融合LSTM的DCNN及其图像模糊类型和参数识别

作者：黄绿娥; 吴禄慎; 陈华伟深度卷积神经网络长短期记忆神经网络图像去模糊模糊类型分类模糊参数识别

摘要：大数据时代,图像是重要的信息传递媒介,但图像质量退化将影响信息识别.针对各种类型的图像退化问题,提出一种融合长短期记忆（LSTM）的深度卷积神经网络（DCNN）的带记忆分类方法,识别退化图像模糊类型及其参数,根据准确的模糊类型及模糊核进行图像去模糊.首先改进DCNN卷积模型,调节卷积运算步长算子,加快图像卷积收敛速度;引入串行LSTM网络,将训练过的图像微元进行记忆,提高识别速度和准确性;通过BP网络输出模糊类型及其参数,再进行图像反卷积去模糊.实验表明能识别出3种主要模糊类型并识别率在90%以上,模糊参数误差在一个像素内,能复原出清晰的图像;最后将算法应用到实际高速铁路轨道缺陷检测系统中,对质量较差的图像进行模糊识别及去模糊,提高图像识别率.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社