融合LSTM的DCNN及其图像模糊类型和参数识别

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.

关键词：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

所属期刊栏目：26

分类号：TP394.1(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;江西省科技厅项目

在线出版日期：2018-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1092-1100