[发明专利]一种图像复原方法

说明书

技术领域

本发明所涉及的是一种基于细胞神经网络的对退化模型已知的退化图像进行复原的方法。

背景技术

在成像系统中，由于聚焦不良、相对运动等因素，使实际得到的图象不可避免地加入了噪声和干扰，引起图像的降质。在降质严重的情况下面，对图像进行进一步应用，如特征提取、自动识别和图像分析都是相当有害的。因此，对降质图像的复原在军事、遥感等许多领域具有非常重要的实际意义。

图像的降晰退化模型用矩阵形式可以用矩阵-向量形式描述为：

g＝Hf+n    (1)

其中，g、f、n分别为观测图像、原始图像和噪声的堆积矩阵。H是降晰函数作为卷积核生成的循环矩阵。图像复原的核心思想是由给定的观测图像g和对退化模型H及噪声n的先验了解，在事先确定的最优准则J为最小的情况下，寻找对原始图像f的最优估计但是噪声的存在使得图像复原问题具有病态性，为了克服病态，通常采用正则化图像复原方法，通过对复原图像引入一定的约束，使问题的解规整化，从而降低噪声的干扰。

引入平滑约束后的正则化方程的J为：

J=||g-Hf^||2+λ||Cf^||2---(2)]]>

其中表示复原图像，C为正则化算子，通常为一个各向同向的高通滤波器，λ为正则化参数。

对(2)式求偏导数，使偏导数为零的就是对原始图像f的估计。但是这种方法需要进行大尺度矩阵的求逆运算，为了简化计算，后人提出了一些简化的方法，如分块矩阵对角化，Von Citter迭代等。虽然避免了大尺寸矩阵求逆，但是它们的基本思想还是基于矩阵运算，计算量非常大。除正则化方法之外，另外一种常用的基于随机和统计过程分析的图像复原方法，也存在计算量大的缺点。为了提高计算速度，Zhou等提出了一种基于神经网络的图像复原方法，但是神经网络的硬件实现并不容易。所以，要实现实时图像复原，存在很大困难。

细胞神经网络(CNN)是一种具有实时信号处理能力的大规模的非线性模拟电路，它具有时间域上的连续处理能力，又具有局部连接的简单的网络拓扑。所以它具有易于大规模模拟电路实现和并行处理的能力。

一个大小尺寸为M×N×T的三维CNN阵列中，C(i，j，k)表示第i行、第j列、高度为k的细胞。细胞C(i，j，k)的中心半径为r的近邻影响区域S_ijk(r)定义如式(3)所示：

S_ijk(r)＝{C(m，n，l)|max(|m-i|，|n-j|，|l-l|)≤r}    (3)

在三维CNN中，每个细胞的动态过程由如式(4)所示的一阶微分方程表示：