發布時間：2021-09-09所屬分類：免費文獻瀏覽：1次
摘 要： 現代電子技術
《基于深度卷積神經網絡的模糊圖像重建系統設計》論文發表期刊：《現代電子技術》；發表周期：2021年15期
《基于深度卷積神經網絡的模糊圖像重建系統設計》論文作者信息：張玉霞（1986一），女，河北邯鄲人，碩士，副教授，研究方向為計算機應用、圖像處理與虛擬現實。 王超（1986一），男，河北部鄲人，碩士，講師，研究方向為人工智能教育應用、教育信息化、學習科學。 劉艷輝（1985一），男，河北部郭人，碩士，講師，研究方向為計算機應用、大數據分析。張志剛（1980一），男，河北郁郭人，碩士，講師，研究方向為應用電子技術、嵌入式應用。
摘要：傳統的模糊圖像重建系統重建圖像清晰度較低、圖像重建耗時較長，為此基于深度卷積神經網絡設計了一種新的模糊圖像重建系統，系統設計分為硬件設計與軟件設計兩部分。根據系統的基礎狀況劃分硬件系統處理區域，并不斷調整區域內部信息，優化獲取的圖像信息，過濾錯誤代碼數據，調節數據參數，加大數據整合的力度，實現對數據硬件的結構性處理，以硬件設計的元件數據為基礎作為軟件數據的操作前提實現軟件系統設計，綜合數據算法合理分析圖像在傳輸的同時可能產生的傳輸信息缺失問題，并查找缺失原因，在提升傳輸速率的同時提高圖像傳輸的完整度，由此實現對模糊圖像重建系統的設計。實驗結果表明，基于深度卷積神經網絡的模糊圖像重建系統能夠有效提高重建圖像的清晰度，縮短重建時間。
關鍵詞：深度卷積神經網絡;模糊圖像;圖像重建;重建系統;神經網絡算法;圖像分析;模糊重建
Abstract: The traditional fuzzy image reconstruction system has lower image sharpness and longer image reconstruction time. Therefore, a new fuzzy image reconstruction system is designed based on deep convolutional neural network. The system is composed of hard ware and software. The processing area of the hardware system is sectioned according to the basic condition ofthe system. The internal information of the area is constantly adjusted, the acquired image information is optimized, the wrong code data is filtered, the data parameters are adjusted, and the intensity of data integration is increased, so as to realize the structural processing of the data hardware. The design of software system is realized by taking the component data of hardwaredesign as the operation premise of software data. The data and algorithm are integrated to reasonably analyze the transmission information loss that may occur while the image is being transmitted. In addition, the cause of the loss is found out to improve the image integrity while improving the transmission rate. On the basis of the above steps, the design of the fuzzy image reconstruction system is achieved. An experiment was performed. The experimental results show that the fuzzy imag reconstruction system based on deep convolutional neural network can effectively improve the sharpness of the reconstructed image and shorten the reconstruction time.
Keywords: deep convolutional neural network; fuzzy image; image reconstruction; reconstruction system; neural network algorithm; image analysis; fuzzy reconstruction
0 引 言
視頻及圖像傳輸技術在系統傳輸的過程中產生隨機性錯誤代碼、傳輸丟失、文件倒序等問題，致使接收的圖像數據不夠完整，為此，需采用圖像重建系統對模糊圖像進行修復操作，補救圖像信息[1]。由于模糊重建系統在設計過程中對于圖像的初始信息掌握程度要求較高，在處理時，需注意對圖像信息的分析力度，因此，不少國內外學者提出根據數據圖像產生錯誤的代碼對圖像模糊原因進行分析，減少解碼后產生的模糊馬賽克狀況，構建較為適宜的圖像操作模型，并分解模型信息，增強重建圖像的信息紋理性，減少重建圖像與初始傳輸圖像之間的差異。但在研究操作過程中對于圖像的信息挖掘深度不夠，圖像存在較大的信息隱患，修復效果無法達到系統需求，為此，針對上述問題，本文提出一種新式基于深度卷積神經網絡的模糊圖像重建系統，對以上問題進行分析與解決。
本文硬件設計針對系統硬件問題逐個擊破，精準調節硬件元件信息，并升級硬件功能，提升其對圖像數據的研究力度，按照不同的模塊集中整合硬件內部結構，獲取較佳的硬件數據操作結果"。軟件設計結合神經網絡算法重新構造模糊圖像信息，完善圖像數據，利于圖像的進一步重建操作，達到對模糊圖像重建系統的設計目的，從圖像本質出發，有效緩解了圖像數據在傳輸過程中產生的問題，提升了重建圖像的清晰度1。
1基于深度卷積神經網絡的模糊圖像重建系統硬件設計
本文強化了系統硬件元件的操作性能，根據性能產生的合理性重組深度卷積神經網絡模式，并按照神經網絡的數據信息提取方式將硬件設計劃分為三個不同狀況的操作模塊進行研究，系統硬件設計結構如圖1所示。
本文針對內部系統的硬件功能，掌握其結構系統信息，設置數據提取模塊，對圖像特征進行提取[6]。按照提取標準設置圖像特征數據提取如圖 2所示。
在圖 2 中，本文選用內部特征提取器調節系統狀態，該提取器預裝 Microsoft Windows CE.NET 6.0 中文版操作系統，便于對提取的特征數據的精準分析，配備Marvell XScale PXA310 806 MHz 高速 CPU、4 GB 大容量存儲空間，方便收集數據的存儲，支持 WiFi/Bluetooth等通信方式，可在數據網絡信號較差的環境下使用，提升圖像數據的接收速率。超聲功率為 100~650 W，支持數據的內部超聲圖像提取，可反映提取圖像的信息真實狀況，便于系統提出較為及時的應對措施[7]。
在提取的特征數據后安裝圖像數據濾波器，清除數據干擾因素，擴展數據操作方式，構建數據濾波結構如
圖 3所示。
在濾波的同時根據濾波器的狀態匹配電源裝置，配套電源使用可使電源滿足 EMC 標準 IEC/EN61000⁃4 系列及 CISPR22/EN55022，確保操作過程的電源持續處于充足狀態[8]。配備濾波芯片，本文芯片具有 8 個光隔離數字輸入通道和 8個繼電器執行器輸出通道，所有 DI輸入通道的中斷處理能力較高，可調控濾波操作情況，所 有 DI 輸入通道的可選數字濾波時間較多，能夠滿足系統操作的實際需求，輸出狀態可讀并顯示繼電器的發光二極管指示器狀況，促使系統操作更加便利，可隨時進入數據存儲與檢驗模式，轉變中心硬件數據的結構，劃分其特殊職能與工作情況，并分析傳輸圖像的表象成長趨勢，實現對濾波模塊的整體設計[9]。
采用圖像處理器對三維重建模糊圖像的狀況進行實時監控，精準獲取監控信息，設置獨立的高清數據接口，調整數據傳輸路徑與傳輸方向，并構建數據處理過程，如圖 4所示。
在圖 4 中，規劃數據處理模式，模塊化錄入數據處理信息，綜合調節信息內容，促使信息符合系統處理機制方式，轉變機制存儲結構，擴大傳輸數據面，整理信息中心數據，完成整體系統硬件設計操作[10]。 2 基于深度卷積神經網絡的模糊圖像重建系統軟件設計
為提升模糊圖像重建的圖像清晰度，本文針對研究的圖像數據內部性質，實現對圖像數據的精準掌控，構建系統軟件設計流程圖如圖 5所示。
利用深度卷積神經網絡的研究圖像數據將輸入的圖像激活[11]。調整深度卷積神經網絡的研究圖像狀態，并轉變系統數據信息模式，獲取相關的模式數據信息，按照數據結構劃分數據類型，并查找深度卷積神經網絡此時的狀態信息，合理處理其狀態與系統需求間的關系，并構建關系方程式：
F表示區域權重數值。為獲取精準性較佳的研究結果，濾波處理收集的重建圖像，將二維圖像的卷積操作作為數據操作基礎，并查詢圖像特征。根據圖像特征的輸出位置整合數據形式，轉變數據功能，加大對中心數據的管理力度，并取得數據驅動信息，掌控圖像傳輸過程的狀態，時刻監控圖像傳輸的位置，避免傳輸圖像產生偏移，進而造成重建數據信息獲取的完整度較低。經過以上步驟研究，不斷優化系統內部軟件構造，實現對模糊圖像重建系統的軟件設計操作。
3實驗與研究
為精準評估本文基于深度卷積神經網絡的模糊圖像重建系統設計的圖像重建性能，設置相應的實驗環境進行性能檢驗，將本文系統設計與傳統基于插值的模糊圖像重建系統及基于深度學習的模糊圖像重建系統進行實驗對比。
針對深度卷積神經網絡數據操作的困難性以及模糊圖像重建系統設計的圖像信息獲取復雜度，需對其實驗環境進行數據篩選，并重建系統結構，緩解系統間的操作壓力，不斷降低圖像信息間的冗余程度，提升傳輸效率，并設置如下的實驗操作步驟1)使用內部發布的圖片數據作為研究基礎，采用高分辨率數據集對比低分辨率數據集，促使獲取的結果魯棒性更高。
2)隨機在準備好的數據集中抽取實驗圖像，并對相同尺寸的圖像進行預處理操作，得到中心圖像集，以此圖像集的某一條邊長作為原圖的部分矩形區域，填充為白色，構建出受損圖像數據。
3)根據對受損圖像的重建效果對比，參與實驗的系統設計的性能重建。
設置相應的實驗參數如表 1所示。
在設置了實驗參數的基礎上，測試 3 種系統對模糊圖像的重建清晰度，得到對比結果如圖 6所示。
在此基礎上，測試 3 種系統重建所需的時間，對比結果如圖 7所示。
根據圖 6，圖 7 可以分析出，基于插值的模糊圖像重建系統具有較高的圖像重建清晰度，但圖像重建所需的時間較長，基于深度學習的模糊圖像重建系統的圖像重建所需時間較短，但圖像重建的清晰度較低。本文基于深度卷積神經網絡的模糊圖像重建系統的重建圖像清晰度均高于其他兩種傳統系統，圖像重建所需時間均低于其他兩種傳統系統。
造成此種差異的主要原因在于，本文系統設計精確掌握了重建圖像的基礎信息，并以此為操作出發點，調節系統狀態，促進系統狀態與數據操作模式相吻合，準確分析系統的具體需求，提升操作的效率，減少不必要的時間浪費，重建所需時間較短。而傳統方法的圖像信息數據完整度較低，無法實現數據的精準掌握操作，且數控能力較差，致使其最終的重建圖像清晰度較低。綜上所述，本文基于深度卷積神經網絡的模糊圖像重建系統能夠更好地完善圖像重建信息，整合圖像內容，提高圖像重建效果，有利于后續研究的開展，具有較大的發展空間。
4 結 語
本文在傳統模糊圖像重建系統的基礎上提出了一種 新式的基于深度卷積神經網絡的模糊圖像重建系統，實驗結果表明，該系統的重建效果明顯優于傳統系統的重建效果。相較于傳統模糊圖像重建系統，本文基于深度卷積神經網絡的模糊圖像重建系統能夠在較高程度上提升對圖像數據的合理分析技能，增強圖像數據的重建效果，縮減操作時間，提高系統操作效率，具有較高的可研究性。
參考文獻
[1] 林兩魁，王少游，唐忠興 . 基于深度卷積神經網絡的紅外過采樣掃描圖像點目標檢測方法[J]. 紅外與毫米波學報，2018，37
(2)：219⁃226. [2] 胡美玉，張云洲，秦操，等 .基于深度卷積神經網絡的語義地圖構建[J].機器人，2019，41(4)：452⁃463.
[3] 王書志，宋廣虎，馮全 . 基于深度卷積神經網絡的葡萄新梢圖像分割[J].沈陽農業大學學報，2019，50(4)：454⁃462.
[4] 劉飛飛，任舒琪，郭波超，等 .基于并行卷積神經網絡的圖像美學分類[J].計算機工程與設計，2019，40(4)：1120⁃1125.
[5] 朱曉銘，陳林海，張帥，等 .基于卷積神經網絡重建十二導聯心電圖[J].微電子學與計算機，2019，36(9)：12⁃15.
[6] 曾接賢，倪申龍 .改進的卷積神經網絡單幅圖像超分辨率重建[J].計算機工程與應用，2019，55(13)：1⁃7.
[7] 華臻，張海程，李晉江 .基于殘差的端對端圖像超分辨率[J].計算機科學，2019，46(6)：246⁃255.
[8] 黃綠娥，吳祿慎，陳華偉 .融合 LSTM的 DCNN 及其圖像模糊類型和參數識別[J]. 應用基礎與工程科學學報，2018，26(5)：1092⁃1100.
[9]趙慧珍，劉付顯，李龍躍，等.一種新的深度卷積神經網絡的SLU J]哈1業大報，2018，50(4)：117-123.
[10]雷翰林，張寶華，基于多模型深度卷積網絡融合的人群計數算法1J.激光技術，2019，43(4)：476-481.
[11]1部麗鵬，鄭輝，基于PReLUs-Sofplus非線性激勵函數的卷積神經網[].陽1業大報，2018，40(1)：54-59.
[12]張德正，翁理國，夏旻，等，基于深度卷積長短時神經網絡的視頻幀預測J]計算機應用，2019，39(6)：1657-162.
[13]王飛，張瑩，張東波，等，基于捷徑的卷積神經網絡在人臉識別中的應用研究[J].電子測量與儀器報，2018，32(4)：80-86.
[14]高昆侖，楊帥，劉思言，等，基于一維卷積神經網絡的電力系統暫態穩定評估1].電力系統自化，2019，43(12)：18-26.
[15]顏波，張磊，褚學寧，基于卷積神經網絡的用戶感知評估建模[J].上海交通大學學報，2019，53(7)：844-851.
SCISSCIAHCI
