方法,其特征在于,该方法包括以下步骤:
1)利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练,获取概率矩阵,确定受限玻尔兹曼机网络模型中神经元的状态,以完成受限玻尔兹曼机网络模型的构建;
2)对步骤1)中所构建的受限玻尔兹曼机网络模型进行训练,调整权重,以得到最优受限玻尔兹曼机网络模型;
3)利用最优的受限玻尔兹曼机网络模型重构数据样本集,根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域,所述初始样本集为步骤1)中的含有模糊的置换混叠图像。
2.根据权利要求1所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法,其特征在于,所述步骤1)中含有模糊的置换混叠图像Z(i,j)是由自然图像L(i,j)中的一部分被置换图像S(i,j)中的一部分置换混叠而成,即:
Z(i,j)=L(i,j)+So(i,j)+Sn(i,j)
其中,自然图像L(i,j)不含模糊,So(i,j)表示置换图像中不含模糊的成分,Sn(i,j)表示置换图像中所含模糊的成分。
3.根据权利要求1所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法,其特征在于,所述步骤1)中在对含有模糊的置换混叠图像进行训练之前,需对含有模糊的置换混叠图像进行分块处理,并对分块处理后的图像进行归一化操作,作为可操作数据集,该可操作数据集即为初始样本集。
4.根据权利要求1所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法,其特征在于,所述步骤1)中受限玻尔兹曼机网络模型的构建过程如下:
a.随机生成受限玻尔兹曼机神经网络,初始化网络参数,计算隐藏节点的激励值;
b.对每个隐藏节点的激励值进行标准化,得到神经元开启或关闭的概率;
c.将得到神经元开启或关闭的概率与抽取的随机值进行比较,以确定开启或关闭的隐藏节点,实现受限玻尔兹曼机网络模型的构建。
5.根据权利要求4所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法,其特征在于,所述的步骤c中的抽取的随机值服从(0,1)均匀分布。
6.根据权利要求1所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法,其特征在于,所述步骤2)采用对比散度快速学习算法训练受限玻尔兹曼机网络模型,过程如下:
a.将含有模糊的置换混叠图像赋值给所构建的受限玻尔兹曼机网络模型中的可视节点,计算隐藏节点被开启的概率;
b.从计算出的概率分布中提取一个样本数据,并利用该样本数据重构显层;
c.提取显层的一个样本,利用重构后的显层神经元计算出隐藏层神经元被开启的概率;
d.更新权重,循环调整受限玻尔兹曼机网络模型的参数,获得最优网络模型。
7.根据权利要求6所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法,其特征在于,权重更新采用的公式如下:
W←W+λ(P(h(0)=1|v(0))v(0)T-P(h(1)=1|v(1))v(1)T)
其中,W代表权重,λ代表每次权重改变的幅度,P(h(0)=1|v(0))v(0)代表根据可视层节点v(0)计算隐层节点h(0)的概率,P(h(1)=1|v(1))v(1)代表利用受限玻尔兹曼机网络模型对数据进行重构后的可视节点v(1)计算隐层节点h(1)的概率。
8.一种基于受限玻尔兹曼机的置换混叠图像盲分离系统,其特征在于,该系统包括处理器,所述处理器中执行有以下指令:
利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练,获取概率矩阵,确定受限玻尔兹曼机网络模型中神经元的状态,以完成受限玻尔兹曼机网络模型的构建;
对所构建的受限玻尔兹曼机网络模型进行训练,调整权重,以得到最优的受限玻尔兹曼机网络模型;
利用最优的受限玻尔兹曼机网络模型重构数据样本集,根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域。
9.根据权利要求8所述的基于受限玻尔兹曼机的置换混叠图像盲分离系统,其特征在于,在对含有模糊的置换混叠图像进行训练之前,需对含有模糊的置换混叠图像进行分块处理,并对分块处理后的图像进行归一化操作,作为可操作数据集。
10.根据权利要求8所述的基于受限玻尔兹曼机的置换混叠图像盲分离系统,其特征在于,所述最优受限玻尔兹曼机网络模型是采用对比散度快速学习算法训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543510.7A CN107545548B (zh) | 2017-07-05 | 2017-07-05 | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543510.7A CN107545548B (zh) | 2017-07-05 | 2017-07-05 | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107545548A true CN107545548A (zh) | 2018-01-05 |
CN107545548B CN107545548B (zh) | 2020-03-31 |
Family
ID=60970597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710543510.7A Active CN107545548B (zh) | 2017-07-05 | 2017-07-05 | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545548B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647635A (zh) * | 2018-05-09 | 2018-10-12 | 黑龙江大学 | 基于均分循环补足接收模型的单通道图像盲提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110033122A1 (en) * | 2009-08-04 | 2011-02-10 | Microsoft Corporation | Image Processing Using Masked Restricted Boltzmann Machines |
CN104091181A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院合肥物质科学研究院 | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 |
CN105046241A (zh) * | 2015-08-19 | 2015-11-11 | 西安电子科技大学 | 基于rbm模型的目标级遥感图像变化检测方法 |
CN106778850A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 |
-
2017
- 2017-07-05 CN CN201710543510.7A patent/CN107545548B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110033122A1 (en) * | 2009-08-04 | 2011-02-10 | Microsoft Corporation | Image Processing Using Masked Restricted Boltzmann Machines |
CN104091181A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院合肥物质科学研究院 | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 |
CN105046241A (zh) * | 2015-08-19 | 2015-11-11 | 西安电子科技大学 | 基于rbm模型的目标级遥感图像变化检测方法 |
CN106778850A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 |
Non-Patent Citations (1)
Title |
---|
张娟: "基于快速持续对比散度的卷积受限玻尔兹曼机", 《计算机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647635A (zh) * | 2018-05-09 | 2018-10-12 | 黑龙江大学 | 基于均分循环补足接收模型的单通道图像盲提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107545548B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javed et al. | Cellular community detection for tissue phenotyping in colorectal cancer histology images | |
CN105488515B (zh) | 一种对图像进行分类的图像处理方法和图像处理装置 | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN105957066B (zh) | 基于自动上下文模型的ct图像肝脏分割方法及系统 | |
CN104680508B (zh) | 卷积神经网络和基于卷积神经网络的目标物体检测方法 | |
CN104866868B (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN110728330A (zh) | 基于人工智能的对象识别方法、装置、设备及存储介质 | |
CN107909095A (zh) | 一种基于深度学习的图像识别方法 | |
CN103208001B (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
CN106780466A (zh) | 一种基于卷积神经网络的宫颈细胞图像识别方法 | |
CN106650690A (zh) | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 | |
CN107424159A (zh) | 基于超像素边缘和全卷积网络的图像语义分割方法 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN107423756A (zh) | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 | |
CN108734719A (zh) | 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法 | |
CN108960059A (zh) | 一种视频动作识别方法及装置 | |
CN106156793A (zh) | 结合深层特征提取和浅层特征提取的医学图像分类方法 | |
Berger et al. | An adaptive sampling scheme to efficiently train fully convolutional networks for semantic segmentation | |
CN108121995A (zh) | 用于识别对象的方法和设备 | |
CN107506793A (zh) | 基于弱标注图像的服装识别方法及系统 | |
CN109409384A (zh) | 基于细粒度图像的图像识别方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |