一种基于人工神经网络的最佳质量图像扫描方法及***
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于人工神经网络的最佳质量图像扫描方法及***。
背景技术
影响线阵CCD相机扫描图像质量的因素很多,决定了扫描参数***难以建立起精确的数学模型,因此为获得优质扫描图像不得不依赖于大量实验过程中积累起来的经验来进行扫描参数调整。传统的根据扫描图像质量预测扫描参数的方法是基于统计技术而来的,主要是线性模型。线性模型直观简单、解释性强,但对于演化序列复杂的扫描参数***预测往往不奏效,特别是影响图像质量因素的扫描参数变动性强,存在高度非线性,传统的预测方法处理起来便会很困难。而且选择扫描参数涉及大量的组合,在这么多组合面前如果只依靠经验数据难以获取最优图像的扫描参数组合。而人工神经网络具有较强的鲁棒性和容错性,非线性映射能力适合解决非线性、复杂***的建模和预测。
发明内容
本发明所要解决的技术问题在于提供一种基于人工神经网络的最佳质量图像扫描方法及***,旨在解决传统扫描方法在扫描参数多组合不能获取最优图像的问题。
本发明是这样实现的,一种基于人工神经网络的最佳质量图像扫描方法,包括以下步骤:
步骤A,对图像的原始扫描参数进行分析,获取训练样本和验证样本;
步骤B,通过插值得到所述训练样本和所述验证样本未知点的插值数据,分别将获取插值数据后的所述训练样本和所述验证样本进行归一化处理,获取训练样本归一化数据和验证样本归一化数据;
步骤C,利用神经网络工具,根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练;
步骤D,根据所述验证样本归一化数据对所述初级人工神经网络模型验证,得到最终的人工神经网络模型;
步骤E,根据所述人工神经网络模型进行仿真预测。
进一步地,所述步骤C包括:
步骤C1,导入训练样本归一化数据,获取初级人工神经网络的输入向量和期望输出向量;
步骤C2,设置训练误差允许值ε,初始化各权重值和阈值;
步骤C3,计算各隐含层和输出层节点的输出;
步骤C4,计算所述初级人工神经网络实际输出与期望输出的误差指标函数E,比较所述误差指标函数E与所述训练误差允许值ε的大小;
步骤C5,若E≤ε,训练结束,输出训练结果;
步骤C6,若E>ε,更新所述权重值和所述阈值并判断是否达到预设的训练次数,若达到训练次数,则停止训练;
步骤C7,若未达到预设的训练次数,跳转至步骤C3继续进行训练。
进一步地,所述步骤D具体包括:
步骤D1,导入验证样本归一化数据;
步骤D2,执行验证程序,得到所述初级人工神经网络模型的输出结果;
步骤D3,比较所述输出结果与真实值之间的验证误差;
步骤D4,判断所述验证误差是否符合预设期望精度;
若所述验证结果符合预设期望精度,则将所述初级人工神经网络模型确定为最终的人工神经网络模型;
若所述验证结果不符合预设期望精度,则修正所述初级人工神经网络模型并跳转至步骤C。
本发明还提供了一种基于人工神经网络的最佳质量图像扫描***,包括:
分析单元,用于对图像的原始扫描参数进行分析,获取训练样本和验证样本;
处理单元,与所述分析单元相连接,用于通过插值得到所述训练样本和所述验证样本未知点的插值数据,分别将获取插值数据后的所述训练样本和所述验证样本进行归一化处理,获取训练样本归一化数据和验证样本归一化数据;
训练单元,与所述处理单元相连接,用于利用神经网络工具,根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练;
验证单元,与所述训练单元相连接,用于根据所述验证样本归一化数据对所述初级人工神经网络模型验证,得到最终的人工神经网络模型;
仿真预测单元,与所述验证单元相连接,用于根据所述人工神经网络模型进行仿真预测。
进一步地,所述训练单元具体用于:
首先,导入训练样本归一化数据,获取初级人工神经网络的输入向量和期望输出向量;
然后,设置训练误差允许值ε,初始化各权重值和阈值;
接着,计算各隐含层和输出层节点的输出;
再次,计算所述人工神经网络实际输出与期望输出的误差指标函数E,比较所述误差指标函数E与所述训练误差允许值ε的大小;
再次,若E≤ε,训练结束,输出训练结果;
再次,若E>ε,更新所述权重值和所述阈值并判断是否达到预设的训练次数,若达到训练次数,则停止训练;
最后,若未达到预设的训练次数,则重新计算各隐含层和输出层节点继续进行训练。
进一步地,所述验证单元具体用于:
首先,导入验证样本归一化数据;
然后,执行验证程序,得到所述初级人工神经网络模型的输出结果;
接着,比较所述输出结果与真实值之间的验证误差;
最后,判断所述验证误差是否符合预设期望精度;
若所述验证结果符合预设期望精度,则将所述初级人工神经网络模型确定为最终的人工神经网络模型;
若所述验证结果不符合预设期望精度,则修正所述初级人工神经网络模型并跳转至所述训练单元继续训练。
本发明与现有技术相比,有益效果在于:本发明将正交实验获得的样本数据进行分类,并据此建立人工神经网络模型,通过人工神经网络模型对扫描参数进行预测和优化,缩短优化扫描参数时间,提高图像扫描效率。
附图说明
图1是本发明实施例提供的一种基于人工神经网络的最佳质量图像扫描方法的流程图。
图2是对初级人工神经网络模型进行训练的流程图。
图3是本发明实施例提供的一种基于人工神经网络的最佳质量图像扫描***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在扫描过程中对图像质量产生影响的参数称为扫描参数,线阵CCD扫描参数主要包括相机参数、光源参数和运动参数。相机参数包括:采集频率和焦距。光源是线阵CCD扫描图像的必要条件,光源参数主要包括:颜色、强度、照明角度及线性度。运动参数在连续扫描中起着非常重要的作用,主要包括:扫描速度、振动(运动机构产生的振动、目标因惯性产生的振动和相机产生的振动等)。线阵CCD扫描参数有很多,各参数对图像质量影响不同,本发明主要研究对图像质量有重要影响的扫描参数,包括:扫描速度、光源照度与线性度、曝光度与图像采集频率。
正交实验获取影响扫描图像质量的主要参数与各参数对应的图像质量综合评价指标值,选取神经网络可用数据,借助神经网络工具,通过神经网络结构建立图像扫描优化的神经网络模型,根据该模型预测未知值,若不符合则重新优化,符合要求则建立最终模型。
根据以上原理,本发明提供一种基于人工神经网络的最佳质量图像扫描方法,在影响图像质量的因素中,除了主要参数其它参数对图像质量影响不大,在此基础上,通过正交实验提取扫描速度、采集频率、光圈曝光度、光源照度与对应的扫描图像的图像质量综合评价指标,作为神经网络训练的原始扫描参数,如图1所示,最佳质量图像扫描方法的步骤包括:
S1,对原始扫描参数进行分析,获取训练样本和验证样本。在本步骤中,首先对原始扫描参数进行分析,挑选出满足图像质量要求能够用人工神经网络、逼近论来进行分析使用的数据,将这些数据分为训练样本和验证样本两部分。
S2,通过插值得到所述训练样本和所述验证样本未知点的插值数据,分别将获取插值数据后的所述训练样本和所述验证样本进行归一化处理,获取训练样本归一化数据和验证样本归一化数据;
S3,利用神经网络工具,根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练;
S4,对所述初级人工神经网络模型进行训练;
S5,根据所述验证样本归一化数据对所述初级人工神经网络模型验证,得到最终的人工神经网络模型。在本步骤中,得到的人工神经网络模型为能够逼近原始扫描参数和对应的扫描图像的图像质量综合评价指标的模型,根据所述模型可以进行最佳质量图像扫描。
S6,根据所述人工神经网络模型进行仿真预测。
如图2所示,S3具体包括如下步骤:
S31,导入训练样本归一化数据;
S32,获取初级人工神经网络的输入向量和期望输出向量。在本步骤中,导入训练样本归一化数据即为初级人工神经网络的输入向量和期望输出向量。
S33,设置训练误差允许值ε,初始化各权重值和阈值。在本步骤中,设置权重值和阈值作为后续神经网络训练的初始值,将初始各权重值和阈值设置为较小的数值,一般都是设定为0.0001-0.0000001,具体设定值要根据神经网络的训练结果判断,太大神经网络训练结果不理想,太小又无法收敛;
S34,计算各隐含层和输出层节点的输出;
S35,计算所述初级人工神经网络实际输出与期望输出的误差指标函数E;
S36,比较所述训练误差允许值ε和所述误差指标函数E,若E≤ε,训练结束,输出训练结果。因为训练过程就是不断修正各权重值和阈值,使得在训练误差允许值范围内输入向量和输出向量建立起非线性关系,输出的训练结果就是得到最终的权重值和阈值。
S37,若E>ε,更新所述权重值和所述阈值,并进行训练次数判断;
S38,判断是否达到预设的训练次数,若达到训练次数,则停止训练;
S39,若未达到预设的训练次数,跳转至步骤S34继续进行训练。
在上述步骤S4中,具体步骤为:
S41,导入验证样本归一化数据;
S42,执行验证程序,得到所述初级人工神经网络模型的输出结果。在本步骤中,根据步骤S3中输出的训练结果作为初级人工神经网络最终的权重值和阈值,导入验证样本归一化数据得到输出结果。
S43,比较所述输出结果与真实值之间的验证误差。在本步骤中,导入验证样本归一化数据包含输入值和期望输出值,根据输入值和步骤S3中输出的训练结果得到输出结果,真实值即为期望输出值。
S44,判断所述验证误差是否符合预设期望精度;
若所述验证结果符合预设期望精度,则将所述初级人工神经网络模型确定为最终的人工神经网络模型;
S45中,若所述验证结果不符合预设期望精度,则修正所述初级人工神经网络模型并跳转至步骤S3。
如图3所示,为本发明实施例提供的一种基于人工神经网络的最佳质量图像扫描***,包括:
分析单元1,用于对图像的原始扫描参数进行分析,获取训练样本和验证样本;
处理单元2,与分析单元1相连接,用于通过插值得到所述训练样本和所述验证样本未知点的插值数据,分别将获取插值数据后的所述训练样本和所述验证样本进行归一化处理,获取训练样本归一化数据和验证样本归一化数据;
训练单元3,与处理单元2相连接,用于利用神经网络工具,根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练;
验证单元4,与训练单元3相连接,用于根据所述验证样本归一化数据对所述初级人工神经网络模型验证,得到最终的人工神经网络模型;
仿真预测单元5,与验证单元4相连接,用于根据所述人工神经网络模型进行仿真预测。
进一步地,训练单元3具体用于:
首先,导入训练样本归一化数据,获取初级人工神经网络的输入向量和期望输出向量;
然后,设置训练误差允许值ε,初始化各权重值和阈值;
接着,计算各隐含层和输出层节点的输出;
再次,计算所述人工神经网络实际输出与期望输出的误差指标函数E,比较所述误差指标函数E与所述训练误差允许值ε的大小;
再次,若E≤ε,训练结束,输出训练结果;
再次,若E>ε,更新所述权重值和所述阈值并判断是否达到预设的训练次数,若达到训练次数,则停止训练;
最后,若未达到预设的训练次数,则重新计算各隐含层和输出层节点继续进行训练。
进一步地,验证单元4具体用于:
首先,导入验证样本归一化数据;
然后,执行验证程序,得到所述初级人工神经网络模型的输出结果;
接着,比较所述输出结果与真实值之间的验证误差;
最后,判断所述验证误差是否符合预设期望精度;
若所述验证结果符合预设期望精度,则将所述初级人工神经网络模型确定为最终的人工神经网络模型;
若所述验证结果不符合预设期望精度,则修正所述初级人工神经网络模型并跳转至所述训练单元继续训练。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。