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

来源：应用基础与工程科学学报, 2018, 26(05): 1092-1100.

DOI：10.16058/j.issn.1005-0930.2018.05.015

• 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

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.

• 单位
  南昌大学机电工程学院