[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的合成孔徑聚焦成像深度評估方法

有效

• 申請?zhí)枺?/td>: 201810139139.2
• 申請日: 2018-02-11
• 公開（公告）號: CN108427961B
• 公開（公告）日: 2020-05-29
• 發(fā)明（設(shè)計）人: 裴炤;張艷寧;沈樂棋;馬苗;郭敏
• 申請（專利權(quán)）人: 陜西師范大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 西安永生專利代理有限責(zé)任公司 61201
• 代理人: 申忠才

一種基于卷積神經(jīng)網(wǎng)絡(luò)的合成孔徑聚焦成像深度評估方法，由構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)、采集并生成合成孔徑圖像、對合成孔徑圖像進(jìn)行分類、訓(xùn)練構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)、判斷合成孔徑圖像聚焦程度步驟組成。本發(fā)明以單張合成孔徑圖像作為輸入，采用了卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)工具，提取合成孔徑圖像中的聚焦特征，對于聚焦部分面積較小的合成孔徑圖像有較高的判斷準(zhǔn)確率，與現(xiàn)有的方法相比，本發(fā)明有效地降低了計算的復(fù)雜度，縮短了計算時間，提高了判斷的準(zhǔn)確率，增強了可擴展性，可用于合成孔徑圖像的自動聚焦。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理與模式識別技術(shù)領(lǐng)域，具體涉及基于卷積神經(jīng)網(wǎng)絡(luò)的合成孔徑聚焦成像深度評估方法。

背景技術(shù)

現(xiàn)有的相機可調(diào)整焦距，位于聚焦平面上的物體成像清晰，反之，位于非聚焦平面上的物體成像模糊，物體是否位于聚焦平面上是判斷圖像是否聚焦的關(guān)鍵，隨著相機價格的降低，利用多個相機組成的相機陣列進(jìn)行合成孔徑成像越來越成為可能。然而，在合成孔徑成像領(lǐng)域中，找到一種測量聚焦程度的方法受到廣大研究者的重視。

現(xiàn)有的測量聚焦方法采用像素值之間的梯度算法和對像素值的局部統(tǒng)計來實現(xiàn)對圖像聚焦程度的判斷。近年來，關(guān)于聚焦測量方法的研究在多方面有了一定的進(jìn)展。Pech等人提出了一種計算興趣區(qū)域內(nèi)灰度值方差的方法，Tian等人提出了基于微波的拉普拉斯混合模型，Kristan等人采用圖像頻譜的譜熵計算子區(qū)域的聚焦程度。這些測量方法經(jīng)常被用于解決對焦尋形，圖像融合以及自動聚焦等問題。此外，現(xiàn)有方法需要場景中其他信息作為輸入，例如多個視角的圖像信息或聚焦在不同深度的圖像序列，現(xiàn)有的方法需要消耗大量的時間用于多個圖像中像素值的計算。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題在于克服上述現(xiàn)有技術(shù)的不足，提供一種運行時間短、判斷圖像準(zhǔn)確率高、可擴展性強、聚焦面較小的基于卷積神經(jīng)網(wǎng)絡(luò)的合成孔徑聚焦成像深度評估方法。

解決上述技術(shù)問題所采用的技術(shù)方案由下述步驟組成：

(1)構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)

對于網(wǎng)絡(luò)的輸入圖像，統(tǒng)一尺寸為227×227×3，其中，227×227為輸入圖像的分辨率，3為輸入圖像具有三個彩色通道的像素信息。

卷積神經(jīng)網(wǎng)絡(luò)包含5個卷積層，3個池化層和3個全連接層；在卷積層中，對輸入的圖像進(jìn)行卷積操作：

式中G(x,y)為卷積層輸出矩陣中的元素，F(xiàn)(x,y)為卷積層輸入矩陣中的元素，H(a,b)為卷積核中的元素，x、y分別為矩陣中的第x行、第y列，a、b分別為卷積核中的第a行、第b列，I為輸入矩陣的大小，J為卷積核的大小；經(jīng)過卷積操作后，卷積層的輸出矩陣在激活層被ReLU函數(shù)激活：

R(x,y)＝max(0,G(x,y)) (2)

式中R(x,y)為激活層輸出矩陣中的元素；激活層的輸出矩陣在池化層進(jìn)行下采樣操作：

U(x′,y′)＝max(R(x+m,y+n)) (3)

式中U(x′,y′)為池化層輸出矩陣中的元素，m、n為[0,ΔI]中的整數(shù)，ΔI是下采樣的步長為有限的正整數(shù)；在池化層后構(gòu)建歸一化層，將U(x′,y′)規(guī)范得到歸一化層輸出矩陣中的元素：

式中V(x,y)為歸一化層輸出矩陣中的元素，σ是縮放常數(shù)為0.0001，μ是指數(shù)常數(shù)為0.75，M為輸入矩陣的通道數(shù)；全連接層處理池化層的輸出，以0.3～0.5的概率舍棄全連接層中的元素。

(2)采集并生成合成孔徑圖像