[发明专利]基于整体变分模型和神经网络的运动模糊图像恢复方法

权利要求书

1.一种基于整体变分模型和神经网络的运动模糊图像恢复方法，包括如下步骤：

(1)设定Hopfield神经网络相邻两次输出的误差ε、Hopfield神经网络迭代次数、整个Hopfield神经网络能量函数的第一改变量ΔE₁＝0和运动模糊图像g作为Hopfield神经网络的原始输出x，并利用点扩散函数h(x，y)，垂直梯度算子d_Y和水平梯度算子d_X分别构造Toeplitz矩阵H，D_Y和D_X；

(2)利用Toeplitz矩阵D_X、D_Y和Hopfield神经网络的原始输出x，分别计算水平方向上的梯度SX_P和垂直方向上的梯度SY_P：

其中， 为Toeplitz矩阵D_X中的元素， 为Toeplitz矩阵D_Y中的元素，x_i表示Hopfield神经网络的原始输出x中的元素，sign(·)表示符号函数， L表示整个Hopfield神经网络的输出个数；

(3)利用Toeplitz矩阵H、Hopfield神经网络的原始输出x、水平方向上的梯度SX_P和垂直方向上的梯度SY_P，计算Hopfield神经网络权重矩阵W和网络原始的输入偏置矩阵b，并根据该权重矩阵W和网络原始的输入偏置矩阵b，计算该网络的第i个神经元输入u_i；

(4)利用Hopfield神经网络第i个神经元输入u_i和Hopfield神经网络权重矩阵W，按如下步骤计算该网络神经元的第i个神经元输出Δx_i：

(4a)利用Hopfield神经网络第i个神经元输入u_i，计算该网络神经元的第i个神经元的修正因子：Δx′_i＝2u_i；

(4b)利用Hopfield神经网络第i个神经元输入u_i、Hopfield神经网络权重矩阵W中的元素w_ii和第i个神经元的修正因子Δx′_i，计算该网络神经元的第i个神经元输出：

Δx_i＝sign(u_i+w_ii*Δx′_i/2)*|Δx′_i|；

其中，|·|表示取绝对值，i∈(1，2，3...L)，L表示整个Hopfield神经网络的输出个数；

(5)利用Hopfield神经网络第i个神经元的输出Δx_i，计算整个Hopfield神经网络的第i个输出z_i；

(6)利用Hopfield神经网络第i个神经元输入u_i、Hopfield神经网络权重矩阵W和 网络神经元的第i个神经元输出Δx_i，计算整个Hopfield神经网络能量函数的第一改变量ΔE₁；

(7)将当前神经元转入下一个神经元i+1，并与整个Hopfield神经网络的输出个数L进行比较，如果i+1≤L，则返回步骤(4)；反之，则执行步骤(8)；

(8)将Hopfield神经网络进行迭代演化，判断是否达到设定的迭代次数，如果达到了设定的迭代次数，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果，若未达到设定的迭代次数，执行步骤(9)

(9)利用Hopfield神经网络的当前输出x′和原始输出x，先计算函数表达式|x′-x|/L；然后利用网络当前的输出x′更新该网络的原始输出；

(10)将|x′-x|/L的计算结果与设定的误差ε进行比较，如果|x′-x|/L＜ε，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果；反之，执行步骤(11)；

(11)利用Toeplitz矩阵H、Hopfield神经网络的原始输出x、水平方向上的梯度SX_P和垂直方向上的梯度SY_P，计算该网络当前的输入偏置矩阵b′，并利用当前的输入偏置矩阵b′更新该网络的原始输入偏置矩阵b；

(12)利用Hopfield神经网络的原始输出x、网络当前的输入偏置矩阵b′和网络原始的输入偏置矩阵b，计算Hopfield神经网络能量函数的第二改变量ΔE₂；

(13)对网络能量函数的第一改变量ΔE₁和第二改变量ΔE₂进行判断，若满足条件：ΔE₁＝0，则这时的Hopfield神经网络输出为运动模糊图像的恢复结果；若满足条件：ΔE₁+ΔE₂＜0，则返回步骤(2)；若满足条件：ΔE₁+ΔE₂≥0，则返回步骤(3)。