CN111523550A - 一种图像识别方法、系统、介质及电子设备 - Google Patents

一种图像识别方法、系统、介质及电子设备 Download PDF

Info

Publication number
CN111523550A
CN111523550A CN202010235406.3A CN202010235406A CN111523550A CN 111523550 A CN111523550 A CN 111523550A CN 202010235406 A CN202010235406 A CN 202010235406A CN 111523550 A CN111523550 A CN 111523550A
Authority
CN
China
Prior art keywords
image
image recognition
neural network
recognition method
noise
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
Application number
CN202010235406.3A
Other languages
English (en)
Inventor
辛峻峰
李书悦
杨奉儒
李世鑫
李鹏昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Saiwof Ocean Technology Co ltd
Original Assignee
Nanjing Saiwof Ocean Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Saiwof Ocean Technology Co ltd filed Critical Nanjing Saiwof Ocean Technology Co ltd
Priority to CN202010235406.3A priority Critical patent/CN111523550A/zh
Priority to LU101862A priority patent/LU101862B1/en
Publication of CN111523550A publication Critical patent/CN111523550A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像识别方法、系统、介质及电子设备，属于图像识别技术领域，解决的技术问题是当图像具有较强的噪声时无法实现高效的识别，具体方案为：将采集到的图像数据进行二值化处理后得到图像的二值矩阵数据；通过中值滤波与二维小波分解相结合的算法对得到的二值矩阵数据进行去噪处理；利用训练好的Hopfield神经网络，对去燥处理后的二值矩阵数据进行识别；本公开在Hopfiled神经网络中仅引进中值滤波算法和二维小波降噪算法，提升了Hopfiled神经网络的图像识别效率和准确率。

Description

一种图像识别方法、系统、介质及电子设备
技术领域
本公开涉及图像识别技术领域，特别涉及一种图像识别方法、系统、介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
图像识别是近来受到广泛关注的新型技术，其本质是研究图像中的细节分类问题。传统的图像识别方法目前大致可分为数学(统计)方法和结构方法。这两类方法都有着各自的优缺点。第一类方法不重视图像自身结构关系，而第二类方法则忽略了图像本身所受到的噪声影响。除上述这两种传统方法外，近年来基于神经网络的图像识别也在图像识别领域得到了广泛应用。
神经网络是一种模仿和延伸人脑智能、思维和意识等功能的非线性自适应系统，有研究人员提出了一种通过模拟Hopfield神经网络(HNN)优化范例组合简单分类器的新方法，用于对图像中的自然纹理进行分类；依赖于可以同时调整重量值和输出值的想法，有研究人员提出了一种新的改进方法，用于人类视网膜图像的异常分类；为提高消息的安全性，减少由于外部变形或扩散而导致的字符识别的复杂性，有研究人员提出了一种新的消息传输系统两级噪声消除方案，即滞后Hopfield隧道网络(HHTN)，但当存储较大尺寸的图像时，网络无法识别。
图像处理与图像识别具有密切的关系，通过对识别前的图像进行消噪、图像分割、图像提取等相关优化处理后，往往能有效提升图像识别效率。
本公开发明人发现，图像识别过程中神经网络与其他图像识别方法存在着同样的缺陷：一旦目标图像被较强的噪音污染或是目标图像有较大残缺，图像识别效果会出现规模性破损，其精度不能满足需要。
发明内容
为了解决现有技术的不足，本公开提供了一种图像识别方法、系统、介质及电子设备，中值滤波算法和二维小波降噪算法对采集到的图像数据进行去噪处理，提升了Hopfiled神经网络的图像识别效率和准确率。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种图像识别方法。
一种图像识别方法，包括以下步骤：
将采集到的图像数据进行二值化处理后得到图像的二值矩阵数据；
通过中值滤波与二维小波分解相结合的算法对得到的二值矩阵数据进行去噪处理；
利用训练好的Hopfield神经网络，对去燥处理后的二值矩阵数据进行识别。
本公开第二方面提供了一种图像识别系统。
一种图像识别系统，包括：
数据预处理模块，被配置为：将采集到的图像数据进行二值化处理后得到图像的二值矩阵数据；
去燥处理模块，被配置为：通过中值滤波与二维小波分解相结合的算法对得到的二值矩阵数据进行去噪处理；
识别模块，被配置为：利用训练好的Hopfield神经网络，对去燥处理后的二值矩阵数据进行识别。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的图像识别方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的图像识别方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开提供的方法、系统、介质及电子设备，通过将中值滤波和二维小波分解相结合进行降噪处理，中值滤波能有效增强噪声的非线性信号处理过程，可使周围的像素值接近的样本值，继而消除孤立的噪声点。
2、本公开提供的方法、系统、介质及电子设备，通过小波系数的稀疏分布，使图像变换后的熵降低，可以更好的保留原始信号，将多余的噪音信号去除，两者相结合，极大的提高了Hopfield神经网络的图像识别效率和准确度。
附图说明
图1为本公开实施例1提供的Hopfield神经网络的结构示意图。
图2为本公开实施例1提供的图像识别方法的流程示意图。
图3为本公开实施例1提供的0.1噪音强度的识别效果示意图。
图4为本公开实施例1提供的0.2噪音强度的识别效果示意图。
图5为本公开实施例1提供的0.3噪音强度的识别效果示意图。
图6为本公开实施例1提供的0.4噪音强度的识别效果示意图。
图7为本公开实施例1提供的0.5噪音强度的识别效果示意图。
图8为本公开实施例1提供的图像1在三种工况下的仿真分析示意图。
图9为本公开实施例1提供的图像2在三种工况下的仿真分析示意图。
图10为本公开实施例1提供的图像3在三种工况下的仿真分析示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1：
本公开实施例1提供了一种图像识别方法，包括以下步骤：
将采集到的图像数据进行二值化处理后得到图像的二值矩阵数据；
通过中值滤波与二维小波分解相结合的算法对得到的二值矩阵数据进行去噪处理；
利用训练好的Hopfield神经网络，对去燥处理后的二值矩阵数据进行识别。
具体如下：
(1)Hopfield神经网络(HNT)
离散型Hopfield联想记忆网络最初是一种二值神经网络，其输出的离散值是0或1，分别表示神经元处于抑制状态和激活状态。其结构如图1所示，网络由两层神经元构成，第一层仅作为网络的输入，不具备计算的功能。具有计算功能的第二层神经元，它首先对输入信息加权乘积并累加得到uj，再对uj进行非线性处理产生输出信息,非线性函数通常选取阈值函数，即当输出信息小于阈值θ，网络的神经元输出结果取值为-1，若输出信息大于阈值θ，则神经元的输出结果取值为1。
离散Hopfield神经网络的工作方式是按动力学方式进行，即从初始开始运行，网络将按照能量递减方向不断的演化直到输入没有变化为止，此时得到稳定平衡状态即为网络输出。
具体的计算方式如下：
ui＝∑iwijyj+xj(i＝1,2,3…,n；j＝1,2,3…,n) (1)
Figure BDA0002430792240000051
其中xj为网络的外部输入。由式(1)和(2)可知，一个输出层有n个神经元的联想记忆神经网络，时刻t的状态是一个n维的向量[9]，表示如下：
Y(t)＝[y1(t),y2(t),y3(t),…,yn(t)]T (3)
其中yk(t)表示节点k在t时刻的状态(k＝1,2,3,...,n)，其取值为1或-1，所以n维向量Y(t)有2n种状态，也意味着Hopfield网络有2n种状态。
节点k在t+1时刻的状态为：
Figure BDA0002430792240000052
从离散Hopfield网络结构图可看出，若wij在i＝j时为0，说明神经元的输出无返回到输入，此时网络没有自反馈的特性；而当wij在i＝j时不为0，神经元的输出才反馈到输入端此时网络带有自反馈特性。
(2)中值滤波(MF)
中值滤波的原理是把序列(Sequence)或数字图像(digital image)中一点的值，用该点邻域中各点值的中值来替代。
对序列而言中值的定义如下：若xi1，xi2，…，xin为一组序列，将其按大小排列为：xi1≤xi2≤xi3…xin；
则该序列的中值y为：
y＝Med{x1，x2，…，xn}
Figure BDA0002430792240000061
MF也是一种典型的低通滤波器，目的是保护图像边缘的同时去除噪声。所谓中值滤波就是指把以某点(x，y)为中心的小窗口内的所有像素的灰度按从大到小的顺序排列，将中间值作为(x，y)处的灰度值(若窗口中有偶数个像素，则取两个中间值的平均)。
(3)二维小波分解(2-D WDA)
设一平方可积函数ψ(t)，即ψ(t)∈L2(R)，若其Fourier变换ψ(t)满足条件：
Figure BDA0002430792240000062
则称ψ(t)为小波母函数，将ψ(t)进行伸缩和平移后可得到小波序列，连续小波函数为：
Figure BDA0002430792240000063
式中：a为伸缩因子，τ为平移因子，取a＝2j，τ＝n×2k，j，k∈Z，既得到离散小波函数为：
ψj,k(t)＝2-j/2ψ(2-jt-k)；j,k∈Z (8)
小波去噪问题的本质是一个函数逼近问题，小波分析运用在图像去噪处理中，是针对图像信号与噪声信号经小波变换后在不同分辨率下呈现不同规律，在不同分辨率下，设定阈值，调整小波系数，达到图像去噪目的。
二维小波的去噪可总结为三个步骤：分解、系数处理、重建，具体如下：
(3-1)对二维信号进行小波分解。选择一个小波函数和小波分解的层数N，然后将信号S分解为到第N层的分解系数图谱；
(3-2)阈值量化小波分解后的高频系数。在从1到N的每一层的高频系数图谱中，选择一个阈值，软阈值化处理每一层的高频系数；
(3-3)重构二维小波。根据小波分解的第N层的低频系数和经过修改的从第1层到第N层的各层高频系数，对二维信号进行小波重构。
(4)识别过程
本实施例的基本思路是将中值滤波(median filter，MF)与二维小波分解算法(Two-dimensional wavelet decomposition algorithm,2-D WDA)引入到HNT中，来对神经网络的导入数据进行消噪处理，从而改进优化hopfield神经网络(Hopfield Neuralnetwork，HNT)对复杂噪音处理能力差的问题。
识别算法流程可总结为三个步骤：数据导入、图像处理、数据识别，如图2所示，具体如下：
(4-1)导入样本图像二值矩阵数据。对样本图像进行训练，在此基础上创建自学习性的网络；
(4-2)通过中值滤波与二维小波分解相结合的算法对将要识别的含噪音图像进行去噪处理；
(4-3)将处理后的图像数据通过神经网络进行识别，如果仍然无法识别，返回(4-2)，继续进行去噪处理，直到能够有效的进行图像识别为止。
在图像数据识别前，对含有噪音的图像进行去噪处理，以达到提高图像识别能力的目的，其去噪处理算法的优势：
1)中值滤波能有效增强噪声的非线性信号处理过程，可使周围的像素值接近的样本值，继而消除孤立的噪声点；
2)二维小波分解有着众多良好的特性，通过小波系数的稀疏分布，使图像变换后的熵降低，可以更好的保留原始信号，将多余的噪音信号去除。
在Hopfiled神经网络中仅引进二维小波降噪算法，其将会降低图像的噪音强度，使Hopfield识别效果提升，但理论上小波分解后的会对高频系数进行阈值量化，使二维小波分解在噪音较低的情况下，会造成边缘模糊等失真现象。而中值滤波增强噪声的非线性信号处理过程，消除孤立的噪声点，修复了边缘模糊失真的缺陷。因此中值滤波和二维小波分解相结合，是对原图像进行修补和对二维小波分解降噪的补充和增强，会将Hopfield神经网络图像识别效率在低、强两个程度噪音的情况下进一步提升。
(5)仿真实验
(5-1)仿真分析
本实施例基于MATLAB进行仿真实验，共设置3个实验方案：
①只采用hopfiled神经网络的仿真分析；
②采用二维小波降噪与hopfiled神经网络结合的仿真分析；
③采用二维小波降噪与中值滤波结合到hopfiled神经网络中的仿真分析。
具体实验设计如表1所示。
表1：实验方案
Figure BDA0002430792240000091
仿真过程中，首先每种情况神经网络进行了多次训练，共进行了4500次仿真分析，5种工况分别采用噪音强度为0.1、0.2、0.3、0.4、0.5，具体如表2所示。
表2：工况表
Figure BDA0002430792240000092
(5-2)对0.1噪音强度下的三种不同识别的效果进行进一步的分析。
如图3所示，第一行图片分别是三种方案的识别样本，第二行图片分别是数字1、数字2、数字3加入10％噪音下的图像，第三行是采用HNT识别图像，第四行是采用2D WDA识别的图像，第五行采用MF+2D WDA识别的图像。
在第三行识别的图像可见与样本图像基本无差别，识别效果好。第四行和第五行与第三行识别的图像相比，肉眼可见效果更优。但第四行2D WDA与MF+2D WDA识别的图像差别不大。
①在0.1噪音强度样本下，3组方案识别结果无显著差别。
②2D WDA、MF+2D WDA较HNT更加清晰，具有更好的识别效率，2D WDA、MF+2D WDA之间没有较大的降噪提升。
(5-3)对第两种情况，即0.2噪音强度下的3组不同识别的效果进行进一步的分析。
如图4所示，第二行图片分别是数字1、数字2、数字3加入20％噪音下的图像，将第三行识别图像与样本相比，可见识别图像与样本之间有略微的差异。第四行与第五行识别的图像与样本基本无差异，识别效果优于第三行。
①在0.2噪音强度下，HNT、2D WDA、MF+2D WDA这三种方案的识别结果无太大差别，2D WDA、MF+2D WDA较HNT更加清晰，识别效果更优。
②MF+2D WDA较2D WDA的去噪图像效果略优经由hopfield神经网络中识别的图像更优，但无太大差别。
(5-4)对第三种情况，即在0.3噪音强度下的三种实验方案的识别效果分析。
如图5所示，第二行图片分别是数字1、数字2、数字3加入30％噪音下的图像，将第三行识别图像与样本相比，可见识别图像与样本之间有较大的差异。第四行与第五行识别的图像相比，第五行识别的图像的效果要优于第四行，更优于第三行的效果。
①在0.3噪音强度下，HNT组图像识别已经出现规模破损。可见，0.3左右噪音强度已达到hopfield神经网络图像识别的极限噪音强度。
②2D WDA、MF+2D WDA这2种方案通过二维小波分解降噪和二维小波与中值滤波结合在hopfield神经网络中有着更佳图像识别结果，但2种方案无太大差别。
(5-5)对第四种情况，即在0.4噪音强度下的三种实验方案的识别效果分析。
如图6所示，第二行图片分别是数字1、数字2、数字3加入40％噪音下的图像，将第三行识别图像与样本相比，可见识别图像与样本之间有极大的差异。第四行识别的图像要优于第三行识别图像的效果，第五行采用MF+2D WDA方法更是将图像进一步优化识别。
①在0.4噪音强度下，HNT图像识别出现了大规模破损，0.4噪音强度已经完全超过了hopfield神经网络图像识别极限噪音强度，不符合图像识别精度的要求
②2D WDA图像同样出现了规模性的破损，但破损率低于MF+2D WDA，说明二维小波分解降噪对于hopfield神经网络图像识别优化上具有良好的意义
③MF+2D WDA通过二维小波分解与中值滤波结合在hopfield神经网络中进行图像降噪，其识别结果优于2D WDA，图像识别结果佳，可见两种降噪方案相结合对于图像识别有很好的效果。
(5-6)对第四种情况，即在0.5噪音强度下的三种实验方案的识别效果分析。
如图7所示，第二行图片分别是数字1、数字2、数字3加入50％噪音下的图像，人眼已经识别不出数字1、数字2、数字3。第三行采用HNT方案的图像完全无法识别出样本的真实数值，第四行采用2D WDA方案识别效果也很差，不能对噪音进行识别，而第五行采用MF+2DWDA方案的识别图像对噪音进行较大的处理，增补了图像，实现对大噪音强度下图像的识别。
①在0.5噪音强度下，HNT、2D WDA图像识别的精度差，出现了大规模破损，难以识别图像。
②在MF+2D WDA的情况下，二维小波分解与中值滤波结合在hopfield神经网络可以优化噪音样本，能很大程度上对特殊情况下恶劣图像进行识别。
(6)构建识别效率模型进行对比
由于hopfield的原理，只能识别0和1或者-1和1，通过对原样本图像和降噪图像分别统计目标数字的个数，与原矩阵所有元素的比值，即可视为噪音的强度，本实施例统计目标数字为1；
Figure BDA0002430792240000111
P为噪音强度，γ为神经网络中降噪后目标数字的个数，X为原样本图像矩阵的所有元素的个数。
通过公式(9)整理本次实验中三种仿真分析结果，得到图8、9、10。
图8中，在噪音强度较低的情况下，三种工况算法的相对误差无几，说明三种算法在处理低噪音的能力方面十分接近，随着噪音强度的增加，在0.3-0.5噪音强度下，后两种算法的图像处理能力优于传统的hopfield的神经网络算法。
进一步数据量化对比如表3所示。
表3图像1的仿真分析结果
Figure BDA0002430792240000121
注：相对误差＝(改进-原有)/原有*100％
表3中：
①当图像为1简单图像时，在0.1、0.2、0.3噪音强度下处理效果无显著差别。
②当噪音强度在0.4、0.5时，仅采用2D WDA的实验方案的图像处理的相对误差低于传统的hopfield神经网络图像处理相对误差的14.08％、6.58％。
③仅采用2D WDA的方案次于采用2D WDA与MF相结合的实验方案的相对误差的0.29％、3.93％。采用2D WDA与MF结合的神经网络算法优于仅采用2D WDA的神经网络算法更优于传统算法。
图9中，在噪音强度较低的情况下，三种工况算法的相对误差无几，说明三种算法在处理低噪音的能力方面十分接近，随着噪音强度的增加，在0.3-0.5噪音强度下，后两种算法的图像处理能力优于传统的hopfield的神经网络算法。
进一步数据量化对比如表5所示。
表4图像2的仿真分析
Figure BDA0002430792240000131
注：相对误差＝(改进-原有)/原有*100％
表4中：
①当图像为2时，由于2-D WDA的原理，其在0.1、0.2噪音强度下，原有比较清晰的图像会出现边缘模糊等失真现象，但对图像处理效果无显著影响，相对误差为0.66％、0.43％；0.91％、0.17％，因为基本趋向于原图，差别可忽略。
②当噪音强度在0.3、0.4、0.5时，仅采用2-D WDA的实验方案的图像处理的相对误差低于传统的hopfield神经网络图像处理相对误差的0.03％、13.35％、6.98％。
③仅采用2D WDA的实验方案次于采用2D WDA与MF相结合实验方案的相对误差的0.54％、0.77％、2.76％，采用2D WDA与MF结合的神经网络算法优于仅采用2D WDA的神经网络算法更优于传统算法。
图10中，在噪音强度较低的情况下，三种工况算法的相对误差无几，说明三种算法在处理低噪音的能力方面十分接近，随着噪音强度的增加，在0.3-0.5噪音强度下，后两种算法的图像处理能力优于传统的hopfield的神经网络算法。
进一步数据量化对比如表5所示。
表5图像3的仿真分析
Figure BDA0002430792240000141
注：相对误差＝(改进-原有)/原有*100％
表5中：
①当图像为3时，由于2D WDA的原理，其在0.1、0.2噪音强度下，原有比较清晰的图像会出现边缘模糊等失真现象，但对图像处理效果无显著影响，相对误差为0.53％、0.35％；0.35％、0.22％，因为基本趋向于原图，差别可忽略。采用2-D WDA与MF的实验方案比仅采用2-D WDA的相对误差进行了再一次的降低。
②当噪音强度在0.3、0.4、0.5时，仅采用2-D WDA的实验方案的图像处理的相对误差低于传统的hopfield神经网络图像处理相对误差的0.65％、13.01％、6.37％。可以明显的体现出2-D WDA算法对于此阶段噪音强度的作用。
③仅采用2D WDA的实验方案同理次于采用2D WDA与MF相结合方案的相对误差的0.43％、0.92％、3.27％，采用2D WDA与MF结合的神经网络算法优于仅采用2D WDA的神经网络算法更优于传统算法。采用了MF的实验方案对高强度的噪音图像下也对神经网络产生了降噪的积极作用。
基于Hopfield神经网络的联想记忆处理机制，通过引进MF与2D WDA方法进行改进，由于单一的二维小波去噪会对噪音强度较低的图像产生重构破坏，故引进中值滤波，对该情况进一步改良，在高噪音强度的图像下，2D WDA能够展现出其算法的优良性，其重构图像大幅度降低了噪音强度，此时MF也起到了补充作用，进一步改善了图像处理能力。
本实施例提出了MF与2D WDA优化Hopfield网络的方法。仿真结果显示，本实施例所提出的MF与2D WDA相结合的方法能有效提升Hopfield神经网络对图像处理的性能，妥善的解决了神经网络对于复杂噪音处理能力差的问题，为提高神经网络的识别率提出了新方向。
实施例2：
本公开实施例2提供了一种图像识别系统，包括：
数据预处理模块，被配置为：将采集到的图像数据进行二值化处理后得到图像的二值矩阵数据；
去燥处理模块，被配置为：通过中值滤波与二维小波分解相结合的算法对得到的二值矩阵数据进行去噪处理；
识别模块，被配置为：利用训练好的Hopfield神经网络，对去燥处理后的二值矩阵数据进行识别。
具体的识别方法与实施例1中的相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的图像识别方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的图像识别方法中的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种图像识别方法，其特征在于，包括以下步骤：
将采集到的图像数据进行二值化处理后得到图像的二值矩阵数据；
通过中值滤波与二维小波分解相结合的算法对得到的二值矩阵数据进行去噪处理；
利用训练好的Hopfield神经网络，对去燥处理后的二值矩阵数据进行识别。
2.如权利要求1所述的图像识别方法，其特征在于，所述中值滤波，具体为：把以某点为中心的预设窗口内的所有像素的灰度按从大到小的顺序排列，将中间值作为此点处的灰度值；
进一步的，若预设窗口中有偶数个像素，则取两个中间值的平均为此点处的灰度值。
3.如权利要求1所述的图像识别方法，其特征在于，所述二维小波分解，具体为对二维信号进行小波分解，阈值量化小波分解后的高频系数，最后重构二维小波。
4.如权利要求3所述的图像识别方法，其特征在于，对二维信号进行小波分解，具体为：选择小波函数和小波分解的层数N，然后将二维信号S分解为到第N层的分解系数图谱。
5.如权利要求4所述的图像识别方法，其特征在于，在从1到N的每一层的高频系数图谱中，选择一个阈值，软阈值化处理每一层的高频系数。
6.如权利要求5所述的图像识别方法，其特征在于，根据小波分解的第N层的低频系数和经过修改的从第1层到第N层的各层高频系数，对二维信号进行小波重构。
7.如权利要求1所述的图像识别方法，其特征在于，通过对原样本图像和降噪图像分别统计目标数字的个数，与原矩阵所有元素的比值，得到噪音强度，利用噪音强度评估图像识别效率。
8.一种图像识别系统，其特征在于，包括：
数据预处理模块，被配置为：将采集到的图像数据进行二值化处理后得到图像的二值矩阵数据；
去燥处理模块，被配置为：通过中值滤波与二维小波分解相结合的算法对得到的二值矩阵数据进行去噪处理；
识别模块，被配置为：利用训练好的Hopfield神经网络，对去燥处理后的二值矩阵数据进行识别。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的图像识别方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的图像识别方法中的步骤。
CN202010235406.3A 2020-03-30 2020-03-30 一种图像识别方法、系统、介质及电子设备 Pending CN111523550A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010235406.3A CN111523550A (zh) 2020-03-30 2020-03-30 一种图像识别方法、系统、介质及电子设备
LU101862A LU101862B1 (en) 2020-03-30 2020-06-18 An Image Recognition Method, System, Medium and Electronic Device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010235406.3A CN111523550A (zh) 2020-03-30 2020-03-30 一种图像识别方法、系统、介质及电子设备

Publications (1)

Publication Number Publication Date
CN111523550A true CN111523550A (zh) 2020-08-11

Family

ID=71902128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010235406.3A Pending CN111523550A (zh) 2020-03-30 2020-03-30 一种图像识别方法、系统、介质及电子设备

Country Status (2)

Country Link
CN (1) CN111523550A (zh)
LU (1) LU101862B1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067517A (zh) * 2020-09-11 2020-12-11 杭州市地下管道开发有限公司 一种河湖水体智慧监测方法、设备、系统及可读存储介质
CN112348031A (zh) * 2020-11-17 2021-02-09 安徽理工大学 一种去除指纹图像混合噪声的改进小波阈值去噪方法
CN112634687A (zh) * 2020-12-30 2021-04-09 重庆医科大学 一种数字化教育技术教学信息控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7426310B1 (en) * 2002-02-08 2008-09-16 Barrett Terence W Method and application of applying filters to N-dimensional signals and images in signal projection space
CN104616018A (zh) * 2014-12-09 2015-05-13 四川大学 一种基于改进的 Hopfield 神经网络的服装标志识别方法
CN108898155A (zh) * 2018-05-18 2018-11-27 浙江工业大学 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7426310B1 (en) * 2002-02-08 2008-09-16 Barrett Terence W Method and application of applying filters to N-dimensional signals and images in signal projection space
CN104616018A (zh) * 2014-12-09 2015-05-13 四川大学 一种基于改进的 Hopfield 神经网络的服装标志识别方法
CN108898155A (zh) * 2018-05-18 2018-11-27 浙江工业大学 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067517A (zh) * 2020-09-11 2020-12-11 杭州市地下管道开发有限公司 一种河湖水体智慧监测方法、设备、系统及可读存储介质
CN112348031A (zh) * 2020-11-17 2021-02-09 安徽理工大学 一种去除指纹图像混合噪声的改进小波阈值去噪方法
CN112634687A (zh) * 2020-12-30 2021-04-09 重庆医科大学 一种数字化教育技术教学信息控制方法及系统

Also Published As

Publication number Publication date
LU101862B1 (en) 2020-12-18

Similar Documents

Publication Publication Date Title
Tian et al. Deep learning on image denoising: An overview
CN111028163B (zh) 一种基于卷积神经网络的联合图像去噪与弱光增强方法
CN111523550A (zh) 一种图像识别方法、系统、介质及电子设备
CN111275643B (zh) 基于通道和空间注意力的真实噪声盲去噪网络系统及方法
CN111242862A (zh) 多尺度融合并行稠密残差卷积神经网络图像去噪方法
CN110533614B (zh) 一种结合频域和空域的水下图像增强方法
CN112991199B (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
CN110992295B (zh) 基于小波-red卷积神经网络的低剂量ct重建方法
Singh et al. ResDNN: deep residual learning for natural image denoising
CN114723630A (zh) 基于空洞双残差多尺度深度网络的图像去模糊方法及系统
CN111986275A (zh) 一种多模态半色调图像的逆半色调化方法
CN111915486A (zh) 基于图像超分辨重建的对抗样本防御方法
CN114742911A (zh) 图像压缩感知重建方法、系统、设备及介质
CN109003247B (zh) 彩色图像混合噪声的去除方法
Le et al. LD-Net: An efficient lightweight denoising model based on convolutional neural network
CN114445299A (zh) 一种基于注意力分配机制的双残差去噪方法
CN117422653A (zh) 一种基于权重共享和迭代数据优化的低光照图像增强方法
CN111047537A (zh) 一种图像去噪中恢复细节的系统
CN117011192A (zh) 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备
Rafiee et al. A deep convolutional neural network for salt-and-pepper noise removal using selective convolutional blocks
Shetter et al. Image de-noising algorithm based on filtering and histogram equalization
CN111986100A (zh) 一种基于自适应遗传算法改进的pcnn图像去噪优化方法
Hong-juan et al. A novel image de-noising algorithm combined PCNN with morphology
CN114549343A (zh) 基于双支残差特征融合去雾方法
CN113379641A (zh) 一种基于自编码卷积神经网络的单幅图像去雨方法及系统

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