發(fā)布時(shí)間：2021-09-09所屬分類：免費(fèi)文獻(xiàn)瀏覽：1次
摘 要： 現(xiàn)代電子技術(shù)
《基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)設(shè)計(jì)》論文發(fā)表期刊：《現(xiàn)代電子技術(shù)》；發(fā)表周期：2021年15期
《基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)設(shè)計(jì)》論文作者信息：張玉霞（1986一），女，河北邯鄲人，碩士，副教授，研究方向?yàn)橛?jì)算機(jī)應(yīng)用、圖像處理與虛擬現(xiàn)實(shí)。 王超（1986一），男，河北部鄲人，碩士，講師，研究方向?yàn)槿斯ぶ悄芙逃龖?yīng)用、教育信息化、學(xué)習(xí)科學(xué)。 劉艷輝（1985一），男，河北部郭人，碩士，講師，研究方向?yàn)橛?jì)算機(jī)應(yīng)用、大數(shù)據(jù)分析。張志剛（1980一），男，河北郁郭人，碩士，講師，研究方向?yàn)閼?yīng)用電子技術(shù)、嵌入式應(yīng)用。
摘要：傳統(tǒng)的模糊圖像重建系統(tǒng)重建圖像清晰度較低、圖像重建耗時(shí)較長，為此基于深度卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種新的模糊圖像重建系統(tǒng)，系統(tǒng)設(shè)計(jì)分為硬件設(shè)計(jì)與軟件設(shè)計(jì)兩部分。根據(jù)系統(tǒng)的基礎(chǔ)狀況劃分硬件系統(tǒng)處理區(qū)域，并不斷調(diào)整區(qū)域內(nèi)部信息，優(yōu)化獲取的圖像信息，過濾錯(cuò)誤代碼數(shù)據(jù)，調(diào)節(jié)數(shù)據(jù)參數(shù)，加大數(shù)據(jù)整合的力度，實(shí)現(xiàn)對數(shù)據(jù)硬件的結(jié)構(gòu)性處理，以硬件設(shè)計(jì)的元件數(shù)據(jù)為基礎(chǔ)作為軟件數(shù)據(jù)的操作前提實(shí)現(xiàn)軟件系統(tǒng)設(shè)計(jì)，綜合數(shù)據(jù)算法合理分析圖像在傳輸?shù)耐瑫r(shí)可能產(chǎn)生的傳輸信息缺失問題，并查找缺失原因，在提升傳輸速率的同時(shí)提高圖像傳輸?shù)耐暾�，由此�?shí)現(xiàn)對模糊圖像重建系統(tǒng)的設(shè)計(jì)。實(shí)驗(yàn)結(jié)果表明，基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)能夠有效提高重建圖像的清晰度，縮短重建時(shí)間。
關(guān)鍵詞：深度卷積神經(jīng)網(wǎng)絡(luò);模糊圖像;圖像重建;重建系統(tǒng);神經(jīng)網(wǎng)絡(luò)算法;圖像分析;模糊重建
Abstract: The traditional fuzzy image reconstruction system has lower image sharpness and longer image reconstruction time. Therefore, a new fuzzy image reconstruction system is designed based on deep convolutional neural network. The system is composed of hard ware and software. The processing area of the hardware system is sectioned according to the basic condition ofthe system. The internal information of the area is constantly adjusted, the acquired image information is optimized, the wrong code data is filtered, the data parameters are adjusted, and the intensity of data integration is increased, so as to realize the structural processing of the data hardware. The design of software system is realized by taking the component data of hardwaredesign as the operation premise of software data. The data and algorithm are integrated to reasonably analyze the transmission information loss that may occur while the image is being transmitted. In addition, the cause of the loss is found out to improve the image integrity while improving the transmission rate. On the basis of the above steps, the design of the fuzzy image reconstruction system is achieved. An experiment was performed. The experimental results show that the fuzzy imag reconstruction system based on deep convolutional neural network can effectively improve the sharpness of the reconstructed image and shorten the reconstruction time.
Keywords: deep convolutional neural network; fuzzy image; image reconstruction; reconstruction system; neural network algorithm; image analysis; fuzzy reconstruction
0 引 言
視頻及圖像傳輸技術(shù)在系統(tǒng)傳輸?shù)倪^程中產(chǎn)生隨機(jī)性錯(cuò)誤代碼、傳輸丟失、文件倒序等問題，致使接收的圖像數(shù)據(jù)不夠完整，為此，需采用圖像重建系統(tǒng)對模糊圖像進(jìn)行修復(fù)操作，補(bǔ)救圖像信息[1]。由于模糊重建系統(tǒng)在設(shè)計(jì)過程中對于圖像的初始信息掌握程度要求較高，在處理時(shí)，需注意對圖像信息的分析力度，因此，不少國內(nèi)外學(xué)者提出根據(jù)數(shù)據(jù)圖像產(chǎn)生錯(cuò)誤的代碼對圖像模糊原因進(jìn)行分析，減少解碼后產(chǎn)生的模糊馬賽克狀況，構(gòu)建較為適宜的圖像操作模型，并分解模型信息，增強(qiáng)重建圖像的信息紋理性，減少重建圖像與初始傳輸圖像之間的差異。但在研究操作過程中對于圖像的信息挖掘深度不夠，圖像存在較大的信息隱患，修復(fù)效果無法達(dá)到系統(tǒng)需求，為此，針對上述問題，本文提出一種新式基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)，對以上問題進(jìn)行分析與解決。
本文硬件設(shè)計(jì)針對系統(tǒng)硬件問題逐個(gè)擊破，精準(zhǔn)調(diào)節(jié)硬件元件信息，并升級硬件功能，提升其對圖像數(shù)據(jù)的研究力度，按照不同的模塊集中整合硬件內(nèi)部結(jié)構(gòu)，獲取較佳的硬件數(shù)據(jù)操作結(jié)果"。軟件設(shè)計(jì)結(jié)合神經(jīng)網(wǎng)絡(luò)算法重新構(gòu)造模糊圖像信息，完善圖像數(shù)據(jù)，利于圖像的進(jìn)一步重建操作，達(dá)到對模糊圖像重建系統(tǒng)的設(shè)計(jì)目的，從圖像本質(zhì)出發(fā)，有效緩解了圖像數(shù)據(jù)在傳輸過程中產(chǎn)生的問題，提升了重建圖像的清晰度1。
1基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)硬件設(shè)計(jì)
本文強(qiáng)化了系統(tǒng)硬件元件的操作性能，根據(jù)性能產(chǎn)生的合理性重組深度卷積神經(jīng)網(wǎng)絡(luò)模式，并按照神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)信息提取方式將硬件設(shè)計(jì)劃分為三個(gè)不同狀況的操作模塊進(jìn)行研究，系統(tǒng)硬件設(shè)計(jì)結(jié)構(gòu)如圖1所示。
本文針對內(nèi)部系統(tǒng)的硬件功能，掌握其結(jié)構(gòu)系統(tǒng)信息，設(shè)置數(shù)據(jù)提取模塊，對圖像特征進(jìn)行提取[6]。按照提取標(biāo)準(zhǔn)設(shè)置圖像特征數(shù)據(jù)提取如圖 2所示。
在圖 2 中，本文選用內(nèi)部特征提取器調(diào)節(jié)系統(tǒng)狀態(tài)，該提取器預(yù)裝 Microsoft Windows CE.NET 6.0 中文版操作系統(tǒng)，便于對提取的特征數(shù)據(jù)的精準(zhǔn)分析，配備Marvell XScale PXA310 806 MHz 高速 CPU、4 GB 大容量存儲空間，方便收集數(shù)據(jù)的存儲，支持 WiFi/Bluetooth等通信方式，可在數(shù)據(jù)網(wǎng)絡(luò)信號較差的環(huán)境下使用，提升圖像數(shù)據(jù)的接收速率。超聲功率為 100~650 W，支持?jǐn)?shù)據(jù)的內(nèi)部超聲圖像提取，可反映提取圖像的信息真實(shí)狀況，便于系統(tǒng)提出較為及時(shí)的應(yīng)對措施[7]。
在提取的特征數(shù)據(jù)后安裝圖像數(shù)據(jù)濾波器，清除數(shù)據(jù)干擾因素，擴(kuò)展數(shù)據(jù)操作方式，構(gòu)建數(shù)據(jù)濾波結(jié)構(gòu)如
圖 3所示。
在濾波的同時(shí)根據(jù)濾波器的狀態(tài)匹配電源裝置，配套電源使用可使電源滿足 EMC 標(biāo)準(zhǔn) IEC/EN61000⁃4 系列及 CISPR22/EN55022，確保操作過程的電源持續(xù)處于充足狀態(tài)[8]。配備濾波芯片，本文芯片具有 8 個(gè)光隔離數(shù)字輸入通道和 8個(gè)繼電器執(zhí)行器輸出通道，所有 DI輸入通道的中斷處理能力較高，可調(diào)控濾波操作情況，所 有 DI 輸入通道的可選數(shù)字濾波時(shí)間較多，能夠滿足系統(tǒng)操作的實(shí)際需求，輸出狀態(tài)可讀并顯示繼電器的發(fā)光二極管指示器狀況，促使系統(tǒng)操作更加便利，可隨時(shí)進(jìn)入數(shù)據(jù)存儲與檢驗(yàn)?zāi)Ｊ�，轉(zhuǎn)變中心硬件數(shù)據(jù)的結(jié)構(gòu)，劃分其特殊職能與工作情況，并分析傳輸圖像的表象成長趨勢，實(shí)現(xiàn)對濾波模塊的整體設(shè)計(jì)[9]。
采用圖像處理器對三維重建模糊圖像的狀況進(jìn)行實(shí)時(shí)監(jiān)控，精準(zhǔn)獲取監(jiān)控信息，設(shè)置獨(dú)立的高清數(shù)據(jù)接口，調(diào)整數(shù)據(jù)傳輸路徑與傳輸方向，并構(gòu)建數(shù)據(jù)處理過程，如圖 4所示。
在圖 4 中，規(guī)劃數(shù)據(jù)處理模式，模塊化錄入數(shù)據(jù)處理信息，綜合調(diào)節(jié)信息內(nèi)容，促使信息符合系統(tǒng)處理機(jī)制方式，轉(zhuǎn)變機(jī)制存儲結(jié)構(gòu)，擴(kuò)大傳輸數(shù)據(jù)面，整理信息中心數(shù)據(jù)，完成整體系統(tǒng)硬件設(shè)計(jì)操作[10]。 2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)軟件設(shè)計(jì)
為提升模糊圖像重建的圖像清晰度，本文針對研究的圖像數(shù)據(jù)內(nèi)部性質(zhì)，實(shí)現(xiàn)對圖像數(shù)據(jù)的精準(zhǔn)掌控，構(gòu)建系統(tǒng)軟件設(shè)計(jì)流程圖如圖 5所示。
利用深度卷積神經(jīng)網(wǎng)絡(luò)的研究圖像數(shù)據(jù)將輸入的圖像激活[11]。調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的研究圖像狀態(tài)，并轉(zhuǎn)變系統(tǒng)數(shù)據(jù)信息模式，獲取相關(guān)的模式數(shù)據(jù)信息，按照數(shù)據(jù)結(jié)構(gòu)劃分?jǐn)?shù)據(jù)類型，并查找深度卷積神經(jīng)網(wǎng)絡(luò)此時(shí)的狀態(tài)信息，合理處理其狀態(tài)與系統(tǒng)需求間的關(guān)系，并構(gòu)建關(guān)系方程式：
F表示區(qū)域權(quán)重?cái)?shù)值。為獲取精準(zhǔn)性較佳的研究結(jié)果，濾波處理收集的重建圖像，將二維圖像的卷積操作作為數(shù)據(jù)操作基礎(chǔ)，并查詢圖像特征。根據(jù)圖像特征的輸出位置整合數(shù)據(jù)形式，轉(zhuǎn)變數(shù)據(jù)功能，加大對中心數(shù)據(jù)的管理力度，并取得數(shù)據(jù)驅(qū)動信息，掌控圖像傳輸過程的狀態(tài)，時(shí)刻監(jiān)控圖像傳輸?shù)奈恢�，避免傳輸圖像產(chǎn)生偏移，進(jìn)而造成重建數(shù)據(jù)信息獲取的完整度較低。經(jīng)過以上步驟研究，不斷優(yōu)化系統(tǒng)內(nèi)部軟件構(gòu)造，實(shí)現(xiàn)對模糊圖像重建系統(tǒng)的軟件設(shè)計(jì)操作。
3實(shí)驗(yàn)與研究
為精準(zhǔn)評估本文基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)設(shè)計(jì)的圖像重建性能，設(shè)置相應(yīng)的實(shí)驗(yàn)環(huán)境進(jìn)行性能檢驗(yàn)，將本文系統(tǒng)設(shè)計(jì)與傳統(tǒng)基于插值的模糊圖像重建系統(tǒng)及基于深度學(xué)習(xí)的模糊圖像重建系統(tǒng)進(jìn)行實(shí)驗(yàn)對比。
針對深度卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)操作的困難性以及模糊圖像重建系統(tǒng)設(shè)計(jì)的圖像信息獲取復(fù)雜度，需對其實(shí)驗(yàn)環(huán)境進(jìn)行數(shù)據(jù)篩選，并重建系統(tǒng)結(jié)構(gòu)，緩解系統(tǒng)間的操作壓力，不斷降低圖像信息間的冗余程度，提升傳輸效率，并設(shè)置如下的實(shí)驗(yàn)操作步驟1)使用內(nèi)部發(fā)布的圖片數(shù)據(jù)作為研究基礎(chǔ)，采用高分辨率數(shù)據(jù)集對比低分辨率數(shù)據(jù)集，促使獲取的結(jié)果魯棒性更高。
2)隨機(jī)在準(zhǔn)備好的數(shù)據(jù)集中抽取實(shí)驗(yàn)圖像，并對相同尺寸的圖像進(jìn)行預(yù)處理操作，得到中心圖像集，以此圖像集的某一條邊長作為原圖的部分矩形區(qū)域，填充為白色，構(gòu)建出受損圖像數(shù)據(jù)。
3)根據(jù)對受損圖像的重建效果對比，參與實(shí)驗(yàn)的系統(tǒng)設(shè)計(jì)的性能重建。
設(shè)置相應(yīng)的實(shí)驗(yàn)參數(shù)如表 1所示。
在設(shè)置了實(shí)驗(yàn)參數(shù)的基礎(chǔ)上，測試 3 種系統(tǒng)對模糊圖像的重建清晰度，得到對比結(jié)果如圖 6所示。
在此基礎(chǔ)上，測試 3 種系統(tǒng)重建所需的時(shí)間，對比結(jié)果如圖 7所示。
根據(jù)圖 6，圖 7 可以分析出，基于插值的模糊圖像重建系統(tǒng)具有較高的圖像重建清晰度，但圖像重建所需的時(shí)間較長，基于深度學(xué)習(xí)的模糊圖像重建系統(tǒng)的圖像重建所需時(shí)間較短，但圖像重建的清晰度較低。本文基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)的重建圖像清晰度均高于其他兩種傳統(tǒng)系統(tǒng)，圖像重建所需時(shí)間均低于其他兩種傳統(tǒng)系統(tǒng)。
造成此種差異的主要原因在于，本文系統(tǒng)設(shè)計(jì)精確掌握了重建圖像的基礎(chǔ)信息，并以此為操作出發(fā)點(diǎn)，調(diào)節(jié)系統(tǒng)狀態(tài)，促進(jìn)系統(tǒng)狀態(tài)與數(shù)據(jù)操作模式相吻合，準(zhǔn)確分析系統(tǒng)的具體需求，提升操作的效率，減少不必要的時(shí)間浪費(fèi)，重建所需時(shí)間較短。而傳統(tǒng)方法的圖像信息數(shù)據(jù)完整度較低，無法實(shí)現(xiàn)數(shù)據(jù)的精準(zhǔn)掌握操作，且數(shù)控能力較差，致使其最終的重建圖像清晰度較低。綜上所述，本文基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)能夠更好地完善圖像重建信息，整合圖像內(nèi)容，提高圖像重建效果，有利于后續(xù)研究的開展，具有較大的發(fā)展空間。
4 結(jié) 語
本文在傳統(tǒng)模糊圖像重建系統(tǒng)的基礎(chǔ)上提出了一種 新式的基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)，實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)的重建效果明顯優(yōu)于傳統(tǒng)系統(tǒng)的重建效果。相較于傳統(tǒng)模糊圖像重建系統(tǒng)，本文基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像重建系統(tǒng)能夠在較高程度上提升對圖像數(shù)據(jù)的合理分析技能，增強(qiáng)圖像數(shù)據(jù)的重建效果，縮減操作時(shí)間，提高系統(tǒng)操作效率，具有較高的可研究性。
參考文獻(xiàn)
[1] 林兩魁，王少游，唐忠興 . 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外過采樣掃描圖像點(diǎn)目標(biāo)檢測方法[J]. 紅外與毫米波學(xué)報(bào)，2018，37
(2)：219⁃226. [2] 胡美玉，張?jiān)浦蓿夭�，�?.基于深度卷積神經(jīng)網(wǎng)絡(luò)的語義地圖構(gòu)建[J].機(jī)器人，2019，41(4)：452⁃463.
[3] 王書志，宋廣虎，馮全 . 基于深度卷積神經(jīng)網(wǎng)絡(luò)的葡萄新梢圖像分割[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，50(4)：454⁃462.
[4] 劉飛飛，任舒琪，郭波超，等 .基于并行卷積神經(jīng)網(wǎng)絡(luò)的圖像美學(xué)分類[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40(4)：1120⁃1125.
[5] 朱曉銘，陳林海，張帥，等 .基于卷積神經(jīng)網(wǎng)絡(luò)重建十二導(dǎo)聯(lián)心電圖[J].微電子學(xué)與計(jì)算機(jī)，2019，36(9)：12⁃15.
[6] 曾接賢，倪申龍 .改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)單幅圖像超分辨率重建[J].計(jì)算機(jī)工程與應(yīng)用，2019，55(13)：1⁃7.
[7] 華臻，張海程，李晉江 .基于殘差的端對端圖像超分辨率[J].計(jì)算機(jī)科學(xué)，2019，46(6)：246⁃255.
[8] 黃綠娥，吳祿慎，陳華偉 .融合 LSTM的 DCNN 及其圖像模糊類型和參數(shù)識別[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2018，26(5)：1092⁃1100.
[9]趙慧珍，劉付顯，李龍躍，等.一種新的深度卷積神經(jīng)網(wǎng)絡(luò)的SLU J]哈1業(yè)大報(bào)，2018，50(4)：117-123.
[10]雷翰林，張寶華，基于多模型深度卷積網(wǎng)絡(luò)融合的人群計(jì)數(shù)算法1J.激光技術(shù)，2019，43(4)：476-481.
[11]1部麗鵬，鄭輝，基于PReLUs-Sofplus非線性激勵(lì)函數(shù)的卷積神經(jīng)網(wǎng)[].陽1業(yè)大報(bào)，2018，40(1)：54-59.
[12]張德正，翁理國，夏旻，等，基于深度卷積長短時(shí)神經(jīng)網(wǎng)絡(luò)的視頻幀預(yù)測J]計(jì)算機(jī)應(yīng)用，2019，39(6)：1657-162.
[13]王飛，張瑩，張東波，等，基于捷徑的卷積神經(jīng)網(wǎng)絡(luò)在人臉識別中的應(yīng)用研究[J].電子測量與儀器報(bào)，2018，32(4)：80-86.
[14]高昆侖，楊帥，劉思言，等，基于一維卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評估1].電力系統(tǒng)自化，2019，43(12)：18-26.
[15]顏波，張磊，褚學(xué)寧，基于卷積神經(jīng)網(wǎng)絡(luò)的用戶感知評估建模[J].上海交通大學(xué)學(xué)報(bào)，2019，53(7)：844-851.
