1.一种基于稀疏椭圆RBF神经网络的图像稀疏表示方法,其特征在于,包括:步骤1:数据预处理
输入图像数据,通过预处理步骤归一化输入的图像数据;
步骤2:稀疏椭圆RBF神经网络的设计
稀疏椭圆RBF神经网络,基于RBF神经网络进行改进,具体改进策略如下:步骤2.1、所述RBF神经网络采用高斯函数作为隐层激活函数,所述稀疏椭圆RBF神经网络基于任意方向主轴的几何特征,构造椭圆高斯函数,即其中,D=diag(d1,d2),d1, 是椭圆沿x,y两个主轴的长度;R是旋转矩阵;
步骤2.2、将稀疏优化技术应用到模型中,其稀疏性是通过求解该模型中一个带L1正则化的非线性优化问题来实现的,即将模型参数w,d的L1范数放到损失函数中,具体如下:通过优化上式,可以得到更为稀疏的w,d;
其中,
步骤3:模型训练与验证
步骤3.1、将步骤1中预处理后的图像数据作为稀疏椭圆RBF神经网络模型的输入,训练网络模型参数;
步骤3.2、使用峰值信噪比PSNR作为客观评价图像重构质量的标准;
步骤3.3、用训练好的网络模型参数重构输入的图像数据进行模型的验证,并统计稀疏比和重构图像的峰值信噪比PSNR;所述稀疏比展示图像表示的稀疏水平,其定义为:其中,Nvalid表示有效的椭圆高斯函数的数量,Npixel是输入图像的像素总数;
所述PSNR定义为:
其中,I是原始图像,是重构图像,MAXI为图像的最大像素,M,N分别为图像的宽和高;
步骤4:模型优化与改进处理
根据步骤3中统计得到的稀疏比和重构图像的峰值信噪比PSNR,不断调整模型参数,实现对步骤2建立的网络模型进行参数优化;
步骤5:模型使用
根据步骤4得到的最终优化好的模型稀疏表示输入图像数据。
2.如权利要求1所述的基于稀疏椭圆RBF神经网络的图像稀疏表示方法,其特征在于,步骤1中所述图像数据经预处理步骤后被限定在[0,1]范围内。
3.如权利要求1所述的基于稀疏椭圆RBF神经网络的图像稀疏表示方法,其特征在于,所述旋转矩阵是单位正交矩阵。
4.如权利要求3所述的基于稀疏椭圆RBF神经网络的图像稀疏表示方法,其特征在于,所述单位正交矩阵具体形式为:其中,θ是旋转角度。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到4任一项所述方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到4任一项所述方法的步骤。