專利名稱：：基于Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，具體地說是一種運(yùn)動(dòng)模糊圖像的恢復(fù)方法，該方法可用于對數(shù)字圖像過程中所出現(xiàn)的運(yùn)動(dòng)模糊圖像的恢復(fù)。背聚技術(shù)圖像恢復(fù)是指去除或減輕在獲取數(shù)字圖像過程中發(fā)生的圖像質(zhì)量下降現(xiàn)象，它是圖像處理中重要而又富有挑戰(zhàn)性的研究內(nèi)容。對于圖像恢復(fù)問題，研究者已經(jīng)提出了很多方法。傳統(tǒng)的恢復(fù)方法如逆濾波，維納濾波，卡爾曼濾波和廣義逆的奇異值分解法被廣泛的應(yīng)用于圖像的恢復(fù)上，但是這些方法要求圖像滿足寬平穩(wěn)過程的假設(shè)，而實(shí)際中獲取的運(yùn)動(dòng)模糊圖像無法完全滿足這樣的假設(shè)，從而限制了這些方法對運(yùn)動(dòng)模糊圖像的恢復(fù)性能以及在實(shí)際中的應(yīng)用。此外，這些方法要求運(yùn)動(dòng)模糊圖像具有較高的信噪比，如逆濾波的方法僅適用于高信噪比的圖像，這一點(diǎn)更進(jìn)一步限制了傳統(tǒng)的恢復(fù)方法在實(shí)際中的應(yīng)用。近年來，Hopfield神經(jīng)網(wǎng)絡(luò)作為一種圖像恢復(fù)的手段，得到了廣泛的應(yīng)用。韓國的學(xué)者Paik率先對Zhou提出的基于Hopfield神經(jīng)網(wǎng)絡(luò)的圖像恢復(fù)方法進(jìn)行了改進(jìn)，參見文章《ImagerestorationusingamodifiedHopfieldnetwork》,IEEETrans.ImageProcessing,1992,Vol.1,pp.49~63，這種方法將圖像的每個(gè)像素點(diǎn)用一個(gè)神經(jīng)元表示，并且無需判斷Hopfield神經(jīng)網(wǎng)絡(luò)能量的增減，這些改進(jìn)雖然提高了恢復(fù)性能并且降低了恢復(fù)的復(fù)雜度，但是，由于該網(wǎng)絡(luò)的神經(jīng)元狀態(tài)采用階躍變化，使得網(wǎng)絡(luò)的收斂速度還是不理想。此后，中國的學(xué)者Wu等人將Paik的方法進(jìn)行了改進(jìn)，參見文章《AnImprovedAlgorithmforImageRestorationBasedonModifiedHopfieldNeuralNetwork》，ProceedingsoftheFourthInternationalConferenceonMachineLearningandCybernetics,Guangzhou,August2005,pp.l8-21,該方法的收斂速度進(jìn)一步得到了提高，但是這種方法由于在網(wǎng)絡(luò)達(dá)到穩(wěn)定時(shí)很容易陷入局部極值點(diǎn)，無法達(dá)到全局極值點(diǎn)，從而影響了恢復(fù)圖像的質(zhì)量，此外，網(wǎng)絡(luò)收斂的速度還有待提高。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于H鄰field神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法，以實(shí)現(xiàn)在網(wǎng)絡(luò)穩(wěn)定時(shí)達(dá)到全局極值點(diǎn)，提高恢復(fù)圖像的質(zhì)量和收斂速度。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是將串行的H叩field神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，然后將其應(yīng)用到圖像恢復(fù)當(dāng)中。其具體步驟包括(1)設(shè)定Hopfield神經(jīng)網(wǎng)絡(luò)迭代次數(shù)，利用點(diǎn)擴(kuò)散函數(shù)構(gòu)造Toeplitz矩陣/Z;(2)利用Toeplitz矩陣//計(jì)算Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣W和輸入偏置矩陣6;(3)利用Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『和網(wǎng)絡(luò)輸入偏置矩陣6，計(jì)算該網(wǎng)絡(luò)的第/個(gè)神經(jīng)元輸入",；(4)利用第/個(gè)神經(jīng)元輸入",和Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『，計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第/個(gè)神經(jīng)元輸出ajc,;(5)利用Hopfield神經(jīng)網(wǎng)絡(luò)第/個(gè)神經(jīng)元的輸出ax,和Hopfield神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)移函數(shù)/，計(jì)算整個(gè)Hopfield神經(jīng)網(wǎng)絡(luò)的第/個(gè)輸出x,，其中/e(l,2,3.,丄)，Z表示整個(gè)Hopfield神經(jīng)網(wǎng)絡(luò)的輸出個(gè)數(shù)；(6)采用計(jì)算"l的串行選取神經(jīng)元的方法，并將計(jì)算結(jié)果賦值給"判斷是否滿足條件!、丄，如果滿足，返回步驟(3);若不滿足，執(zhí)行步驟(7);(7)將Hopfield神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代演化，判斷是否達(dá)到設(shè)定的迭代次數(shù)，如果達(dá)到了設(shè)定的迭代次數(shù)，則這時(shí)的Hopfield神經(jīng)網(wǎng)絡(luò)輸出為運(yùn)動(dòng)模糊圖像的恢復(fù)結(jié)果，若未達(dá)到設(shè)定的迭代次數(shù)，返回步驟(3)，直到達(dá)到設(shè)定的迭代次數(shù)為止。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)1、本發(fā)明由于采用了迭代演化的方法，與經(jīng)典圖像恢復(fù)方法相比，突破了圖像必須滿足寬平穩(wěn)過程的條件，并且降低了圖像恢復(fù)過程中對高信噪比的要求；2、本發(fā)明由于采用串行選取神經(jīng)元，利用Hopfield神經(jīng)網(wǎng)絡(luò)的神經(jīng)元輸入和Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣計(jì)算該網(wǎng)絡(luò)輸出，與現(xiàn)有串行Hopfield神經(jīng)網(wǎng)絡(luò)方法相比，能夠在網(wǎng)絡(luò)穩(wěn)定時(shí)達(dá)到全局極值點(diǎn)，具有更好的恢復(fù)性能和收斂速度，能夠較快、較好的得到運(yùn)動(dòng)模糊圖像的恢復(fù)結(jié)果。圖1是本發(fā)明的流程圖2是本發(fā)明與現(xiàn)有的三種方法在仿真實(shí)驗(yàn)中應(yīng)用的原清晰圖像；圖3是本發(fā)明與現(xiàn)有三種方法在仿真實(shí)驗(yàn)中應(yīng)用的運(yùn)動(dòng)模糊圖像；圖4是本發(fā)明與現(xiàn)有的三種方法在不同迭代次數(shù)下的信噪比改善量走勢圖；圖5是本發(fā)明與現(xiàn)有的三種方法在不同迭代次數(shù)下的峰值信噪比的走勢圖；圖6是本發(fā)明在不同迭代次數(shù)下的恢復(fù)圖像放大圖7是現(xiàn)有的串行Hopfield神經(jīng)網(wǎng)絡(luò)在不同迭代次數(shù)下的恢復(fù)圖像放大圖；圖8是現(xiàn)有的Paik的Hopfidd神經(jīng)網(wǎng)絡(luò)恢復(fù)方法在不同迭代次數(shù)下的恢復(fù)圖像的放大圖9是現(xiàn)有的Zhou的Hopfidd神經(jīng)網(wǎng)絡(luò)恢復(fù)方法在不同迭代次數(shù)下的恢復(fù)圖像的放大圖。具體實(shí)施例方式參照圖l，本發(fā)明的具體實(shí)現(xiàn)步驟如下步驟1，設(shè)定Hopfield神經(jīng)網(wǎng)絡(luò)迭代次數(shù)，利用點(diǎn)擴(kuò)散函數(shù)構(gòu)造Toeplitz矩陣7/。首先，根據(jù)經(jīng)驗(yàn)值設(shè)定Hopfield神經(jīng)網(wǎng)絡(luò)迭代次數(shù)，一般為300至400次；其次，確定運(yùn)動(dòng)模糊尺度d，運(yùn)動(dòng)模糊角度<，仿真實(shí)驗(yàn)中假定這兩個(gè)參數(shù)是已知的，模糊尺度d在l至15之間取值，運(yùn)動(dòng)模糊角度(p在l至90度之間取值，這樣使用下面的公式，就構(gòu)造出了點(diǎn)擴(kuò)散函數(shù)/0,力；然后利用點(diǎn)擴(kuò)散函數(shù)/^0,力使用下面的公式構(gòu)造出Toeplitz矩陣//;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(^,力步驟2，利用Toeplitz矩陣/Z計(jì)算Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『和輸入偏置矩陣6。權(quán)重矩陣『的計(jì)算公式為『=-(1)輸入偏置矩陣6的計(jì)算公式為6=HTg(2)其中，g是運(yùn)動(dòng)模糊圖像，i^^是7/轉(zhuǎn)置矩陣。步驟3，利用Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『和網(wǎng)絡(luò)輸入偏置矩陣Z)，計(jì)算該網(wǎng)絡(luò)的第/個(gè)神經(jīng)元輸入",。第/個(gè)神經(jīng)元的輸入",的計(jì)算公式為Mi=6,+^>",(0(3)其中，w,,是Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『中的元素，A是Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣6中的元素，,(O是Hopfield神經(jīng)網(wǎng)絡(luò)第_/個(gè)神經(jīng)元在第,次迭代經(jīng)過網(wǎng)絡(luò)后的當(dāng)前輸出值。步驟4，利用Hopfield神經(jīng)網(wǎng)絡(luò)第/個(gè)神經(jīng)元輸入w,.和Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『，計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第；個(gè)神經(jīng)元輸出AX,。(4a)利用Hopfield神經(jīng)網(wǎng)絡(luò)第/個(gè)神經(jīng)元輸入w,，計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第/個(gè)神經(jīng)元的修正因子ax;=2M,;(4b)利用Hopfield神經(jīng)網(wǎng)絡(luò)第z'個(gè)神經(jīng)元輸入w,、Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣W中的元素W"和第/個(gè)神經(jīng)元的修正因子A、，計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第/個(gè)神經(jīng)元輸出厶X!.==/Vt^—厶X,.。步驟5，利用Hopfield神經(jīng)網(wǎng)絡(luò)第/個(gè)神經(jīng)元的輸出AX,和Hopfield神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)移函數(shù)/，計(jì)算整個(gè)Hopfield神經(jīng)網(wǎng)絡(luò)的第/個(gè)輸出JC,，其中/e(l,2,3,.丄)，Z表示整個(gè)Hopfield神經(jīng)網(wǎng)絡(luò)的輸出個(gè)數(shù)，其計(jì)算公式如下'0Ajc;<0Ax,0sAx,^255。(4)255255<Ajc,步驟6，采用串行更新神經(jīng)元的方法對本發(fā)明的Hopfield神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元進(jìn)行更新。首先，從當(dāng)前的第/個(gè)神經(jīng)元轉(zhuǎn)入第/+1個(gè)神經(jīng)元，再將其計(jì)算結(jié)果賦值給/;然后判斷是否滿足條件Ki:，如果滿足，返回步驟(3);若不滿足，執(zhí)行步驟(7);其中，丄為神經(jīng)元的總數(shù)，對本發(fā)明而言，由于每個(gè)像素由一個(gè)神經(jīng)元表示，故圖像的像素的個(gè)數(shù)就等于Z的大小。步驟7，將Hopfield神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代演化，判斷是否達(dá)到設(shè)定的迭代次數(shù)，如果達(dá)到了設(shè)定的迭代次數(shù)，則這時(shí)的Hopfield神經(jīng)網(wǎng)絡(luò)輸出為運(yùn)動(dòng)模糊圖像的恢復(fù)結(jié)果，若未達(dá)到設(shè)定的迭代次數(shù)，返回步驟(3)，直到達(dá)到設(shè)定的迭代次數(shù)為止。本算法是一種迭代的方法，每次迭代后所有的x,均發(fā)生了變化，當(dāng)達(dá)到既定的迭代次數(shù)達(dá)后，Hopfield神經(jīng)網(wǎng)絡(luò)的輸出就是對運(yùn)動(dòng)模糊圖像的恢復(fù)結(jié)果。本發(fā)明的效果由下面的仿真實(shí)驗(yàn)結(jié)果看出。l)仿真條件仿真實(shí)驗(yàn)所用到的圖像來源于標(biāo)準(zhǔn)圖像庫，以下僅以Lena圖像的局部為例，說明本發(fā)明中用到的原清晰圖像和運(yùn)動(dòng)模糊圖像，參照圖2和圖3，它們分別是本發(fā)明在仿真實(shí)驗(yàn)中應(yīng)用到的原清晰圖像和運(yùn)動(dòng)模糊圖像。在仿真實(shí)驗(yàn)中，應(yīng)用了兩個(gè)評價(jià)指標(biāo)來評價(jià)恢復(fù)結(jié)果的優(yōu)劣，它們分別是信噪比改善量ISNR、峰值信噪比PSNR。它們的定義分別為信噪比改善量/，=101ogl。力l,'2(5)其中/為清晰圖像，g為運(yùn)動(dòng)模糊圖像，/(0為夂次迭代后的圖像，M和iV為圖像尺寸的大小。2)仿真結(jié)果圖4是本發(fā)明在與Zhou的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法、Paik的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法和串行Hopfield神經(jīng)網(wǎng)絡(luò)方法在不同迭代次數(shù)下的信噪比改善量的走勢圖。圖5是本發(fā)明在與Zhou的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法、Paik的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法和串行Hopfield神經(jīng)網(wǎng)絡(luò)方法在不同迭代次數(shù)下峰值信噪比的走勢圖。本發(fā)明與三種對比方法在不同迭代次數(shù)時(shí)獲取的ISNR和PSNR值的數(shù)據(jù)如表1所示。本發(fā)明的方法與現(xiàn)有的串行Hopfield神經(jīng)網(wǎng)絡(luò)方法在進(jìn)行50次實(shí)驗(yàn)后的統(tǒng)計(jì)數(shù)據(jù)如表2所示。其中，Algl是本發(fā)明的方法，Alg2是串行Hopfield神經(jīng)網(wǎng)絡(luò)方法，Alg3是Paik的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法，Alg4是Zhou的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法。圖6(a)、圖6(b)、圖6(c)和圖6(d)分別表示本發(fā)明在進(jìn)行100次、150次、200次和250次迭代后的恢復(fù)圖像；圖7(a)、圖7(b)、圖7(c)和圖7(d)分別表示串行H叩field神經(jīng)網(wǎng)絡(luò)方法在進(jìn)行100次、150次、200次和250次迭代后的恢復(fù)圖像；圖8(a)、2552xMxiV8圖8(b)、圖8(c)和圖8(d)分別表示Paik的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法在進(jìn)行100次、150次、200次和250次迭代后的恢復(fù)圖像；圖9(a)、圖9(b)、圖9(c)和圖9(d)分別表示Zhou的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法在進(jìn)行100次、150次、200次和250次迭代后的恢復(fù)圖像。從圖4和圖5可見，本發(fā)明與其它三種方法均可達(dá)到穩(wěn)定的狀態(tài)，但本發(fā)明的恢復(fù)效果明顯優(yōu)于其他三種現(xiàn)有方法。表l.本發(fā)明和對比方法在不同迭代次數(shù)時(shí)獲取的ISNR和PSNR值<table>tableseeoriginaldocumentpage9</column></row><table>從表1中可以看出，本發(fā)明的方法比其它三種對比方法獲得的ISNR和PSNR值較大。從圖6(a)、圖7(a)、圖8(a)和圖9(a)也可以看出，在神經(jīng)網(wǎng)絡(luò)進(jìn)行100次的迭代后，使用本發(fā)明的方法進(jìn)行恢復(fù)后的圖像圖6(a)比其他三種方法恢復(fù)的圖像圖7(a)、圖8(a)和圖9(a)在視覺效果上要好一些。從圖6(b)、圖7(b)、圖8(b)和圖9(b)也可以看出，在神經(jīng)網(wǎng)絡(luò)進(jìn)行150次的迭代后，使用本發(fā)明的方法進(jìn)行恢復(fù)后的圖像圖6(b)比其他三種方法恢復(fù)的圖像圖7(b)、圖8(b)和圖9(b)在視覺效果上要好一些。從圖6(c)、圖7(c)、圖8(c)和圖9(c)也可以看出，在神經(jīng)網(wǎng)絡(luò)進(jìn)行200次的迭代后，使用本發(fā)明的方法進(jìn)行恢復(fù)后的圖像圖6(c)比其他三種方法恢復(fù)的圖像圖7(c)、圖8(c)和圖9(c)在視覺效果上要好一些。從圖6(d)、圖7(d)、圖8(d)和圖9(d)可以看出，在神經(jīng)網(wǎng)絡(luò)進(jìn)行250次的迭代后，使用本發(fā)明的方法進(jìn)行恢復(fù)后的圖像圖6(d)比其他三種方法恢復(fù)的圖像圖7(d)、圖8(d)和圖9(d)在視覺效果上要好一些。由于在三種對比方法中，串行Hopfield神經(jīng)網(wǎng)絡(luò)方法的恢復(fù)性能要比Zhou的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法、Paik的Hopfield神經(jīng)網(wǎng)絡(luò)恢復(fù)方法的恢復(fù)性能好，因此，本發(fā)明與串行Hopfield神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了50次的對比實(shí)驗(yàn)，實(shí)驗(yàn)獲得的數(shù)據(jù)如表2所示。其中，APSNR表示在相同的迭代次數(shù)后，本發(fā)明獲得的PSNR值比串行Hopfield神經(jīng)網(wǎng)絡(luò)方法獲得的PSNR值的提高量，AISNR表示在相同的迭代次數(shù)后，本發(fā)明所得到的ISNR值比串行Hopfield神經(jīng)網(wǎng)絡(luò)方法得到的ISNR值的提高量。表2.本發(fā)明在進(jìn)行50次實(shí)驗(yàn)后的統(tǒng)計(jì)數(shù)據(jù)模糊尺度模糊角度△PSNR△ISNR1-151-900.1-0.7(dB)0.1-0.65(dB)表2是將本發(fā)明的方法與現(xiàn)有的串行Hopfield神經(jīng)網(wǎng)絡(luò)方法在進(jìn)行50次實(shí)驗(yàn)后的統(tǒng)計(jì)數(shù)據(jù)。從表2中也可以看出，本發(fā)明比串行Hopfield神經(jīng)網(wǎng)絡(luò)方法有較好的恢復(fù)性能。10權(quán)利要求1、一種基于Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法，包括如下步驟(1)設(shè)定Hopfield神經(jīng)網(wǎng)絡(luò)迭代次數(shù)，利用點(diǎn)擴(kuò)散函數(shù)構(gòu)造Toeplitz矩陣H；(2)利用Toeplitz矩陣H計(jì)算Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣W和輸入偏置矩陣b；(3)利用Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣W和網(wǎng)絡(luò)輸入偏置矩陣b，計(jì)算該網(wǎng)絡(luò)的第i個(gè)神經(jīng)元輸入ui；(4)利用第i個(gè)神經(jīng)元輸入ui和Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣W，計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第i個(gè)神經(jīng)元輸出Δxi；(5)利用Hopfield神經(jīng)網(wǎng)絡(luò)第i個(gè)神經(jīng)元的輸出Δxi和Hopfield神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)移函數(shù)f計(jì)算整個(gè)Hopfield神經(jīng)網(wǎng)絡(luò)的第i個(gè)輸出xi，其中i∈(1，2，3...L)，L表示整個(gè)Hopfield神經(jīng)網(wǎng)絡(luò)的輸出個(gè)數(shù)；(6)采用計(jì)算i+1的串行選取神經(jīng)元的方法，并將計(jì)算結(jié)果賦值給i，判斷是否滿足條件i≤L，如果滿足，返回步驟(3)；若不滿足，執(zhí)行步驟(7)；(7)將Hopfield神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代演化，判斷是否達(dá)到設(shè)定的迭代次數(shù)，如果達(dá)到了設(shè)定的迭代次數(shù)，則這時(shí)的Hopfield神經(jīng)網(wǎng)絡(luò)輸出為運(yùn)動(dòng)模糊圖像的恢復(fù)結(jié)果，若未達(dá)到設(shè)定的迭代次數(shù)，返回步驟(3)，直到達(dá)到設(shè)定的迭代次數(shù)為止。2、根據(jù)權(quán)利要求1所述的運(yùn)動(dòng)模糊圖像恢復(fù)方法，其中步驟(4)所述的利用第/個(gè)神經(jīng)元輸入",.和Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『，計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第f個(gè)神經(jīng)元輸出^c,，按如下步驟計(jì)算(2a)利用Hopfield神經(jīng)網(wǎng)絡(luò)第/個(gè)神經(jīng)元輸入w,計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第/個(gè)神經(jīng)元的修正因子ax:=2",;(2b)利用Hopfield神經(jīng)網(wǎng)絡(luò)第Z個(gè)神經(jīng)元輸入w,、Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣『中的元素W,7和第/個(gè)神經(jīng)元的修正因子ax;，計(jì)算該網(wǎng)絡(luò)神經(jīng)元的第/個(gè)神經(jīng)元輸出厶X,.=d)=—M,/—AX;。3、根據(jù)權(quán)利要求1所述的運(yùn)動(dòng)模糊圖像恢復(fù)方法，其中步驟(5)所述的利用Hopfield神經(jīng)網(wǎng)絡(luò)第/個(gè)神經(jīng)元的輸出^jc,和Hopfield神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)移函數(shù)/計(jì)算整個(gè)HopfieW神經(jīng)網(wǎng)絡(luò)的第/個(gè)輸出jc,，按如下公式計(jì)算:<formula>formulaseeoriginaldocumentpage3</formula>全文摘要本發(fā)明公開了一種基于Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像恢復(fù)方法，主要解決現(xiàn)有的技術(shù)無法在網(wǎng)絡(luò)達(dá)到穩(wěn)定時(shí)收斂到全局極值點(diǎn)的問題。其實(shí)現(xiàn)過程為(1)構(gòu)造Toeplitz矩陣H；(2)計(jì)算網(wǎng)絡(luò)權(quán)重矩陣和輸入偏置矩陣；(3)計(jì)算網(wǎng)絡(luò)神經(jīng)元的輸入；(4)利用更新規(guī)則計(jì)算神經(jīng)元的輸出；(5)利用轉(zhuǎn)移函數(shù)計(jì)算網(wǎng)絡(luò)的輸出；(6)判斷神經(jīng)元是否全部更新結(jié)束，如果是，返回步驟(3)；若否，執(zhí)行步驟(7)；(7)判斷是否達(dá)到設(shè)定的迭代次數(shù)，如果是，則得到模糊圖像的恢復(fù)結(jié)果；若否，返回步驟(3)，直到達(dá)到設(shè)定的迭代次數(shù)為止。本發(fā)明可獲得較好的圖像恢復(fù)結(jié)果并具有較好的收斂性能，可用于對數(shù)字圖像過程中所出現(xiàn)的運(yùn)動(dòng)模糊圖像的恢復(fù)。文檔編號G06T5/00GK101567079SQ20091002286公開日2009年10月28日申請日期2009年6月5日優(yōu)先權(quán)日2009年6月5日發(fā)明者彪侯,芳劉,楊淑媛,焦李成,爽王,符升高,緱水平,蘇開亮,樺鐘申請人:西安電子科技大學(xué)