﻿ 基于CNN的湍流图像退化强度分类研究
 计算机系统应用  2019, Vol. 28 Issue (4): 199-204 PDF

Study on CNN-Based Turbulence Image Degradation Intensity Classification
LAN Zhang-Li, KUANG Heng, LI Zhan, HUANG Tao, CAO Juan
School of Information Science and Engineering, Chongqing Jiaotong University, Chongqing 400074, China
Abstract: Turbulence image restoration is a hot topic in the field of meteorology, but there are few studies on the classification of turbulent disturbance intensity images. Aerial images of different scenarios are processed for atmospheric turbulence. 2000 corresponding turbulent interference images are generated by adjusting the intensity of turbulence degradation value, and then they are sent into the convolutional neural network after the image preprocessing in turbulent degradation intensity classification, finally by optimizing the structures, convolutional neural network model of the activation function and the adjustment of vector for further improving classification accuracy. Experiments show that the classification accuracy of turbulent degradation images which have different interference intensities by convolutional neural network is about 80%, which demonstrates that this method is of guiding significance for the restoration of atmospheric turbulent degradation images.
Key words: turbulent image     convolution neural network     degradation intensity     classification

1 湍流退化理论与数据预处理 1.1 湍流退化理论模型

 ${{g}}({{x}},{{y}}) = {{f}}({{x}},{{y}})*{{h}}({{x}},{{y}}) + {{n}}({{x}},{{y}})$ (1)

 ${{H}}({{u}},{{v}}) = {{F}}({{u}},{{v}}) + {{G}}({{u}},{{v}})$ (2)

 图 1 光电图像退化原理图

 ${{H}}\left( {{{u}},{{v}}} \right) = \exp [ - {{k}}{({{{u}}^2} + {{{v}}^2})^{5/6}}]$ (3)

 ${{H}}({{u}},{{v}}) = \exp {[ - {{k}}({({{u}} - {{M}}/2)^2} + {({{v}} - {{N}}/2)^2})]^{5/6}}$ (4)

1.2 数据集的预处理

2 卷积神经网络的原理

1962 年文献[8]通过研究猫的视觉皮层神经细胞, 发现视觉皮层的神经细胞对输入空间中的小区域比较敏感, 这些小的敏感区域覆盖了整个视觉区域, 从而提出了感受野的概念. 这些敏感区域局部地存在于输入空间中, 非常适合用来提取图像中的局部空间相关性. 1998年文献[9]提出了基于误差梯度反向传播的卷积神经网络LeNet-5, 并成功应用于手写体数字识别等领域. 传统人工设计的特征结合浅层的卷积神经网络就能取得较好的分类效果, 但由于缺乏良好的泛化性能成为了其发展的障碍. 直至2014年, 文献[10]提出了通过增加网络层数, 利用增加的非线性得出目标函数的近似结构以及更好的特征表达, 构建了深度卷积神经网络AlexNet并在ImageNet上取得了显著的成绩, 之后更复杂, 准确率更高的深度卷积神经网络也相继被提出.

 图 2 一张航拍灰度图不同湍流程度下的退化图

 图 3 一张特征图经过6个卷积核后的变化示意图

3 实验分析

 图 4 损失值与训练迭代次数的关系趋势

 图 5 测试准确率与训练迭代次数的关系趋势

 图 6 6幅随机退化图对应的实际类与预测类

 图 7 调整参数后准确率与训练迭代次数的关系

4 结论

 [1] 黄真理. 湍流的分形特征. 力学进展, 2000, 30(4): 581-596. [2] 闫传忠. 基于分形的大气湍流随机相位屏数值模拟[硕士学位论文]. 青岛: 中国海洋大学, 2009. [3] 沙婵娟. 基于分形的自然场景模拟[硕士学位论文]. 贵阳: 贵州师范大学, 2009. [4] 石秀英. 基于估计点扩散函数的湍流图像复原算法研究[硕士学位论文]. 长春: 长春理工大学, 2012. [5] 王珺楠, 邱欢, 张丽娟, 等. 基于小波域Curvelet变换的湍流图像去噪算法. 液晶与显示, 2017, 32(11): 905-913. [6] 洪汉玉, 张天序. 基于小波分解的湍流退化图像的快速复原算法. 红外与毫米波学报, 2003, 22(6): 451-456. DOI:10.3321/j.issn:1001-9014.2003.06.012 [7] 黎明, 杨杰. 基于支持向量机的湍流退化图像加速复原算法. 红外与毫米波学报, 2009, 28(6): 472-475. DOI:10.3321/j.issn:1001-9014.2009.06.016 [8] Hubel DH, Wiesel TN. Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex. The Journal of Physiology, 1962, 160(1): 106-154. DOI:10.1113/jphysiol.1962.sp006837 [9] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 1998, 86(11): 2278-2324. DOI:10.1109/5.726791 [10] Srivastava N, Hinton G, Krizhevsky A, et al. Dropout: A simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research, 2014, 15(1): 1929-1958. [11] Huang GB, Lee H, Learned-Miller E. Learning hierarchical representations for face verification with convolutional deep belief networks. Proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, USA. 2012. 2518–2525. [12] 王海霞. 基于卷积神经网络的接地网腐蚀程度分类方法研究[硕士学位论文]. 西安: 西安科技大学, 2017. [13] 包青平. 基于深度学习的服装图像分类与检索[硕士学位论文]. 杭州: 浙江大学, 2017. [14] 祝军. 基于深度学习模型的图像分类研究[硕士学位论文]. 宁波: 宁波大学, 2015. [15] 石祥滨, 房雪键, 张德园, 等. 基于深度学习混合模型迁移学习的图像分类. 系统仿真学报, 2016, 28(1): 167-173, 182. [16] 张弛. 基于卷积神经网络的鞋印图像分类算法研究[硕士学位论文]. 大连: 大连海事大学, 2016. [17] 吉春旭. 基于卷积神经网络的岩石图像分类研究与应用[硕士学位论文]. 西安: 西安石油大学, 2017. [18] 龚震霆, 陈光喜, 曹建收. 卷积神经网络在脑脊液图像分类上的应用. 计算机工程与设计, 2017, 38(4): 1056-1061. [19] 顾郑平, 朱敏. 基于深度学习的鱼类分类算法研究. 计算机应用与软件, 2018, 35(1): 200-205.