基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统技术方案

本发明专利技术涉及一种基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统，属于图像处理技术领域。本发明专利技术采用受限玻尔兹曼机网络模型对含模糊的置换混叠图像进行拟合训练，通过调整权重，得到概率矩阵，获得最有网络模型，通过最优网络模型对原数据集进行重构，根据重构数据集与原数据集之间的特征差异，分离含模糊的置换混叠区域。本发明专利技术利用受限玻尔兹曼机对图像进行特征提取，能够实现特征的自动选取，大大节省了特征选取的时间，克服了传统盲分离方法准确性不高、特征域不易选取的问题，本发明专利技术对于置换区域位置、大小、个数及噪声方差不同的含模糊置换混叠图像均能有效分离出置换区域图像。

【技术实现步骤摘要】
基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统
本专利技术涉及一种基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统，属于图像处理

技术介绍
盲源分离(BlindSourceSeparation,BSS)，又称为盲信号分离(BlindSignalSeparation,BSS)，是在不需要太多的源信号和信道先验信息的情况下，仅根据观测到的混合输出信号，分离出各输入源信号的过程，是信号处理领域的一个研究热点，也是一种实用有效的信号处理方法，被广泛应用于图像处理、数据传输、语音信号处理、移动通信、生物医学信号处理等领域。而置换混叠图像盲分离是一种单信道的盲源分离问题，不同于传统的叠加混合图像，此类置换混叠图像的置换区域和被置换区域是以置换的形式混合，且置换区域信息丢失，对于置换区域的位置、大小、个数也是无从获知的。2007年轰动一时的华南虎照就属于典型的置换混叠图像，由于拼接图像对社会造成很大的影响，所以对于此类图像的研究具有重大意义。自2009年方勇等首次提出置换混叠信号的概念以来，国内外出现了一些针对置换混叠图像的盲分离理论。经过几年的研究，针对这类单信道盲分离问题已经取得了很大的进展，如王伟等提出一种基于二次模糊相关性的单通道盲分离方法，通过对置换图像进行二次模糊，估计二次模糊前后对应子块的相关系数来构建映射空间，利用其参数不同实现分离。段新涛等提出了一种基于差分进化的置换混叠图像盲分离算法，通过选择空域作为特征域,将置换混叠图像的梯度图像分成小块,并为每个小块设定个阈值，组成阈值向量。利用差分进化算法获得最优的阈值向量，将置换混叠图像阈值化为二值图像，利用图像形态学实现二值图像分离出置换图像。还有一个亟需解决的问题是，现存的盲分离算法多是针对单一模糊类型的置换混叠图像时可以有效分离，但是对多种模糊类型的置换混叠图像盲分离无法有效分离。因此需要一种新的算法来有效分离含多种模糊类型的置换混叠图像。
技术实现思路
本专利技术的目的是提供一种基于受限玻尔兹曼机的置换混叠图像盲分离方法，以解决目前忙分离算法无法对多种模糊类型的置换混叠图像进行有效盲分离的问题；本专利技术还提供了一种基于受限玻尔兹曼机的置换混叠图像盲分离系统。本专利技术为解决上述技术问题而提供一种基于受限玻尔兹曼机的置换混叠图像盲分离方法，该方法包括以下步骤：1)利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练，获取概率矩阵，确定受限玻尔兹曼机网络模型中神经元的状态，以完成受限玻尔兹曼机网络模型的构建；2)对步骤1)中所构建的受限玻尔兹曼机网络模型进行训练，调整权重，以得到最优受限玻尔兹曼机网络模型；3)利用最优的受限玻尔兹曼机网络模型重构数据样本集，根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域，所述初始样本集为步骤1)中的含有模糊的置换混叠图像。进一步地，所述步骤1)中含有模糊的置换混叠图像Z(i,j)是由自然图像L(i,j)中的一部分被置换图像S(i,j)中的一部分置换混叠而成，即：Z(i,j)＝L(i,j)+So(i,j)+Sn(i,j)其中，自然图像L(i,j)不含模糊，So(i,j)表示置换图像中不含模糊的成分，Sn(i,j)表示置换图像中所含模糊的成分。进一步地，所述步骤1)中在对含有模糊的置换混叠图像进行训练之前，需对含有模糊的置换混叠图像进行分块处理，并对分块处理后的图像进行归一化操作，作为可操作数据集，该可操作数据集即为初始样本集。进一步地，所述步骤1)中受限玻尔兹曼机网络模型的构建过程如下：a.随机生成受限玻尔兹曼机神经网络，初始化网络参数，计算隐藏节点的激励值；b.对每个隐藏节点的激励值进行标准化，得到神经元开启或关闭的概率；c.将得到神经元开启或关闭的概率与抽取的随机值进行比较，以确定开启或关闭的隐藏节点，实现受限玻尔兹曼机网络模型的构建。进一步地，所述的步骤c中的抽取的随机值服从(0，1)均匀分布。进一步地，所述步骤2)采用对比散度快速学习算法训练受限玻尔兹曼机网络模型，过程如下：a.将含有模糊的置换混叠图像赋值给所构建的受限玻尔兹曼机网络模型中的可视节点，计算隐藏节点被开启的概率；b.从计算出的概率分布中提取一个样本数据，并利用该样本数据重构显层；c.提取显层的一个样本，利用重构后的显层神经元计算出隐藏层神经元被开启的概率；d.循环调整受限玻尔兹曼机网络模型的参数，获得最优网络模型。进一步地，权重更新采用的公式如下：W←W+λ(P(h(0)＝1|v(0))v(0)T-P(h(1)＝1|v(1))v(1)T其中，W代表权重，λ代表每次权重改变的幅度，P(h(0)＝1|v(0))v(0)代表根据可视层节点v(0)计算隐层节点h(0)的概率，P(h(1)＝1|v(1))v(1)代表利用受限玻尔兹曼机网络模型对数据进行重构后的可视节点v(1)计算隐层节点h(1)的概率。本专利技术还提供了一种基于受限玻尔兹曼机的置换混叠图像盲分离系统，该系统包括处理器，所述处理器中执行有以下指令：利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练，获取概率矩阵，确定受限玻尔兹曼机网络模型中神经元的状态，以完成受限玻尔兹曼机网络模型的构建；对所构建的受限玻尔兹曼机网络模型进行训练，调整权重，以得到最优的受限玻尔兹曼机网络模型；利用最优的受限玻尔兹曼机网络模型重构数据样本集，根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域。重构过程如下:a、将原数据集赋值给可视层节点。b、利用训练好的权重和网络，计算神经元的开启或关闭状态。c、利用隐藏层神经元重构可视层节点，即获得重构数据集。进一步地，在对含有模糊的置换混叠图像进行训练之前，需对含有模糊的置换混叠图像进行分块处理，并对分块处理后的图像进行归一化操作，作为可操作数据集。进一步地，所述最优受限玻尔兹曼机网络模型是采用对比散度快速学习算法训练得到。本专利技术的有益效果是:本专利技术采用受限玻尔兹曼机网络模型对含模糊的置换混叠图像进行拟合训练，通过调整权重，得到概率矩阵，获得最有网络模型，通过最优网络模型对原数据集进行重构，根据重构数据集与原数据集之间的模糊特征差异，分离含模糊的置换混叠区域。本专利技术利用受限玻尔兹曼机对图像进行特征提取，能够实现特征的自动选取，大大节省了特征选取的时间，克服了传统盲分离方法准确性不高、特征域不易选取的问题，本专利技术对于置换区域位置、大小、个数及噪声方差不同的含模糊置换混叠图像均能有效分离出置换区域图像。附图说明图1是本专利技术置换混叠图像盲分离方法的流程图；图2是同一图像间置换的置换混叠图像示例图；图3是采用本专利技术置换混叠图像盲分离方法对图2进行分离的实验效果图；图4是不同图像间置换的置换混叠图像示例图；图5是采用本专利技术置换混叠图像盲分离方法对图4进行分离的实验效果图；图6是置换图像含模糊类型为高斯模糊、模糊度为5的置换混叠图像；图7是置换图像含模糊类型为高斯模糊、模糊度为25的置换混叠图像；图8是置换图像含模糊类型为高斯模糊、模糊度为45的置换混叠图像；图9是采用本专利技术置换混叠图像盲分离方法对图6进行分离的实验效果图；图10是采用本专利技术置换混叠图像盲分离方法对图7进行分离的实验效果图；图11是采用本专利技术置换混叠图像盲分本文档来自技高网...

【技术保护点】
一种基于受限玻尔兹曼机的置换混叠图像盲分离方法，其特征在于，该方法包括以下步骤：1)利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练，获取概率矩阵，确定受限玻尔兹曼机网络模型中神经元的状态，以完成受限玻尔兹曼机网络模型的构建；2)对步骤1)中所构建的受限玻尔兹曼机网络模型进行训练，调整权重，以得到最优受限玻尔兹曼机网络模型；3)利用最优的受限玻尔兹曼机网络模型重构数据样本集，根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域，所述初始样本集为步骤1)中的含有模糊的置换混叠图像。

【技术特征摘要】
1.一种基于受限玻尔兹曼机的置换混叠图像盲分离方法，其特征在于，该方法包括以下步骤：1)利用初始化的受限玻尔兹曼机网络模型对含有模糊的置换混叠图像进行拟合训练，获取概率矩阵，确定受限玻尔兹曼机网络模型中神经元的状态，以完成受限玻尔兹曼机网络模型的构建；2)对步骤1)中所构建的受限玻尔兹曼机网络模型进行训练，调整权重，以得到最优受限玻尔兹曼机网络模型；3)利用最优的受限玻尔兹曼机网络模型重构数据样本集，根据重构样本集与初始样本集的差异分离置换混叠图像的置换区域，所述初始样本集为步骤1)中的含有模糊的置换混叠图像。2.根据权利要求1所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法，其特征在于，所述步骤1)中含有模糊的置换混叠图像Z(i,j)是由自然图像L(i,j)中的一部分被置换图像S(i,j)中的一部分置换混叠而成，即：Z(i,j)＝L(i,j)+So(i,j)+Sn(i,j)其中，自然图像L(i,j)不含模糊，So(i,j)表示置换图像中不含模糊的成分，Sn(i,j)表示置换图像中所含模糊的成分。3.根据权利要求1所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法，其特征在于，所述步骤1)中在对含有模糊的置换混叠图像进行训练之前，需对含有模糊的置换混叠图像进行分块处理，并对分块处理后的图像进行归一化操作，作为可操作数据集，该可操作数据集即为初始样本集。4.根据权利要求1所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法，其特征在于，所述步骤1)中受限玻尔兹曼机网络模型的构建过程如下：a.随机生成受限玻尔兹曼机神经网络，初始化网络参数，计算隐藏节点的激励值；b.对每个隐藏节点的激励值进行标准化，得到神经元开启或关闭的概率；c.将得到神经元开启或关闭的概率与抽取的随机值进行比较，以确定开启或关闭的隐藏节点，实现受限玻尔兹曼机网络模型的构建。5.根据权利要求4所述的基于受限玻尔兹曼机的置换混叠图像盲分离方法，其特征在于，所述的步骤c中的抽取的随机值服从(0，1)均匀分布。6.根据权利要求1所述的基于受限玻尔...

【专利技术属性】
技术研发人员：段新涛，李飞飞，段佳蕙，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：河南,41