基于整体变分模型和神经网络的运动模糊图像恢复方法

摘要

本发明公开了一种基于整体变分模型和神经网络的运动模糊图像恢复方法，主要解决现有方法无法获得较精确的恢复图像的问题。其实现过程为：(1)构造Toeplitz矩阵；(2)计算水平和垂直方向上的梯度；(3)初始化神经网络；(4)计算神经元输出；(5)计算神经网络输出；(6)计算网络能量函数的第一改变量ΔE1；(7)若神经元全部更新结束，转步骤(4)；否则转步骤(8)；(8)若达到设定迭代次数，输出恢复结果；否则转步骤(9)；(9)计算恢复误差；(10)若恢复误差小于设定误差，输出恢复结果；否则转步骤(11)；(11)计算当前输入偏置矩阵；(12)计算网络能量函数的第二改变量ΔE2；(13)若ΔE1+ΔE2＜0，转步骤(2)；若ΔE1+ΔE2≥0，转步骤(3)；若ΔE1＝0，输出恢复结果。本发明能获得较精确的恢复图像，可用于对运动模糊图像的恢复。

主权项

1.一种基于整体变分模型和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神经网络相邻两次输出的误差ε、Hopfield神经网络迭代次数、整个Hopfield神经网络能量函数的第一改变量ΔE₁＝0和运动模糊图像g作为Hopfield神经网络的原始输出x，并利用点扩散函数h(x，y)，垂直梯度算子d_Y和水平梯度算子d_X分别构造Toeplitz矩阵H，D_Y和D_X；(2)利用Toeplitz矩阵D_X、D_Y和Hopfield神经网络的原始输出x，分别计算水平方向上的梯度SX_P和垂直方向上的梯度SY_P：其中，为Toeplitz矩阵D_X中的元素，为Toeplitz矩阵D_Y中的元素，x_i表示Hopfield神经网络的原始输出x中的元素，sign(·)表示符号函数， L表示整个Hopfield神经网络的输出个数；(3)利用Toeplitz矩阵H、Hopfield神经网络的原始输出x、水平方向上的梯度SX_P和垂直方向上的梯度SY_P，计算Hopfield神经网络权重矩阵W和网络原始的输入偏置矩阵b，并根据该权重矩阵W和网络原始的输入偏置矩阵b，计算该网络的第i个神经元输入u_i；(4)利用Hopfield神经网络第i个神经元输入u_i和Hopfield神经网络权重矩阵W，按如下步骤计算该网络神经元的第i个神经元输出Δx_i：(4a)利用Hopfield神经网络第i个神经元输入u_i，计算该网络神经元的第i个神经元的修正因子：Δx′_i＝2u_i；(4b)利用Hopfield神经网络第i个神经元输入u_i、Hopfield神经网络权重矩阵W中的元素w_ii和第i个神经元的修正因子Δx′_i，计算该网络神经元的第i个神经元输出：Δx_i＝sign(u_i+w_ii*Δx′_i/2)*|Δx′_i|；其中，|·|表示取绝对值，i∈(1，2，3...L)，L表示整个Hopfield神经网络的输出个数；(5)利用Hopfield神经网络第i个神经元的输出Δx_i，计算整个Hopfield神经网络的第i个输出z_i；(6)利用Hopfield神经网络第i个神经元输入u_i、Hopfield神经网络权重矩阵W和 网络神经元的第i个神经元输出Δx_i，计算整个Hopfield神经网络能量函数的第一改变量ΔE₁；(7)将当前神经元转入下一个神经元i+1，并与整个Hopfield神经网络的输出个数L进行比较，如果i+1≤L，则返回步骤(4)；反之，则执行步骤(8)；(8)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，执行步骤(9)(9)利用Hopfield神经网络的当前输出x′和原始输出x，先计算函数表达式|x′-x|/L；然后利用网络当前的输出x′更新该网络的原始输出；(10)将|x′-x|/L的计算结果与设定的误差ε进行比较，如果|x′-x|/L＜ε，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果；反之，执行步骤(11)；(11)利用Toeplitz矩阵H、Hopfield神经网络的原始输出x、水平方向上的梯度SX_P和垂直方向上的梯度SY_P，计算该网络当前的输入偏置矩阵b′，并利用当前的输入偏置矩阵b′更新该网络的原始输入偏置矩阵b；(12)利用Hopfield神经网络的原始输出x、网络当前的输入偏置矩阵b′和网络原始的输入偏置矩阵b，计算Hopfield神经网络能量函数的第二改变量ΔE₂；(13)对网络能量函数的第一改变量ΔE₁和第二改变量ΔE₂进行判断，若满足条件：ΔE₁＝0，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果；若满足条件：ΔE₁+ΔE₂＜0，则返回步骤(2)；若满足条件：ΔE₁+ΔE₂≥0，则返回步骤(3)。