[發(fā)明專(zhuān)利]基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011423811.4
• 申請(qǐng)日: 2020-12-08
• 公開(kāi)（公告）號(hào): CN112419302A
• 公開(kāi)（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 馮濤;丁顯;宮永立
• 申請(qǐng)（專(zhuān)利權(quán)）人: 魯能集團(tuán)有限公司;都城偉業(yè)集團(tuán)有限公司
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06T7/11;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中巡通大知識(shí)產(chǎn)權(quán)代理有限公司 11703
• 代理人: 李曉曉

1.一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，包括以下步驟：

1)獲取若干風(fēng)機(jī)機(jī)艙內(nèi)部設(shè)備高光譜圖像并作為樣本，估計(jì)各高光譜圖像的噪聲特征；

2)提取各高光譜圖像的模糊特征；

3)提取各高光譜圖像的空間相關(guān)性及光譜間相關(guān)性；

4)構(gòu)造各高光譜圖像的相關(guān)相位一致性圖，獲取所述相關(guān)相位一致性圖灰度共生矩陣的灰度感知特征，其中，所述灰度感知特征包括角秒矩、對(duì)比度、熵及均勻性；

5)構(gòu)建基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型，再將步驟1)得到的各高光譜圖像的噪聲特征、步驟2)得到的各高光譜圖像的模糊特征、步驟3)得到的各高光譜圖像的空間相關(guān)性及光譜間相關(guān)性及步驟4)得到的灰度感知特征輸入到基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型中，對(duì)基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型進(jìn)行訓(xùn)練，然后利用訓(xùn)練后的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型預(yù)測(cè)待預(yù)測(cè)風(fēng)機(jī)機(jī)艙內(nèi)部設(shè)備高光譜圖像的準(zhǔn)確質(zhì)量分?jǐn)?shù)。

2.根據(jù)權(quán)利要求1所述的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，步驟1)中利用多元線性回歸方法估計(jì)各高光譜圖像的噪聲特征；

步驟2)中采用基于圖像直方圖的模糊評(píng)價(jià)算法提取各高光譜圖像的模糊特征。

3.根據(jù)權(quán)利要求1所述的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，步驟1)的具體操作過(guò)程為：

將高光譜圖像劃分為若干圖像塊，再利用相鄰波段的多元線性回歸擬合方法擬合均勻區(qū)域相鄰像素值的信號(hào)分離噪聲，然后計(jì)算各圖像塊的偏差，最后利用各圖像塊的偏差計(jì)算該高光譜圖像的噪聲特征。

4.根據(jù)權(quán)利要求1所述的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，高光譜圖像的噪聲特征f₁為：

其中，為第k個(gè)波段中圖像塊的偏差。

5.根據(jù)權(quán)利要求1所述的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，步驟2)中高光譜圖像的模糊特征f₂為：

其中，x_i為高光譜圖像的第個(gè)灰度級(jí)的灰度值，p(x_i)為高光譜圖像中出現(xiàn)灰度值x_i的頻率，w(x_i)為x_i的重量。

6.根據(jù)權(quán)利要求1所述的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，步驟3)中高光譜圖像的空間相關(guān)性f₃及光譜間相關(guān)性f₄的表達(dá)式為：

其中，為第k個(gè)鍵中子圖像的空間相關(guān)值，為每個(gè)鍵中所有第(i，j)個(gè)像素的光譜間相關(guān)值。

7.根據(jù)權(quán)利要求1所述的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，高光譜圖像的相關(guān)相位一致性計(jì)算公式為：

F(x)＝∑e_n(x)

H(x)＝∑o_n(x)

8.根據(jù)權(quán)利要求1所述的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)方法，其特征在于，尺寸為M×N的灰度圖像的灰度共生矩陣G_6，θ(i，j)為：

9.一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)設(shè)備高光譜圖像質(zhì)量預(yù)測(cè)系統(tǒng)，其特征在于，包括：

噪聲特征估計(jì)模塊，用于獲取若干高光譜圖像作為樣本，估計(jì)各高光譜圖像的噪聲特征；

模糊特征提取模塊，用于提取各高光譜圖像的模糊特征；

相關(guān)性提取模塊，用于提取各高光譜圖像的空間相關(guān)性及光譜間相關(guān)性；

灰度感知特征提取模塊，用于構(gòu)造各高光譜圖像的相關(guān)相位一致性圖，獲取所述相關(guān)相位一致性圖灰度共生矩陣的灰度感知特征，其中，所述灰度感知特征包括角秒矩、對(duì)比度、熵及均勻性；

預(yù)測(cè)模塊，與噪聲特征估計(jì)模塊、模糊特征提取模塊、相關(guān)性提取模塊及灰度感知特征提取模塊相連接，用于構(gòu)建基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型，再將步驟1)得到的各高光譜圖像的噪聲特征、步驟2)得到的各高光譜圖像的模糊特征、步驟3)得到的各高光譜圖像的空間相關(guān)性及光譜間相關(guān)性及步驟4)得到的灰度感知特征輸入到基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型中，對(duì)基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型進(jìn)行訓(xùn)練，然后利用訓(xùn)練后的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像質(zhì)量評(píng)價(jià)模型預(yù)測(cè)待預(yù)測(cè)高光譜圖像的準(zhǔn)確質(zhì)量分?jǐn)?shù)。