[发明专利]一种融合记忆CNN的图像模糊类型识别及参数整定方法

摘要

本发明涉及模糊图像类型识别及参数计算领域，尤其是涉及一种融合记忆CNN(卷积神经网络)的图像模糊类型识别及参数整定方法。本发明包括以下步骤：构建融合记忆网络架构；设置融合记忆网络各层算法；通过网络训练获得网络参数；未知图像模糊类型识别及参数整定。本发明克服了现有模糊识别中网络不带独立记忆功能的缺点，能够提高图像模糊类型及参数计算的效率。

主权项

一种融合记忆CNN的图像模糊类型识别及参数整定方法，其特征是，包括以下步骤：第一步，构建融合记忆网络架构：将融合记忆CNN模型分为5层卷积层、1个深度记忆网络和1个BP网络的串行架构；第一卷积层选择N1个卷积算子，每个卷积算子为一个大小s1×t1的卷积核，其中s1为卷积核的行数，t1为卷积核的列数；所述的卷积核由多种不同的直线和多种不同的圆盘和多种不同的圆环组成，每个卷积核提取图像子图单元的一级形状特征；第二卷积层选择N2个卷积算子，每个卷积算子为一个大小s2×t2的卷积核，其中s2为卷积核的行数，t2为卷积核的列数；每个卷积核提取图像子图的一个二级形状特征；第三卷积层选择N3个卷积算子，每个卷积算子为一个大小s3×t3的卷积核，其中s3为卷积核的行数，t3为卷积核的列数；每个卷积核提取图像子图的一个三级形状特征；第四卷积层选择N4个卷积算子，每个卷积算子为一个大小s4×t4的卷积核，其中s4为卷积核的行数，t4为卷积核的列数；每个卷积核提取图像子图的一个四级形状特征；第五卷积层选择N5个卷积算子，每个卷积算子为一个大小s5×t5的卷积核，其中s5为卷积核的行数，t5为卷积核的列数；每个卷积核提取图像子图的一个五级形状特征；所述的深度记忆网络采用深度为D个单元的记忆模型，采用选择性更新规则；所述的BP网络采用4层结构，一个输入层，两个隐层和一个输出层；第二步，设置融合记忆网络各层算法：1)对输入图像进行灰度化处理，当原输入图像为三维彩色图时，通过矢量映射法将其转换为对应的灰度图，如果输入为灰度图则跳过此步；2)将被检测图像进行二维傅里叶变换，转化为频谱图，标记为图像P0；3)将图像P0与第一卷积层的N1个卷积算子分别进行卷积操作，计算表达式为：Pi,j1,n1=Σx=1s1Σy=1t1P(i-1)Δ1+1+x,(j-1)Δ1+1+y0Qx,yn1,---(1),]]>其中为图像P0在像素[(i‑1)△1+1+x,(j‑1)△1+1+y]处的灰度值，表示第n1个卷积算子在位置[x,y]处的权值，为卷积后的图像P1在像素[i,j]处的灰度值，s1为卷积算子的行数，t1为卷积算子的列数，△1为卷积移动步长，n1为卷积算子的序号，范围为1≤n1≤N1；4)将卷积图像进行规则化处理，处理过程为：Pi,j2,n1=Pi,j1,n1/ωPi,j1,n1≥00Pi,j1,n1<0,---(2),]]>其中为规则化后的输出，ω为衰减系数；5)将图像进行最大池化计算，计算方法为：Pi,j3,n1=Max{P2i-1+u,2j-1+v2,n1,u∈[1,2],v∈[1,2]},---(3);]]>6)根据第二层卷积核，参考步骤3)、步骤4)、步骤5)计算第二层卷积运算的结果；7)根据第三层卷积核，参考步骤3)、步骤4)、步骤5)计算第三层卷积运算的结果；8)对步骤7)得到的矩阵进行相似度聚类分析，保持图像第三级特征数量为M1个；9)在步骤8)的基础上，根据第四层卷积核，参考步骤3)、步骤4)、步骤5)计算第四层卷积运算的结果；10)对步骤9)得到的矩阵进行相似度聚类分析，保持图像第四级特征数量为M2个；11)在步骤10)的基础上，根据第五层卷积核，参考步骤3)、步骤4)、步骤5)计算第五层卷积运算的结果；12)对步骤11)得到的矩阵进行相似度聚类分析，以其矩阵所有元素的和为综合特征，得到M3个不同特征点；13)对于步骤12)输出的特征值，输入到对应的记忆模型，通过记忆模型产生相应的输出信息；具体记忆模型为：一个具有D个独立记忆单元的网络结构，网络输入x(t)与记忆单元各记忆值进行对比，其最接近输入的单元k处的误差为：δk(t)＝Min{|Ci(t)‑x(t)|,i＝1,2,…,D}，   (4)，当δk(t)小于或等于网络识别阀值ε时，说明网络成功识别为第k类信息，此时每个记忆单元的记忆系数βi(t)和记忆信息Ci(t)的选择性记忆更新规则为：其中α为遗忘系数  (5)，Ci(t+1)=βi(t)Ci(t),i≠k[Ci(t)+x(t)]/2,i=k,---(6),]]>当δk(t)大于网络识别阀值ε时，说明网络识别过程中没有输入类，记忆网络按遗忘规律更新记忆最差的信息，即将记忆系数最低的单元k处替换为当前输入信息；此时每个记忆单元的记忆系数βi(t)和记忆信息Ci(t)的选择性记忆更新规则为：βk(t)＝Min{βi(t),i＝1,2,…,D}，   (7)，βi(t+1)=(1-α)βi(t),i≠k1,i=k,---(8),]]>Ci(t+1)=βi(t)Ci(t),i≠kx(t),i=k,---(9),]]>网络输出为：h(t+1)＝Ck(t+1)，   (10)，14)将步骤13)输出的元素作为全连接BP网络的输入，以递减方式设计中间隐层结点的数量，输出层为5个节点；输出层的每个节点的含义分别为：第1个输出结点为模糊类型，失焦模糊为1，运动模糊为2，高斯模糊为3；第2个输出结点为失焦模糊的半径r，当第1个输出结点为1时，该输出为计算得到的半径值，否则，该项输出为0；第3个输出结点为运动模糊的长度；第4个输出结点为运动模湖的方向角；第5个输出结点为高斯模糊的噪声方差；15)网络在参数训练过程中提供人工判断反馈功能，当使用者发现网络识别错误时，将错误信息输入网络更正接口，网络将自动重新学习，更新系统权值矩阵信息；第三步，通过网络训练获得网络参数：网络构建和算法设置完成后,使用1～100万帧的已知图像及其特征进行学习训练，获得网络参数；第四步，未知图像模糊类型识别及参数整定：将实际生产过程中采集到的图像信息或者需要识别的模糊图像信息输入到本网络，经过网络计算，获得模糊类型、失焦模糊的半径、运动模糊的长度、运动模湖的方向角和高斯模糊的噪声方差网络输出，实现图像模糊类型识别及参数整定。