一種基于人工神經網絡的最佳質量圖像掃描方法及系統(tǒng)的制作方法
【技術領域】
[0001]本發(fā)明屬于圖像處理技術領域，尤其涉及一種基于人工神經網絡的最佳質量圖像掃描方法及系統(tǒng)。
【背景技術】
[0002]影響線陣CCD相機掃描圖像質量的因素很多，決定了掃描參數系統(tǒng)難以建立起精確的數學模型，因此為獲得優(yōu)質掃描圖像不得不依賴于大量實驗過程中積累起來的經驗來進行掃描參數調整。傳統(tǒng)的根據掃描圖像質量預測掃描參數的方法是基于統(tǒng)計技術而來的，主要是線性模型。線性模型直觀簡單、解釋性強，但對于演化序列復雜的掃描參數系統(tǒng)預測往往不奏效，特別是影響圖像質量因素的掃描參數變動性強，存在高度非線性，傳統(tǒng)的預測方法處理起來便會很困難。而且選擇掃描參數涉及大量的組合，在這么多組合面前如果只依靠經驗數據難以獲取最優(yōu)圖像的掃描參數組合。而人工神經網絡具有較強的魯棒性和容錯性，非線性映射能力適合解決非線性、復雜系統(tǒng)的建模和預測。

【發(fā)明內容】

[0003]本發(fā)明所要解決的技術問題在于提供一種基于人工神經網絡的最佳質量圖像掃描方法及系統(tǒng)，旨在解決傳統(tǒng)掃描方法在掃描參數多組合不能獲取最優(yōu)圖像的問題。
[0004]本發(fā)明是這樣實現(xiàn)的，一種基于人工神經網絡的最佳質量圖像掃描方法，包括以下步驟:
[0005]步驟A，對圖像的原始掃描參數進行分析，獲取訓練樣本和驗證樣本；
[0006]步驟B，通過插值得到所述訓練樣本和所述驗證樣本未知點的插值數據，分別將獲取插值數據后的所述訓練樣本和所述驗證樣本進行歸一化處理，獲取訓練樣本歸一化數據和驗證樣本歸一化數據；
[0007]步驟C，利用神經網絡工具，根據所述訓練樣本歸一化數據建立初級人工神經網絡模型并進行訓練；
[0008]步驟D，根據所述驗證樣本歸一化數據對所述初級人工神經網絡模型驗證，得到最終的人工神經網絡模型；
[0009]步驟E，根據所述人工神經網絡模型進行仿真預測。
[0010]進一步地，所述步驟C包括:
[0011]步驟C1，導入訓練樣本歸一化數據，獲取初級人工神經網絡的輸入向量和期望輸出向量；
[0012]步驟C2，設置訓練誤差允許值ε，初始化各權重值和閾值；
[0013]步驟C3，計算各隱含層和輸出層節(jié)點的輸出；
[0014]步驟C4，計算所述初級人工神經網絡實際輸出與期望輸出的誤差指標函數Ε，比較所述誤差指標函數Ε與所述訓練誤差允許值ε的大??；
[0015]步驟C5，若Ε彡ε，訓練結束，輸出訓練結果；
[0016]步驟C6，gE> ε，更新所述權重值和所述閾值并判斷是否達到預設的訓練次數，若達到訓練次數，則停止訓練；
[0017]步驟C7，若未達到預設的訓練次數，跳轉至步驟C3繼續(xù)進行訓練。
[0018]進一步地，所述步驟D具體包括:
[0019]步驟D1，導入驗證樣本歸一化數據；
[0020]步驟D2，執(zhí)行驗證程序，得到所述初級人工神經網絡模型的輸出結果；
[0021]步驟D3，比較所述輸出結果與真實值之間的驗證誤差；
[0022]步驟D4，判斷所述驗證誤差是否符合預設期望精度；
[0023]若所述驗證結果符合預設期望精度，則將所述初級人工神經網絡模型確定為最終的人工神經網絡模型；
[0024]若所述驗證結果不符合預設期望精度，則修正所述初級人工神經網絡模型并跳轉至步驟C。
[0025]本發(fā)明還提供了一種基于人工神經網絡的最佳質量圖像掃描系統(tǒng)，包括:
[0026]分析單元，用于對圖像的原始掃描參數進行分析，獲取訓練樣本和驗證樣本；
[0027]處理單元，與所述分析單元相連接，用于通過插值得到所述訓練樣本和所述驗證樣本未知點的插值數據，分別將獲取插值數據后的所述訓練樣本和所述驗證樣本進行歸一化處理，獲取訓練樣本歸一化數據和驗證樣本歸一化數據；
[0028]訓練單元，與所述處理單元相連接，用于利用神經網絡工具，根據所述訓練樣本歸一化數據建立初級人工神經網絡模型并進行訓練；
[0029]驗證單元，與所述訓練單元相連接，用于根據所述驗證樣本歸一化數據對所述初級人工神經網絡模型驗證，得到最終的人工神經網絡模型；
[0030]仿真預測單元，與所述驗證單元相連接，用于根據所述人工神經網絡模型進行仿真預測。
[0031]進一步地，所述訓練單元具體用于:
[0032]首先，導入訓練樣本歸一化數據，獲取初級人工神經網絡的輸入向量和期望輸出向量;
[0033]然后，設置訓練誤差允許值ε，初始化各權重值和閾值；
[0034]接著，計算各隱含層和輸出層節(jié)點的輸出；
[0035]再次，計算所述人工神經網絡實際輸出與期望輸出的誤差指標函數Ε，比較所述誤差指標函數Ε與所述訓練誤差允許值ε的大??；
[0036]再次，若Ε彡ε，訓練結束，輸出訓練結果；
[0037]再次，若Ε > ε，更新所述權重值和所述閾值并判斷是否達到預設的訓練次數，若達到訓練次數，則停止訓練；
[0038]最后，若未達到預設的訓練次數，則重新計算各隱含層和輸出層節(jié)點繼續(xù)進行訓練。
[0039]進一步地，所述驗證單元具體用于:
[0040]首先，導入驗證樣本歸一化數據；
[0041]然后，執(zhí)行驗證程序，得到所述初級人工神經網絡模型的輸出結果；
[0042]接著，比較所述輸出結果與真實值之間的驗證誤差；
[0043]最后，判斷所述驗證誤差是否符合預設期望精度；
[0044]若所述驗證結果符合預設期望精度，則將所述初級人工神經網絡模型確定為最終的人工神經網絡模型；
[0045]若所述驗證結果不符合預設期望精度，則修正所述初級人工神經網絡模型并跳轉至所述訓練單元繼續(xù)訓練。
[0046]本發(fā)明與現(xiàn)有技術相比，有益效果在于:本發(fā)明將正交實驗獲得的樣本數據進行分類，并據此建立人工神經網絡模型，通過人工神經網絡模型對掃描參數進行預測和優(yōu)化，縮短優(yōu)化掃描參數時間，提高圖像掃描效率。
【附圖說明】
[0047]圖1是本發(fā)明實施例提供的一種基于人工神經網絡的最佳質量圖像掃描方法的流程圖。
[0048]圖2是對初級人工神經網絡模型進行訓練的流程圖。
[0049]圖3是本發(fā)明實施例提供的一種基于人工神經網絡的最佳質量圖像掃描系統(tǒng)的結構示意圖。
【具體實施方式】
[0050]為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0051]在掃描過程中對圖像質量產生影響的參數稱為掃描參數，線陣CCD掃描參數主要包括相機參數、光源參數和運動參數。相機參數包括:采集頻率和焦距。光源是線陣CCD掃描圖像的必要條件，光源參數主要包括:顏色、強度、照明角度及線性度。運動參數在連續(xù)掃描中起著非常重要的作用，主要包括:掃描速度、振動(運動機構產生的振動、目標因慣性產生的振動和相機產生的振動等)。線陣CCD掃描參數有很多，各參數對圖像質量影響不同，本發(fā)明主要研究對圖像質量有重要影響的掃描參數，包括:掃描速度、光源照度與線性度、曝光度與圖像采集頻率。
[0052]正交實驗獲取影響掃描圖像質量的主要參數與各參數對應的圖像質量綜合評價指標值，選取神經網絡可用數據，借助神經網絡工具，通過神經網絡結構建立圖像掃描優(yōu)化的神經網絡模型，根據該模型預測未知值，若不符合則重新優(yōu)化，符合要求則建立最終模型。
[0053]根據以上原理，本發(fā)明提供一種基于人工神經網絡的最佳質量圖像掃描方法，在影響圖像質量的因素中，除了主要參數其它參數對圖像質量影響不大，在此基礎上，通過正交實驗提取掃描速度、采集頻率、光圈曝光度、光源照度與對應的掃描圖像的圖像質量綜合評價指標，作為神經網絡訓練的原始掃描參數，如圖1所示，最佳質量圖像掃描方法的步驟包括:
[0054]S1，對原始掃描參數進行分析，獲取訓練樣本和驗證樣本。在本步驟中，首先對原始掃描參數進行分析，挑選出滿足圖像質量要求能夠用人工神經網絡、逼近論來進行分析使用的數據，將這些數據分為訓練樣本和驗證樣本兩部分。
[0055]S2，通過插值得到所述訓練樣本和所述驗證樣本未知點的插值數據，分別將獲取插值數據后的所述訓練樣本和所述驗證樣本進行歸一化處理，獲取訓練樣本歸一化數據和驗證樣本歸一化數據；
[0056]S3，利用神經網絡工具，根據所述訓練樣本歸一化數據建立初級人工神經網絡模型并進行訓練；
[0057]S4，對所述初級人工神經網絡模型進行訓練；
[0058]S5，根據所述驗證樣本歸一化數據對所述初級人工神經網絡模型驗證，得到最終的人工神經網絡模型。在本步驟中，得到的人工神經網絡模型為能夠逼近原始掃描參數和對應的掃描圖像的圖像質量綜合評價指標的模型，根據所述模型可以進行最佳質量圖像掃描。
[0059]S6，根據所述人工神經網絡模型進行仿真預測。
[0060]如圖2所示，S3具體包括如下步驟:
[0061]S31，導入訓練樣本歸一化數據；
[0062]S32，獲取初級人工神經網絡的輸入向量和期望輸出向量。在本步驟中，導入訓練樣本歸一化數據即為初級人工神經網絡的輸入向量和期望輸出向量。
[0063]S33，設置訓練誤差允許值ε，初始化各權重值和閾值。在本步驟中，設置權重值和閾值作為后續(xù)神經網絡訓練的初始值，將初始各權重值和閾值設置為較