基于Hopfield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。

主权项

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：(4a)利用Hopfield神经网络第i个神经元输入ui计算该网络神经元的第i个神经元的修正因子：Δx′i＝2ui；(4b)利用Hopfield神经网络第i个神经元输入ui、Hopfield神经网络权重矩阵W中的元素wii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：Δxi＝d(ui)＝‑ui/wii‑Δx′i；(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)采用计算第i+1个神经元的串行选取方法，并将计算结果赋值给第i个神经元，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。