专利名称：：基于Hopfield神经网络的运动模糊图像恢复方法
技术领域：
：本发明属于图像处理
技术领域：
，具体地说是一种运动模糊图像的恢复方法，该方法可用于对数字图像过程中所出现的运动模糊图像的恢复。背聚技术图像恢复是指去除或减轻在获取数字图像过程中发生的图像质量下降现象，它是图像处理中重要而又富有挑战性的研究内容。对于图像恢复问题，研究者已经提出了很多方法。传统的恢复方法如逆滤波，维纳滤波，卡尔曼滤波和广义逆的奇异值分解法被广泛的应用于图像的恢复上，但是这些方法要求图像满足宽平稳过程的假设，而实际中获取的运动模糊图像无法完全满足这样的假设，从而限制了这些方法对运动模糊图像的恢复性能以及在实际中的应用。此外，这些方法要求运动模糊图像具有较高的信噪比，如逆滤波的方法仅适用于高信噪比的图像，这一点更进一步限制了传统的恢复方法在实际中的应用。近年来，Hopfield神经网络作为一种图像恢复的手段，得到了广泛的应用。韩国的学者Paik率先对Zhou提出的基于Hopfield神经网络的图像恢复方法进行了改进，参见文章《ImagerestorationusingamodifiedHopfieldnetwork》,IEEETrans.ImageProcessing,1992,Vol.1,pp.49~63，这种方法将图像的每个像素点用一个神经元表示，并且无需判断Hopfield神经网络能量的增减，这些改进虽然提高了恢复性能并且降低了恢复的复杂度，但是，由于该网络的神经元状态采用阶跃变化，使得网络的收敛速度还是不理想。此后，中国的学者Wu等人将Paik的方法进行了改进，参见文章《AnImprovedAlgorithmforImageRestorationBasedonModifiedHopfieldNeuralNetwork》，ProceedingsoftheFourthInternationalConferenceonMachineLearningandCybernetics,Guangzhou,August2005,pp.l8-21,该方法的收敛速度进一步得到了提高，但是这种方法由于在网络达到稳定时很容易陷入局部极值点，无法达到全局极值点，从而影响了恢复图像的质量，此外，网络收敛的速度还有待提高。
发明内容本发明的目的在于克服上述已有技术的不足，提出了一种基于H邻field神经网络的运动模糊图像恢复方法，以实现在网络稳定时达到全局极值点，提高恢复图像的质量和收敛速度。实现本发明目的的技术方案是将串行的H叩field神经网络进行改进，然后将其应用到图像恢复当中。其具体步骤包括(1)设定Hopfield神经网络迭代次数，利用点扩散函数构造Toeplitz矩阵/Z;(2)利用Toeplitz矩阵//计算Hopfield神经网络权重矩阵W和输入偏置矩阵6;(3)利用Hopfield神经网络权重矩阵『和网络输入偏置矩阵6，计算该网络的第/个神经元输入",；(4)利用第/个神经元输入",和Hopfield神经网络权重矩阵『，计算该网络神经元的第/个神经元输出ajc,;(5)利用Hopfield神经网络第/个神经元的输出ax,和Hopfield神经网络转移函数/，计算整个Hopfield神经网络的第/个输出x,，其中/e(l,2,3.,丄)，Z表示整个Hopfield神经网络的输出个数；(6)采用计算"l的串行选取神经元的方法，并将计算结果赋值给"判断是否满足条件!、丄，如果满足，返回步骤(3);若不满足，执行步骤(7);(7)将Hopfield神经网络进行迭代演化，判断是否达到设定的迭代次数，如果达到了设定的迭代次数，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果，若未达到设定的迭代次数，返回步骤(3)，直到达到设定的迭代次数为止。本发明与现有的技术相比具有以下优点1、本发明由于采用了迭代演化的方法，与经典图像恢复方法相比，突破了图像必须满足宽平稳过程的条件，并且降低了图像恢复过程中对高信噪比的要求；2、本发明由于采用串行选取神经元，利用Hopfield神经网络的神经元输入和Hopfield神经网络权重矩阵计算该网络输出，与现有串行Hopfield神经网络方法相比，能够在网络稳定时达到全局极值点，具有更好的恢复性能和收敛速度，能够较快、较好的得到运动模糊图像的恢复结果。图1是本发明的流程图2是本发明与现有的三种方法在仿真实验中应用的原清晰图像；图3是本发明与现有三种方法在仿真实验中应用的运动模糊图像；图4是本发明与现有的三种方法在不同迭代次数下的信噪比改善量走势图；图5是本发明与现有的三种方法在不同迭代次数下的峰值信噪比的走势图；图6是本发明在不同迭代次数下的恢复图像放大图7是现有的串行Hopfield神经网络在不同迭代次数下的恢复图像放大图；图8是现有的Paik的Hopfidd神经网络恢复方法在不同迭代次数下的恢复图像的放大图9是现有的Zhou的Hopfidd神经网络恢复方法在不同迭代次数下的恢复图像的放大图。具体实施例方式参照图l，本发明的具体实现步骤如下步骤1，设定Hopfield神经网络迭代次数，利用点扩散函数构造Toeplitz矩阵7/。首先，根据经验值设定Hopfield神经网络迭代次数，一般为300至400次；其次，确定运动模糊尺度d，运动模糊角度<，仿真实验中假定这两个参数是已知的，模糊尺度d在l至15之间取值，运动模糊角度(p在l至90度之间取值，这样使用下面的公式，就构造出了点扩散函数/0,力；然后利用点扩散函数/^0,力使用下面的公式构造出Toeplitz矩阵//;L0of/zerw/se其中，x-rcos(90,"/"sin(p)。—/z(;c,力00......0—0/z(jc,;0000/z(x,力；0'—0......A(^,力步骤2，利用Toeplitz矩阵/Z计算Hopfield神经网络权重矩阵『和输入偏置矩阵6。权重矩阵『的计算公式为『=-(1)输入偏置矩阵6的计算公式为6=HTg(2)其中，g是运动模糊图像，i^^是7/转置矩阵。步骤3，利用Hopfield神经网络权重矩阵『和网络输入偏置矩阵Z)，计算该网络的第/个神经元输入",。第/个神经元的输入",的计算公式为Mi=6,+^>",(0(3)其中，w,,是Hopfield神经网络权重矩阵『中的元素，A是Hopfield神经网络权重矩阵6中的元素，,(O是Hopfield神经网络第_/个神经元在第,次迭代经过网络后的当前输出值。步骤4，利用Hopfield神经网络第/个神经元输入w,.和Hopfield神经网络权重矩阵『，计算该网络神经元的第；个神经元输出AX,。(4a)利用Hopfield神经网络第/个神经元输入w,，计算该网络神经元的第/个神经元的修正因子ax;=2M,;(4b)利用Hopfield神经网络第z'个神经元输入w,、Hopfield神经网络权重矩阵W中的元素W"和第/个神经元的修正因子A、，计算该网络神经元的第/个神经元输出厶X!.==/Vt^—厶X,.。步骤5，利用Hopfield神经网络第/个神经元的输出AX,和Hopfield神经网络转移函数/，计算整个Hopfield神经网络的第/个输出JC,，其中/e(l,2,3,.丄)，Z表示整个Hopfield神经网络的输出个数，其计算公式如下'0Ajc;<0Ax,0sAx,^255。(4)255255<Ajc,步骤6，采用串行更新神经元的方法对本发明的Hopfield神经网络中的神经元进行更新。首先，从当前的第/个神经元转入第/+1个神经元，再将其计算结果赋值给/;然后判断是否满足条件Ki:，如果满足，返回步骤(3);若不满足，执行步骤(7);其中，丄为神经元的总数，对本发明而言，由于每个像素由一个神经元表示，故图像的像素的个数就等于Z的大小。步骤7，将Hopfield神经网络进行迭代演化，判断是否达到设定的迭代次数，如果达到了设定的迭代次数，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果，若未达到设定的迭代次数，返回步骤(3)，直到达到设定的迭代次数为止。本算法是一种迭代的方法，每次迭代后所有的x,均发生了变化，当达到既定的迭代次数达后，Hopfield神经网络的输出就是对运动模糊图像的恢复结果。本发明的效果由下面的仿真实验结果看出。l)仿真条件仿真实验所用到的图像来源于标准图像库，以下仅以Lena图像的局部为例，说明本发明中用到的原清晰图像和运动模糊图像，参照图2和图3，它们分别是本发明在仿真实验中应用到的原清晰图像和运动模糊图像。在仿真实验中，应用了两个评价指标来评价恢复结果的优劣，它们分别是信噪比改善量ISNR、峰值信噪比PSNR。它们的定义分别为信噪比改善量/，=101ogl。力l,'2(5)其中/为清晰图像，g为运动模糊图像，/(0为夂次迭代后的图像，M和iV为图像尺寸的大小。2)仿真结果图4是本发明在与Zhou的Hopfield神经网络恢复方法、Paik的Hopfield神经网络恢复方法和串行Hopfield神经网络方法在不同迭代次数下的信噪比改善量的走势图。图5是本发明在与Zhou的Hopfield神经网络恢复方法、Paik的Hopfield神经网络恢复方法和串行Hopfield神经网络方法在不同迭代次数下峰值信噪比的走势图。本发明与三种对比方法在不同迭代次数时获取的ISNR和PSNR值的数据如表1所示。本发明的方法与现有的串行Hopfield神经网络方法在进行50次实验后的统计数据如表2所示。其中，Algl是本发明的方法，Alg2是串行Hopfield神经网络方法，Alg3是Paik的Hopfield神经网络恢复方法，Alg4是Zhou的Hopfield神经网络恢复方法。图6(a)、图6(b)、图6(c)和图6(d)分别表示本发明在进行100次、150次、200次和250次迭代后的恢复图像；图7(a)、图7(b)、图7(c)和图7(d)分别表示串行H叩field神经网络方法在进行100次、150次、200次和250次迭代后的恢复图像；图8(a)、2552xMxiV8图8(b)、图8(c)和图8(d)分别表示Paik的Hopfield神经网络恢复方法在进行100次、150次、200次和250次迭代后的恢复图像；图9(a)、图9(b)、图9(c)和图9(d)分别表示Zhou的Hopfield神经网络恢复方法在进行100次、150次、200次和250次迭代后的恢复图像。从图4和图5可见，本发明与其它三种方法均可达到稳定的状态，但本发明的恢复效果明显优于其他三种现有方法。表l.本发明和对比方法在不同迭代次数时获取的ISNR和PSNR值<table>tableseeoriginaldocumentpage9</column></row><table>从表1中可以看出，本发明的方法比其它三种对比方法获得的ISNR和PSNR值较大。从图6(a)、图7(a)、图8(a)和图9(a)也可以看出，在神经网络进行100次的迭代后，使用本发明的方法进行恢复后的图像图6(a)比其他三种方法恢复的图像图7(a)、图8(a)和图9(a)在视觉效果上要好一些。从图6(b)、图7(b)、图8(b)和图9(b)也可以看出，在神经网络进行150次的迭代后，使用本发明的方法进行恢复后的图像图6(b)比其他三种方法恢复的图像图7(b)、图8(b)和图9(b)在视觉效果上要好一些。从图6(c)、图7(c)、图8(c)和图9(c)也可以看出，在神经网络进行200次的迭代后，使用本发明的方法进行恢复后的图像图6(c)比其他三种方法恢复的图像图7(c)、图8(c)和图9(c)在视觉效果上要好一些。从图6(d)、图7(d)、图8(d)和图9(d)可以看出，在神经网络进行250次的迭代后，使用本发明的方法进行恢复后的图像图6(d)比其他三种方法恢复的图像图7(d)、图8(d)和图9(d)在视觉效果上要好一些。由于在三种对比方法中，串行Hopfield神经网络方法的恢复性能要比Zhou的Hopfield神经网络恢复方法、Paik的Hopfield神经网络恢复方法的恢复性能好，因此，本发明与串行Hopfield神经网络方法进行了50次的对比实验，实验获得的数据如表2所示。其中，APSNR表示在相同的迭代次数后，本发明获得的PSNR值比串行Hopfield神经网络方法获得的PSNR值的提高量，AISNR表示在相同的迭代次数后，本发明所得到的ISNR值比串行Hopfield神经网络方法得到的ISNR值的提高量。表2.本发明在进行50次实验后的统计数据模糊尺度模糊角度△PSNR△ISNR1-151-900.1-0.7(dB)0.1-0.65(dB)表2是将本发明的方法与现有的串行Hopfield神经网络方法在进行50次实验后的统计数据。从表2中也可以看出，本发明比串行Hopfield神经网络方法有较好的恢复性能。10权利要求1、一种基于Hopfield神经网络的运动模糊图像恢复方法，包括如下步骤(1)设定Hopfield神经网络迭代次数，利用点扩散函数构造Toeplitz矩阵H；(2)利用Toeplitz矩阵H计算Hopfield神经网络权重矩阵W和输入偏置矩阵b；(3)利用Hopfield神经网络权重矩阵W和网络输入偏置矩阵b，计算该网络的第i个神经元输入ui；(4)利用第i个神经元输入ui和Hopfield神经网络权重矩阵W，计算该网络神经元的第i个神经元输出Δxi；(5)利用Hopfield神经网络第i个神经元的输出Δxi和Hopfield神经网络转移函数f计算整个Hopfield神经网络的第i个输出xi，其中i∈(1，2，3...L)，L表示整个Hopfield神经网络的输出个数；(6)采用计算i+1的串行选取神经元的方法，并将计算结果赋值给i，判断是否满足条件i≤L，如果满足，返回步骤(3)；若不满足，执行步骤(7)；(7)将Hopfield神经网络进行迭代演化，判断是否达到设定的迭代次数，如果达到了设定的迭代次数，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果，若未达到设定的迭代次数，返回步骤(3)，直到达到设定的迭代次数为止。2、根据权利要求1所述的运动模糊图像恢复方法，其中步骤(4)所述的利用第/个神经元输入",.和Hopfield神经网络权重矩阵『，计算该网络神经元的第f个神经元输出^c,，按如下步骤计算(2a)利用Hopfield神经网络第/个神经元输入w,计算该网络神经元的第/个神经元的修正因子ax:=2",;(2b)利用Hopfield神经网络第Z个神经元输入w,、Hopfield神经网络权重矩阵『中的元素W,7和第/个神经元的修正因子ax;，计算该网络神经元的第/个神经元输出厶X,.=d)=—M,/—AX;。3、根据权利要求1所述的运动模糊图像恢复方法，其中步骤(5)所述的利用Hopfield神经网络第/个神经元的输出^jc,和Hopfield神经网络转移函数/计算整个HopfieW神经网络的第/个输出jc,，按如下公式计算:<formula>formulaseeoriginaldocumentpage3</formula>全文摘要本发明公开了一种基于Hopfield神经网络的运动模糊图像恢复方法，主要解决现有的技术无法在网络达到稳定时收敛到全局极值点的问题。其实现过程为(1)构造Toeplitz矩阵H；(2)计算网络权重矩阵和输入偏置矩阵；(3)计算网络神经元的输入；(4)利用更新规则计算神经元的输出；(5)利用转移函数计算网络的输出；(6)判断神经元是否全部更新结束，如果是，返回步骤(3)；若否，执行步骤(7)；(7)判断是否达到设定的迭代次数，如果是，则得到模糊图像的恢复结果；若否，返回步骤(3)，直到达到设定的迭代次数为止。本发明可获得较好的图像恢复结果并具有较好的收敛性能，可用于对数字图像过程中所出现的运动模糊图像的恢复。文档编号G06T5/00GK101567079SQ20091002286公开日2009年10月28日申请日期2009年6月5日优先权日2009年6月5日发明者彪侯,芳刘,杨淑媛,焦李成,爽王,符升高,缑水平,苏开亮,桦钟申请人:西安电子科技大学