基于动态递归RBF神经网络的图像恢复技术研究

论文摘要

国内外专家学者在过去几十年中对图像恢复进行了广泛而深入的研究,提出了一些有效的图像恢复算法,但这些传统的方法都存在各自的局限性。神经网络能够有效地解决图像恢复的非线性模型,而且不需要知道先验知识。基于神经网络的图像恢复能够避免传统方法的一些不足,成为新的研究热点。RBF神经网络（RBFNN）是一种高效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单,训练速度快。本文在研究RBFNN基础上将其与WLP网络结合构成递归神经网络,探讨了一种动态递归RBFNN （DRRBFNN）模型并用于图像恢复;然后运用自适应遗传算法（AGA）对其参数进行优化,提出了一种基于自适应遗传算法的DRRBFNN（AGA-DRRBFNN）,避免了人工选择网络参数的弊端。本文的主要工作总结如下:（1）对图像恢复技术进行了讨论,并重点研究了人工神经网络在图像恢复中的应用,分析了人工神经网络在图像恢复应用中的研究动态和发展趋势。（2）对RBF神经网络的基本原理进行了研究,分析了RBF神经网络的理论基础,网络结构以及映射方式,并重点对RBFNN的训练算法做了全面的研究和总结。（3）研究了一种动态递归RBFNN模型,着重研究了网络训练算法中的最近邻聚类学习算法和梯度下降学习算法,在分析了这两种学习算法的性能基础上将二者结合用于DRRBFNN的训练。并分析讨论了影响网络分类精度和收敛速度的中心宽度参数γ和收敛参数K。通过实验验证了上述方法对于含有椒盐噪声的图像有较好的恢复效果。（4）对AGA算法进行了深入研究,并运用AGA算法自动确定动态RBFNN的中心参数,避免了人工选择的对网络性能的影响,在WINE数据集、IRIS数据集上分别进行了实验比较,并将本模型应用于图像恢复,试验结果验证了该方法的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 数字图像恢复技术
• 1.1.1 图像噪声
• 1.1.2 图像退化原因
• 1.1.3 图像退化模型
• 1.1.4 几种常见的图像恢复方法
• 1.1.5 图像恢复效果的评价指标
• 1.2 人工神经网络及其在图像恢复中的应用
• 1.2.1 人工神经网络的发展
• 1.2.2 人工神经网络图象恢复方法研究进展
• 1.3 本文主要研究内容
• 1.4 本文章节安排
• 第二章 RBF 神经网络
• 2.1 RBF 神经网络理论基础
• 2.2 RBF 神经网络结构
• 2.3 RBF 神经网络的学习算法
• 2.3.1 中心参数的确定
• 2.3.2 输出权值的确定
• 2.4 RBF 神经网络的特点及研究现状
• 2.4.1 RBF 神经网络的特点
• 2.4.2 RBF 神经网络研究现状
• 2.5 本章小结
• 第三章 动态递归RBFNN 及其在彩色图像恢复中的应用
• 3.1 问题提出
• 3.2 动态递归RBFNN 原理
• 3.2.1 能量函数
• 3.2.2 宽度参数γ和收敛参数K
• 3.3 动态递归RBFNN 结构模型
• 3.4 基于动态递归RBFNN 的图像恢复
• 3.4.1 基于动态递归RBFNN 图像恢复的基本原理
• 3.4.2 样本准备
• 3.4.3 学习算法
• 3.4.4 网络性能比较
• 3.5 实验与分析
• 3.6 本章小结
• 第四章 基于自适应遗传算法优化DRRBFNN
• 4.1 问题提出
• 4.2 自适应遗传算法
• 4.2.1 GA 算法
• 4.2.2 与其他进化算法的比较
• 4.2.3 自适应遗传算法AGA
• 4.3 运用自适应遗传算法对DRRBFNN 进行优化
• 4.3.1 具体策略
• 4.3.2 优化算法的基本步骤
• 4.3.3 AGA-DRRBFNN 网络性能比较
• 4.4 AGA-DRRBFNN 用于彩色图像恢复
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 今后工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文