基于卷积神经网络的无人机图像模糊类型识别

发布时间：2021-03-27 00:18

　　为了提高无人机图像模糊类型识别的准确率,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的无人机图像模糊类型识别方法。通过样本预处理策略对无人机模糊图像样本进行处理,提高了方法的识别效率,同时降低了错误率。提出一种适用于模糊图像灰度频谱图的卷积神经网络结构,并利用训练样本对网络进行训练,增强了网络结构的针对性,提高了训练模型的识别准确率。利用测试样本对训练的网络模型进行测试,验证方法的鲁棒性。实验结果表明,将卷积神经网络应用于图像模糊类型识别,取得了良好的效果,针对实验环境下的无人机运动、离焦和大气散射3种模糊图像类型的识别准确率较高,所提方法的鲁棒性强、实用价值大。 

【文章来源】：火力与指挥控制. 2020,45(02)北大核心CSCD

【文章页数】：5 页

【部分图文】：

方法流程图

卷积神经网络[9]是一种具有卷积结构的深度神经网络，Lecun等人[10]最早将其应用于手写数字识别，其对输入的二维图像数据，具有较强的畸变鲁棒性。将卷积神经网络引入图像模糊类型识别，不仅可以提高模糊类型的识别精度，还可以简化传统模糊类型识别前繁琐的预处理过程。卷积神经网络主要分为特征提取网络和分类器两部分，本文设计的结构模型如图2所示。2.1 特征提取网络

实验采用DJI Phantom 3 Professional型无人机拍摄的低空模糊图像集进行实验，模糊图像大小为4 000×3 000，包含运动模糊、离焦模糊和大气散射模糊3种模糊类型，表2为各模糊类型训练样本和测试样本的数目，图3为模糊图像和相对应的灰度频谱图示例。需要说明的是，由于是在真实环境下采集的数据，模糊图像数据集中的图像受多种降质因素影响，样本数据通过主动干预获取，以最显著的模糊影响因素对数据进行分类标注。


本文编号：3102508