图像复原的几种主要神经网络模型

《图像复原的几种主要神经网络模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、下面是用于图像复原的几种主要神经网络模型：（1）Hopfield神经网络Hopfield神经网络是在图像复原中所采用的、也是研究最为广泛的一种神经网络模型。基于Hopfield网络的图像复原的核心思想是将图像复原看作是满足一定约束条件下的优化问题。Zhou等所采用的约束误差方程为：221122EgHfλDf∧∧=?+(3.1)其中，f∧是对复原图像的估计，λ是正则化常数，D是平滑算子。一般情况下，H通常是低通失真矩阵，因此D往往选作高通滤波器。将Hopfield网络模型中能量函数与约束误差方程相对应，即可求出Hopfield网络参数及其结构形式，最终实现自组织、自学习的图

2、像复原。（2）BP神经网络由于BP神经网络能够在隐含层实现一种特殊的非线性变换，BP网络的学习能力可以看作是对多维函数的逼近，它能够完成多维空间对一个有限数据点的超平面重构，所以选用BP神经网络无需知道点扩散函数就可以拟和退化图像和原始图像之间的非线性映射关系，只需通过学习和训练即可实现[33]。（3）自组织特征映射神经网络自组织特征映射神经网络模型有时也称为Kohonen网络模型，利用自组织特征映射神经网络模型的图像复原方法如图3.1所示，其中聚类分析使用Kohonen网络，最终得到复原图像[34]。椒盐噪声图像高斯噪声图像乘性噪声图像聚类分析聚类分析聚类分析融合聚类分

3、析复原图像图3.1SOFM网络复原框图Fig.3.1TheframeaboutSOFMnetworkusinginimagerestoration（4）细胞神经网络细胞神经网络的新功能就是将其运用于解决图像复原问题中来[35]，运用细胞神经络进行图像复原，进行彩色图像的处理[36]，其算法计算速度非常快，但同时也存在一个问题，那就是模板的设计需要依赖于经验，到目前为止，还没有找到通用的设计方法。（5）模糊神经网络模糊神经网络的提出，很好的解决了图像复原存在的难题——图像的平滑和特征的保持（尖锐化处理）。运用自适应模糊神经网络算法可以很好的解决图像复原中的平滑和尖锐化矛盾[

4、37]。