基于卷积自编码卷积神经网络的空间目标图像复原方法技术

本发明专利技术公开了一种基于卷积自编码卷积神经网络的空间目标图像复原方法，包括：搭建具有不同退化程度的退化图像作为输入数据，用以学习和构建更健壮的CAE神经网络模型；利用空间目标数量有限、部分模型已知的先验知识，以及模型之间具有高度相似性的特点，构造了不同类型与不同模糊程度的仿真图像集，并用于卷积网络里训练。本发明专利技术的优点在于：能够复原出边缘结构清晰的图像；具有优秀的去湍流模糊能力，且复原出的图像边缘对比度高，抗噪能力优秀，复原图像内部结构显示更加稳定清晰，效率更高。

Convolutional self encoded convolutional neural network based image restoration method for space objects

The invention discloses a method of spatial object image restoration based on convolution self-coding convolution neural network, which includes: building degraded images with different degraded degrees as input data for learning and constructing more robust CAE neural network model; utilizing prior knowledge of limited number of spatial objects and some known models. As well as the high similarity between the models, the simulation image sets of different types and different degrees of ambiguity are constructed and used for training in convolution networks. The advantages of the present invention are: the image with clear edge structure can be restored; the image with excellent de-turbulence and blurring ability has high edge contrast, excellent anti-noise ability, more stable and clear display of the internal structure of the restored image, and higher efficiency.

【技术实现步骤摘要】
基于卷积自编码卷积神经网络的空间目标图像复原方法
本专利技术涉及图像处理
，特别涉及基于卷积自编码卷积神经网络的空间目标图像复原方法。
技术介绍
神经网络的整体思想是定义一个有效的目标模型和一个能衡量目标模型利弊的损失函数，通过逐步优化目标模型和最小化目标模型的损失，学习输入数据与预测数据之间的内在关系，从而使神经网络模型完成各种任务。在用于图像复原的学习方法中，假设图到图之间存在局部相关性，在此基础上通过学习图像的退化模型和退化图像的特征，将能实现对退化图像的复原。其中主要有基于稀疏表示的方法和基于深度神经网络的方法，而基于深度神经网络的方法由于其强大的非线性拟合能力，目前在超分辨研究工作中已经取得了突破性的研究进展。其中论文(DongC,LoyCC,HeK,etal.ImageSuper-ResolutionUsingDeepConvolutionalNetworks[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2016,38(2):295-307.)里汤晓鸥教授带领的研究团队提出了基于3层卷积层的图本文档来自技高网...

【技术保护点】
1.一种基于卷积自编码卷积神经网络的空间目标图像复原方法，其特征在于，包括：搭建的CAE神经网络模型，设f1、f2、f3、f4、f5为五个卷积层各自的卷积核尺寸，设n1、n2、n3、n4、n5为五个卷积层的卷积核数量；CAE神经网络模型一共包含9层的神经元，而1～5层为编码卷积，6～9层为解码卷积；构建的CAE网络输入尺寸为32×32的灰度图像，其中卷积工作方式用下面的加权和公式来表示：

【技术特征摘要】
1.一种基于卷积自编码卷积神经网络的空间目标图像复原方法，其特征在于，包括：搭建的CAE神经网络模型，设f1、f2、f3、f4、f5为五个卷积层各自的卷积核尺寸，设n1、n2、n3、n4、n5为五个卷积层的卷积核数量；CAE神经网络模型一共包含9层的神经元，而1～5层为编码卷积，6～9层为解码卷积；构建的CAE网络输入尺寸为32×32的灰度图像，其中卷积工作方式用下面的加权和公式来表示：n代表当前层神经元的个数，Xj代表当前节点对前i个输入数据的第j个输出结果，xi为输入图像数据，wij为对应第j个输出的卷积核，*为卷积操作，bj为的偏置项；ReLu是本发明构建网络使用的激活函数，ReLu激活函数是由正负两部分所组成的分段线性函数，它将所有负值修正为0，并保持正数值不变；ReLu的作用是单侧抑制梯度的传递，为了保证CAE网络的编码卷积层与解码卷积层能相互对应，以及编码-解码后图像能还原到输入图一样的尺寸，需要对被卷积输入图像进行边界补零操作，从而保证卷积后特征图尺寸与输入图像尺寸相同；整个神经网络的运算过程如下：第1层卷积对输入图进行卷积后将输出n1个32×32的特征图，在通过ReLu激活函数修正与2×2的最大池化操作后，则完成了一次图像特征提取与筛选，经过池化后将输出n1个16×16特征图；池化通常作为卷积操作之后的特征筛选处理，最大池化的目的是为了获得更显著的局部特征统计量，且能压缩特征图的尺寸，并减少计算量；第3层卷积将第1层卷积并池化后的特征图作为输入值，该层使用n2个f2×f2的卷积核进行卷积操作，并通过ReLu激活函数线性变换，卷积方式同上；在卷积得到的特征图进行2×2最大池化，这样卷积特征图的尺寸再缩小一半，输出n2个8×8的特征图；第3层卷积使用n3...

【专利技术属性】
技术研发人员：谢春芝，高志升，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川,51