发布时间：2021-09-09所属分类：免费文献浏览：1次
摘 要： 现代电子技术
《基于深度卷积神经网络的模糊图像重建系统设计》论文发表期刊：《现代电子技术》；发表周期：2021年15期
《基于深度卷积神经网络的模糊图像重建系统设计》论文作者信息：张玉霞（1986一），女，河北邯郸人，硕士，副教授，研究方向为计算机应用、图像处理与虚拟现实。 王超（1986一），男，河北部郸人，硕士，讲师，研究方向为人工智能教育应用、教育信息化、学习科学。 刘艳辉（1985一），男，河北部郭人，硕士，讲师，研究方向为计算机应用、大数据分析。张志刚（1980一），男，河北郁郭人，硕士，讲师，研究方向为应用电子技术、嵌入式应用。
摘要：传统的模糊图像重建系统重建图像清晰度较低、图像重建耗时较长，为此基于深度卷积神经网络设计了一种新的模糊图像重建系统，系统设计分为硬件设计与软件设计两部分。根据系统的基础状况划分硬件系统处理区域，并不断调整区域内部信息，优化获取的图像信息，过滤错误代码数据，调节数据参数，加大数据整合的力度，实现对数据硬件的结构性处理，以硬件设计的元件数据为基础作为软件数据的操作前提实现软件系统设计，综合数据算法合理分析图像在传输的同时可能产生的传输信息缺失问题，并查找缺失原因，在提升传输速率的同时提高图像传输的完整度，由此实现对模糊图像重建系统的设计。实验结果表明，基于深度卷积神经网络的模糊图像重建系统能够有效提高重建图像的清晰度，缩短重建时间。
关键词：深度卷积神经网络;模糊图像;图像重建;重建系统;神经网络算法;图像分析;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
视频及图像传输技术在系统传输的过程中产生随机性错误代码、传输丢失、文件倒序等问题，致使接收的图像数据不够完整，为此，需采用图像重建系统对模糊图像进行修复操作，补救图像信息[1]。由于模糊重建系统在设计过程中对于图像的初始信息掌握程度要求较高，在处理时，需注意对图像信息的分析力度，因此，不少国内外学者提出根据数据图像产生错误的代码对图像模糊原因进行分析，减少解码后产生的模糊马赛克状况，构建较为适宜的图像操作模型，并分解模型信息，增强重建图像的信息纹理性，减少重建图像与初始传输图像之间的差异。但在研究操作过程中对于图像的信息挖掘深度不够，图像存在较大的信息隐患，修复效果无法达到系统需求，为此，针对上述问题，本文提出一种新式基于深度卷积神经网络的模糊图像重建系统，对以上问题进行分析与解决。
本文硬件设计针对系统硬件问题逐个击破，精准调节硬件元件信息，并升级硬件功能，提升其对图像数据的研究力度，按照不同的模块集中整合硬件内部结构，获取较佳的硬件数据操作结果"。软件设计结合神经网络算法重新构造模糊图像信息，完善图像数据，利于图像的进一步重建操作，达到对模糊图像重建系统的设计目的，从图像本质出发，有效缓解了图像数据在传输过程中产生的问题，提升了重建图像的清晰度1。
1基于深度卷积神经网络的模糊图像重建系统硬件设计
本文强化了系统硬件元件的操作性能，根据性能产生的合理性重组深度卷积神经网络模式，并按照神经网络的数据信息提取方式将硬件设计划分为三个不同状况的操作模块进行研究，系统硬件设计结构如图1所示。
本文针对内部系统的硬件功能，掌握其结构系统信息，设置数据提取模块，对图像特征进行提取[6]。按照提取标准设置图像特征数据提取如图 2所示。
在图 2 中，本文选用内部特征提取器调节系统状态，该提取器预装 Microsoft Windows CE.NET 6.0 中文版操作系统，便于对提取的特征数据的精准分析，配备Marvell XScale PXA310 806 MHz 高速 CPU、4 GB 大容量存储空间，方便收集数据的存储，支持 WiFi/Bluetooth等通信方式，可在数据网络信号较差的环境下使用，提升图像数据的接收速率。超声功率为 100~650 W，支持数据的内部超声图像提取，可反映提取图像的信息真实状况，便于系统提出较为及时的应对措施[7]。
在提取的特征数据后安装图像数据滤波器，清除数据干扰因素，扩展数据操作方式，构建数据滤波结构如
图 3所示。
在滤波的同时根据滤波器的状态匹配电源装置，配套电源使用可使电源满足 EMC 标准 IEC/EN61000⁃4 系列及 CISPR22/EN55022，确保操作过程的电源持续处于充足状态[8]。配备滤波芯片，本文芯片具有 8 个光隔离数字输入通道和 8个继电器执行器输出通道，所有 DI输入通道的中断处理能力较高，可调控滤波操作情况，所 有 DI 输入通道的可选数字滤波时间较多，能够满足系统操作的实际需求，输出状态可读并显示继电器的发光二极管指示器状况，促使系统操作更加便利，可随时进入数据存储与检验模式，转变中心硬件数据的结构，划分其特殊职能与工作情况，并分析传输图像的表象成长趋势，实现对滤波模块的整体设计[9]。
采用图像处理器对三维重建模糊图像的状况进行实时监控，精准获取监控信息，设置独立的高清数据接口，调整数据传输路径与传输方向，并构建数据处理过程，如图 4所示。
在图 4 中，规划数据处理模式，模块化录入数据处理信息，综合调节信息内容，促使信息符合系统处理机制方式，转变机制存储结构，扩大传输数据面，整理信息中心数据，完成整体系统硬件设计操作[10]。 2 基于深度卷积神经网络的模糊图像重建系统软件设计
为提升模糊图像重建的图像清晰度，本文针对研究的图像数据内部性质，实现对图像数据的精准掌控，构建系统软件设计流程图如图 5所示。
利用深度卷积神经网络的研究图像数据将输入的图像激活[11]。调整深度卷积神经网络的研究图像状态，并转变系统数据信息模式，获取相关的模式数据信息，按照数据结构划分数据类型，并查找深度卷积神经网络此时的状态信息，合理处理其状态与系统需求间的关系，并构建关系方程式：
F表示区域权重数值。为获取精准性较佳的研究结果，滤波处理收集的重建图像，将二维图像的卷积操作作为数据操作基础，并查询图像特征。根据图像特征的输出位置整合数据形式，转变数据功能，加大对中心数据的管理力度，并取得数据驱动信息，掌控图像传输过程的状态，时刻监控图像传输的位置，避免传输图像产生偏移，进而造成重建数据信息获取的完整度较低。经过以上步骤研究，不断优化系统内部软件构造，实现对模糊图像重建系统的软件设计操作。
3实验与研究
为精准评估本文基于深度卷积神经网络的模糊图像重建系统设计的图像重建性能，设置相应的实验环境进行性能检验，将本文系统设计与传统基于插值的模糊图像重建系统及基于深度学习的模糊图像重建系统进行实验对比。
针对深度卷积神经网络数据操作的困难性以及模糊图像重建系统设计的图像信息获取复杂度，需对其实验环境进行数据筛选，并重建系统结构，缓解系统间的操作压力，不断降低图像信息间的冗余程度，提升传输效率，并设置如下的实验操作步骤1)使用内部发布的图片数据作为研究基础，采用高分辨率数据集对比低分辨率数据集，促使获取的结果鲁棒性更高。
2)随机在准备好的数据集中抽取实验图像，并对相同尺寸的图像进行预处理操作，得到中心图像集，以此图像集的某一条边长作为原图的部分矩形区域，填充为白色，构建出受损图像数据。
3)根据对受损图像的重建效果对比，参与实验的系统设计的性能重建。
设置相应的实验参数如表 1所示。
在设置了实验参数的基础上，测试 3 种系统对模糊图像的重建清晰度，得到对比结果如图 6所示。
在此基础上，测试 3 种系统重建所需的时间，对比结果如图 7所示。
根据图 6，图 7 可以分析出，基于插值的模糊图像重建系统具有较高的图像重建清晰度，但图像重建所需的时间较长，基于深度学习的模糊图像重建系统的图像重建所需时间较短，但图像重建的清晰度较低。本文基于深度卷积神经网络的模糊图像重建系统的重建图像清晰度均高于其他两种传统系统，图像重建所需时间均低于其他两种传统系统。
造成此种差异的主要原因在于，本文系统设计精确掌握了重建图像的基础信息，并以此为操作出发点，调节系统状态，促进系统状态与数据操作模式相吻合，准确分析系统的具体需求，提升操作的效率，减少不必要的时间浪费，重建所需时间较短。而传统方法的图像信息数据完整度较低，无法实现数据的精准掌握操作，且数控能力较差，致使其最终的重建图像清晰度较低。综上所述，本文基于深度卷积神经网络的模糊图像重建系统能够更好地完善图像重建信息，整合图像内容，提高图像重建效果，有利于后续研究的开展，具有较大的发展空间。
4 结 语
本文在传统模糊图像重建系统的基础上提出了一种 新式的基于深度卷积神经网络的模糊图像重建系统，实验结果表明，该系统的重建效果明显优于传统系统的重建效果。相较于传统模糊图像重建系统，本文基于深度卷积神经网络的模糊图像重建系统能够在较高程度上提升对图像数据的合理分析技能，增强图像数据的重建效果，缩减操作时间，提高系统操作效率，具有较高的可研究性。
参考文献
[1] 林两魁，王少游，唐忠兴 . 基于深度卷积神经网络的红外过采样扫描图像点目标检测方法[J]. 红外与毫米波学报，2018，37
(2)：219⁃226. [2] 胡美玉，张云洲，秦操，等 .基于深度卷积神经网络的语义地图构建[J].机器人，2019，41(4)：452⁃463.
[3] 王书志，宋广虎，冯全 . 基于深度卷积神经网络的葡萄新梢图像分割[J].沈阳农业大学学报，2019，50(4)：454⁃462.
[4] 刘飞飞，任舒琪，郭波超，等 .基于并行卷积神经网络的图像美学分类[J].计算机工程与设计，2019，40(4)：1120⁃1125.
[5] 朱晓铭，陈林海，张帅，等 .基于卷积神经网络重建十二导联心电图[J].微电子学与计算机，2019，36(9)：12⁃15.
[6] 曾接贤，倪申龙 .改进的卷积神经网络单幅图像超分辨率重建[J].计算机工程与应用，2019，55(13)：1⁃7.
[7] 华臻，张海程，李晋江 .基于残差的端对端图像超分辨率[J].计算机科学，2019，46(6)：246⁃255.
[8] 黄绿娥，吴禄慎，陈华伟 .融合 LSTM的 DCNN 及其图像模糊类型和参数识别[J]. 应用基础与工程科学学报，2018，26(5)：1092⁃1100.
[9]赵慧珍，刘付显，李龙跃，等.一种新的深度卷积神经网络的SLU J]哈1业大报，2018，50(4)：117-123.
[10]雷翰林，张宝华，基于多模型深度卷积网络融合的人群计数算法1J.激光技术，2019，43(4)：476-481.
[11]1部丽鹏，郑辉，基于PReLUs-Sofplus非线性激励函数的卷积神经网[].阳1业大报，2018，40(1)：54-59.
[12]张德正，翁理国，夏旻，等，基于深度卷积长短时神经网络的视频帧预测J]计算机应用，2019，39(6)：1657-162.
[13]王飞，张莹，张东波，等，基于捷径的卷积神经网络在人脸识别中的应用研究[J].电子测量与仪器报，2018，32(4)：80-86.
[14]高昆仑，杨帅，刘思言，等，基于一维卷积神经网络的电力系统暂态稳定评估1].电力系统自化，2019，43(12)：18-26.
[15]颜波，张磊，褚学宁，基于卷积神经网络的用户感知评估建模[J].上海交通大学学报，2019，53(7)：844-851.
SCISSCIAHCI
