[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的聲納圖像的超分辨率重建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201110052542.X
• 申請(qǐng)日: 2011-03-05
• 公開(kāi)（公告）號(hào): CN102142136A
• 公開(kāi)（公告）日: 2011-08-03
• 發(fā)明（設(shè)計(jì)）人: 程倩倩;范新南;李慶武;霍冠英
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)常州校區(qū)
• 主分類號(hào): G06T5/50
• 分類號(hào): G06T5/50;G06N3/08
• 代理公司: 常州市天龍專利事務(wù)所有限公司 32105
• 代理人: 周建觀

1.一種基于神經(jīng)網(wǎng)絡(luò)的聲納圖像的超分辨率重建方法，其特征在于：對(duì)待超分辨率重建的聲納圖像r進(jìn)行超分辨率重建，包括以下步驟：?

（1）對(duì)一幅高分辨率聲納圖像進(jìn)行降質(zhì)樣本構(gòu)建，先生成該高分辨率聲納圖像的4幅副本圖像，再分別對(duì)該4幅副本圖像進(jìn)行移位和降采樣，從而生成4幅降質(zhì)樣本圖像；

（2）對(duì)步驟（1）中的高分辨率聲納圖像進(jìn)行非下采樣輪廓波分解，得到高分辨率聲納圖像的K個(gè)帶通方向子帶系數(shù)和1個(gè)低通子帶系數(shù)；再對(duì)4幅降質(zhì)樣本圖像依次進(jìn)行非下采樣輪廓波分解，每一幅降質(zhì)樣本圖像均得到K個(gè)帶通方向子帶系數(shù)和1個(gè)低通子帶系數(shù)，K為正整數(shù)；

（3）創(chuàng)建三層的誤差反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層神經(jīng)元為16個(gè)，隱含層神經(jīng)元為???????????????????????????????????????????????個(gè)，輸出層神經(jīng)元為16個(gè)；

（4）對(duì)步驟（2）中的高分辨率聲納圖像的K個(gè)帶通方向子帶系數(shù)進(jìn)行分塊，得到高分辨率聲納圖像的圖像子塊，該高分辨率聲納圖像的圖像子塊的大小為4*4，其中d代表第d個(gè)帶通方向子帶系數(shù)，n代表第n塊圖像子塊，n為正整數(shù)；接著對(duì)第m幅降質(zhì)樣本圖像的K個(gè)帶通方向子帶系數(shù)進(jìn)行分塊，得到第m幅降質(zhì)樣本圖像的圖像子塊，該第m幅降質(zhì)樣本圖像的圖像子塊的大小為4*4，其中?m代表第m幅降質(zhì)樣本圖像，d代表第d個(gè)帶通方向子帶系數(shù)，n代表第n塊圖像子塊，n為正整數(shù)；

（5）將步驟（4）中的高分辨率聲納圖像的圖像子塊進(jìn)行標(biāo)準(zhǔn)化，即將高分辨率聲納圖像的圖像子塊的大小由4*4轉(zhuǎn)變成16*1，接著對(duì)高分辨率聲納圖像的圖像子塊進(jìn)行歸一化，即使高分辨率聲納圖像的圖像子塊的系數(shù)值分布在[-1,1]之間；再將高分辨率聲納圖像的圖像子塊按照1到n的順序從右到左豎向排列成矩陣，其中d代表第d個(gè)帶通方向子帶系數(shù)；

（6）將步驟（4）中的第m幅降質(zhì)樣本圖像的圖像子塊進(jìn)行標(biāo)準(zhǔn)化，即將第m幅降質(zhì)樣本圖像的圖像子塊的大小由4*4轉(zhuǎn)變成16*1，接著對(duì)第m幅降質(zhì)樣本圖像的圖像子塊進(jìn)行歸一化，即使第m幅降質(zhì)樣本圖像的圖像子塊的系數(shù)值分布在[-1,1]之間；再將第m幅降質(zhì)樣本圖像的圖像子塊按照1到n的順序從右到左豎向排列成矩陣，其中m代表第m幅降質(zhì)樣本圖像，d代表第d個(gè)帶通方向子帶系數(shù)；

（7）將矩陣、矩陣、矩陣和矩陣逐個(gè)作為誤差反向傳播神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入樣本矩陣，矩陣作為誤差反向傳播神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)樣本矩陣，進(jìn)行4*n次神經(jīng)網(wǎng)絡(luò)訓(xùn)練；接著將其它的矩陣逐個(gè)作為誤差反向傳播神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入樣本矩陣，相對(duì)應(yīng)的矩陣作為誤差反向傳播神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)樣本矩陣，再進(jìn)行(K-1)*4*n次神經(jīng)網(wǎng)絡(luò)訓(xùn)練，從而得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，其中隱含層的傳遞函數(shù)為tansig函數(shù)，輸出層的傳遞函數(shù)為logsig函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm函數(shù)，即采用Levenberg-Marquardt最優(yōu)化算法進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練；

（8）將待超分辨率重建的聲納圖像r進(jìn)行立方插值，該待超分辨率重建的聲納圖像r的大小為X*Y，插值后圖像的大小變?yōu)?X*2Y，然后再對(duì)插值后圖像進(jìn)行非下采樣輪廓波分解，得到1個(gè)低通子帶系數(shù)和K個(gè)帶通方向子帶系數(shù)，再對(duì)插值后圖像的K個(gè)帶通方向子帶系數(shù)進(jìn)行分塊，得到插值后圖像的圖像子塊（），圖像子塊的大小為4*4，其中d代表第d個(gè)帶通方向子帶系數(shù)，p代表第p塊圖像子塊，接著對(duì)插值后圖像的圖像子塊進(jìn)行標(biāo)準(zhǔn)化，即將插值后圖像的圖像子塊的大小由4*4轉(zhuǎn)變成16*1，接著再對(duì)插值后圖像的圖像子塊進(jìn)行歸一化，即使插值后圖像的圖像子塊的系數(shù)值分布在[-1,1]之間；再將插值后圖像的圖像子塊按照1到n的順序從右到左豎向排列成矩陣（d=1），再將插值后圖像的其它圖像子塊也按照1到p的順序從右到左豎向排列，得到矩陣集合;

（9）依次將矩陣集合中的矩陣輸入步驟（7）中訓(xùn)練好的誤差反向傳播神經(jīng)網(wǎng)絡(luò)，依次輸出高分辨率的帶通方向子帶系數(shù)的塊矩陣；

（10）對(duì)步驟（9）中的高分辨率的帶通方向子帶系數(shù)的塊矩陣進(jìn)行逆歸一化，即使高分辨率的帶通方向子帶系數(shù)的塊矩陣的系數(shù)值還原到原先的取值范圍，接著對(duì)高分辨率的帶通方向子帶系數(shù)的塊矩陣進(jìn)行逆標(biāo)準(zhǔn)化，即將高分辨率的帶通方向子帶系數(shù)的塊矩陣的大小由16*1轉(zhuǎn)變成原先的4*4，再將高分辨率的帶通方向子帶系數(shù)的塊矩陣按照1到p的順序合并成大小為2X*2Y的高分辨率的K個(gè)帶通方向子帶系數(shù)；

（11）將步驟（8）中的插值后圖像作為高分辨率的低通子帶系數(shù)，再將高分辨率的低通子帶系數(shù)與步驟（10）中的高分辨率的各帶通方向子帶系數(shù)一起進(jìn)行非下采樣輪廓波逆變換，得到超分辨率重建的聲納圖像R，從而完成對(duì)待超分辨率重建的聲納圖像r的超分辨率重建。