一种基于秩一分解和神经网络的图像复原方法专利检索-串联人工智能专利检索查询-专利查询网

一种基于秩一分解和神经网络的图像复原方法

阅读：259发布：2020-05-11

专利汇可以提供一种基于秩一分解和神经网络的图像复原方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于秩一分解和神经网络的图像复原方法，该方法包括如下步骤：(1)获取成对的原始图像和退化图像，生成训练样本；(2)基于秩一逼近的原理，通过神经网络构建秩一投影单元，获得图像的秩一逼近；(3)基于矩阵低秩分解的原理，通过秩一投影单元构建循环的秩一分解网络，用于提取退化图像的低秩成分和残余误差；(4)利用残差网络构建秩一重建网络，用于从退化图像的低秩成分和残余误差中恢复原图像；(5)利用优化器训练秩一分解网络和秩一重建网络；(6)将训练好的秩一分解网络和秩一重建网络串联形成秩一网络，用于图像复原。与现有技术相比，本发明方法鲁棒性高，泛化能力强，计算时间短，实现方便。，下面是一种基于秩一分解和神经网络的图像复原方法专利的具体信息内容。

权利要求

1.一种基于秩一分解和神经网络的图像复原方法，其特征在于，该方法包括如下步骤：
(1)获取成对的原始图像和退化图像，生成训练样本；
(2)基于秩一逼近的原理，通过神经网络构建秩一投影单元，获得退化图像的秩一图像；
(3)基于矩阵低秩分解的原理，通过秩一投影单元构建循环的秩一分解网络，用于提取退化图像的低秩成分和残余误差；
(4)利用残差网络构建秩一重建网络，用于从退化图像的低秩成分和残余误差中恢复原图像；
(5)利用优化器训练秩一分解网络和秩一重建网络；
(6)将训练好的秩一分解网络和秩一重建网络串联形成秩一网络，用于图像复原。
2.根据权利要求1所述的一种基于秩一分解和神经网络的图像复原方法，其特征在于，步骤(2)通过卷积神经网络构建秩一投影单元。
3.根据权利要求1所述的一种基于秩一分解和神经网络的图像复原方法，其特征在于，步骤(2)构建秩一投影单元过程中通过优化卷积神经网络寻找最佳的秩一逼近，优化过程中的目标函数为：
其中，X为退化图像，为秩一投影，为退化图像X的秩一图像，为
退化图像X和秩一图像的欧氏距离，表示取最小对
应的秩一投影。
4.根据权利要求1所述的一种基于秩一分解和神经网络的图像复原方法，其特征在于，步骤(3)中基于下述目标函数优化秩一分解网络：
其中，X为退化图像，表示秩一分解网络，将一幅退化图像映射为L个秩一图像的集合，表示秩一图像集合中的第i幅秩一图像，表示L个秩一图像求和得到的秩一求和图像，表示退化图像X和L个秩一求和图像的欧氏距
离，表示取最小对应的秩一分解网络。
5.根据权利要求1所述的一种基于秩一分解和神经网络的图像复原方法，其特征在于，步骤(4)秩一重建网络包括三个残差网络：
第一残差网络：从退化图像的低秩成分中恢复原始图像的低秩成分；
第二残差网络：从退化图像的残余误差中恢复原始图像的残余误差；
第三残差网络：利用恢复的原始图像的低秩成分和残余误差复原原始图像。
6.根据权利要求5所述的一种基于秩一分解和神经网络的图像复原方法，其特征在于，所述的残差网络为卷积神经网络。
7.根据权利要求1所述的一种基于秩一分解和神经网络的图像复原方法，其特征在于，构建秩一重建网络过程中利用如下目标函数优化秩一重建网络：
其中，表示秩一重建网络，(I1,I2,…,IL)表示低秩成分，EL表示残余误差，表示秩一重建网络恢复的图像，T表示原始图像，表示
秩一重建网络恢复的图像与原始图像的欧式距离，表示
取最小对应的秩一重建网络。
8.根据权利要求1所述的一种基于秩一分解和神经网络的图像复原方法，其特征在于，步骤(5)利用训练样本分别训练秩一分解网络和秩一重建网络，秩一分解网络输入为退化图像，输出为退化图像的低秩成分和残余误差，秩一重建网络输入为秩一分解网络输出的退化图像的低秩成分和残余误差，输出为复原的原始图像。

说明书全文

一种基于秩一分解和神经网络的图像复原方法

技术领域

[0001] 本发明涉及一种图像复原方法，尤其是涉及一种基于秩一分解和神经网络的图像复原方法。

背景技术

[0002] 随着深度学习的发展，图像复原质量和计算效率都得到了很大的提升，使图像复原技术在移动设备和实时图像复原上的应用成为可能。具体的，图像复原任务根据成像系统中图像的退化过程可以分为图像去噪、图像去模糊和图像超分辨率。在自然条件下，成像系统会受到内在和外在等多种因素的干扰，因此图像退化过程会使多种退化情形的组合。此外，图像本身具有很强的非局部相似性，因此我们不仅可以通过额外样本学习图像间的局部相似性，更应该通过模型充分开发图像本身的非局部相似性。传统的非学习方法通过建模图像的退化过程，利用先验知识和优化方法来复原图像。然而这些方法针对不同的任务需要人工设置参数，由于它们的非全自动缺陷，在应用中会产生昂贵的人力成本。此外学习方法的实现一般是通过一个迭代框架，因此在测试的时候图像复原时间较长。新的基于学习的方法通过构建网络来模拟图像复原过程，并利用大量训练样本来训练网络。基于学习的方法在图像复原任务上产生了非常客观的效果，其一是因为基于学习的方法通过大量的样本可以学习图像的局部相似性特征，因此可以大大提升图像复原质量；其二是因为基于学习的方法可以通过深度学习框架并行实现，所以在测试的时候会大大缩短图像复原时间。然而在实际测试中，基于学习的图像复原方法依然存在着如下两方面的挑战：

[0003] (1)针对同一图像复原任务中的不同样本，利用学习方法得到的复原结果差异很大，这是因为同一图像中不同像素的条件分布各不同，因此学习方法的鲁棒性不够。

[0004] (2)针对不同的图像复原任务，基于学习的方法缺乏适应不同任务的灵活性，这是因为不同任务下退化图像像素分布的差异很大，因此学习方法的泛化能力不够。

[0005] 经过对现有文献的调研发现，通过充分开发图像本身的非局部相似性，可以很大程度上提升图像复原方法的鲁棒性。此外，设计有效的网络结构，可以提高学习方法的泛化能力。然而如何提高学习方法的鲁棒性和泛化能力仍然是一个开放性的挑战。

发明内容

[0006] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于秩一分解和神经网络的图像复原方法。

[0007] 本发明的目的可以通过以下技术方案来实现：

[0008] 一种基于秩一分解和神经网络的图像复原方法，该方法包括如下步骤：

[0009] (1)获取成对的原始图像和退化图像，生成训练样本；

[0010] (2)基于秩一逼近的原理，通过神经网络构建秩一投影单元，获得退化图像的秩一图像；

[0011] (3)基于矩阵低秩分解的原理，通过秩一投影单元构建循环的秩一分解网络，用于提取退化图像的低秩成分和残余误差；

[0012] (4)利用残差网络构建秩一重建网络，用于从退化图像的低秩成分和残余误差中恢复原图像；

[0013] (5)利用优化器训练秩一分解网络和秩一重建网络；

[0014] (6)将训练好的秩一分解网络和秩一重建网络串联形成秩一网络，用于图像复原。

[0015] 步骤(2)通过卷积神经网络构建秩一投影单元。

[0016] 步骤(2)构建秩一投影单元过程中通过优化卷积神经网络寻找最佳的秩一逼近，优化过程中的目标函数为：

[0017]

[0018] 其中，X为退化图像，为秩一投影，为退化图像X的秩一图像，为退化图像X和秩一图像的欧氏距离，表示取最小对应的秩一投影。

[0019] 步骤(3)中基于下述目标函数优化秩一分解网络：

[0020]

[0021] 其中，X为退化图像，表示秩一分解网络，将一幅退化图像映射为L个秩一图像的集合，表示秩一图像集合中的第i幅秩一图像，表示L个秩一图像求和得到的秩一求和图像，表示退化图像X和L个秩一求和图像的欧氏距离，表示取最小对应的秩一分解网络。

[0022] 步骤(4)秩一重建网络包括三个残差网络：

[0023] 第一残差网络：从退化图像的低秩成分中恢复原始图像的低秩成分；

[0024] 第二残差网络：从退化图像的残余误差中恢复原始图像的残余误差；

[0025] 第三残差网络：利用恢复的原始图像的低秩成分和残余误差复原原始图像。

[0026] 所述的残差网络为卷积神经网络。

[0027] 构建秩一重建网络过程中利用如下目标函数优化秩一重建网络：

[0028]

[0029] 其中，表示秩一重建网络，(I1,I2,…,IL)表示低秩成分，EL表示残余误差，表示秩一重建网络恢复的图像，T表示原始图像，表示秩一重建网络恢复的图像与原始图像的欧式距离，表示
取最小对应的秩一重建网络。

[0030] 步骤(5)利用训练样本分别训练秩一分解网络和秩一重建网络，秩一分解网络输入为退化图像，输出为退化图像的低秩成分和残余误差，秩一重建网络输入为秩一分解网络输出的退化图像的低秩成分和残余误差，输出为复原的原始图像。

[0031] 与现有技术相比，本发明具有如下优点：

[0032] (1)本发明将神经网络和秩一分解相结合来提取图像的自相似性特征，该方法鲁棒性高，泛化能力强；

[0033] (2)本发明具有全自动、计算时间短、实现方便等优势。附图说明

[0034] 图1为本发明基于秩一分解和神经网络的图像复原方法的流程框图。

具体实施方式

[0035] 下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

[0036] 实施例

[0037] 如图1所示，一种基于秩一分解和神经网络的图像复原方法，该方法包括如下步骤：

[0038] 步骤1，获取成对的原始图像和退化图像，生成训练样本，具体地，原图像首先通过退化操作生成退化图像，将退化图像和相应的原始图像组合形成一对训练样本；利用数据增广技术將训练图像进行翻转和旋转，生成大量训练样本。这些准备好的样本将用于第五步的网络训练。

[0039] 步骤2，由于退化图像的秩一般不是一，需要寻求一个秩为一的图像来逼近该退化图像，因此基于秩一逼近的原理，通过神经网络构建秩一投影单元，获得退化图像的秩一图像，具体地：通过卷积神经网络构建秩一投影单元，构建秩一投影单元过程中通过优化卷积神经网络寻找最佳的秩一逼近，优化过程中的目标函数为：

[0040]

[0041] 其中，X为退化图像，为秩一投影，能够将图像映射为秩一图像，为退化图像X的秩一图像，为退化图像X和秩一图像的欧氏距离，表示取最小对应的秩一投影。

[0042] 不同的秩一投影可以将退化图像映射为不同的秩一图像，而本发明的目标是寻找一幅距离退化图像最近的秩一图像，因此通过最小化退化图像与秩一图像的欧氏距离来寻找最优的秩一投影，由于该秩一投影是参数化的，因此将用卷积神经网络去模拟，并通过训练来寻找最优秩一投影。

[0043] 步骤3，基于矩阵低秩分解的原理，通过秩一投影单元构建循环的秩一分解网络，用于提取退化图像的低秩成分和残余误差。具体地，基于下述目标函数优化秩一分解网络：

[0044]

[0045] 其中，X为退化图像，表示秩一分解网络，将一幅退化图像映射为L个对应的秩一分解网络。

[0046] 通过秩一分解网络，可以从退化图像中分离出两种自相似性很高的成分，它们将作为下一步网络的输入，用来复原原始图像。

[0047] 步骤4，利用残差网络构建秩一重建网络，用于从退化图像的低秩成分和残余误差中恢复原图像，步骤(4)秩一重建网络包括三个残差网络：

[0048] 第一残差网络：从退化图像的低秩成分中恢复原始图像的低秩成分；

[0049] 第二残差网络：从退化图像的残余误差中恢复原始图像的残余误差；

[0050] 第三残差网络：利用恢复的原始图像的低秩成分和残余误差复原原始图像。

[0051] 上述残差网络为卷积神经网络。

[0052] 构建秩一重建网络过程中利用如下目标函数优化秩一重建网络：

[0053]

[0054] 其中，表示秩一重建网络，(I1,I2,…,IL)表示低秩成分，EL表示残余误差，表示秩一重建网络恢复的图像，T表示原始图像，表示秩一重建网络恢复的图像与原始图像的欧式距离，表示
取最小对应的秩一重建网络。

[0055] 步骤5，利用优化器训练秩一分解网络和秩一重建网络，具体地，利用训练样本分别训练秩一分解网络和秩一重建网络，秩一分解网络输入为退化图像，输出为退化图像的低秩成分和残余误差，秩一重建网络输入为秩一分解网络输出的退化图像的低秩成分和残余误差，输出为复原的原始图像。

[0056] 步骤6，将训练好的秩一分解网络和秩一重建网络串联形成秩一网络，用于图像复原，该秩一网络的输入为退化的图像，输出为恢复的图像。在应用过程中，用户只需要输入退化图像便可以得到复原结果，中间不需要人工操作。因此封装好的秩一网络是全自动的，而且使用灵活。

[0057] 上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

标题	发布/更新时间	阅读量
一种锌镍蓄电池	2020-05-08	437
一种非掺杂白光发光层串联有机电致发光器件	2020-05-08	683
新型户外广告架	2020-05-08	219
一种运用SIFT和SVD感知哈希的GF-2影像完整性认证方法	2020-05-11	943
一种非掺杂白光发光层串联有机电致发光器件及其制作方法	2020-05-08	762
一种平面辐射结构微温差发电器件	2020-05-08	530
一种经消弧线圈串联电阻接地配电网对地参数测量方法	2020-05-11	364
暖通空调系统及其控制方法	2020-05-08	441
一种基于秩一分解和神经网络的图像复原方法	2020-05-11	259
低电容瞬态电压抑制器	2020-05-08	679

一种基于秩一分解和神经网络的图像复原方法

一种基于秩一分解和神经网络的图像复原方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：