[發明專利]一種深度學習逆卷積模型異常值處理方法

有效

• 申請號: 201910343480.4
• 申請日: 2019-04-26
• 公開（公告）號: CN110084762B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 劉桂雄;王博帝
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 劉黎明

本發明提供一種深度學習逆卷積模型異常值處理方法，所述方法包括：分裂傳統能量泛函逆卷積模型；建立異常值掩碼模型，預測異常值掩碼期望，在逆卷積迭代求解過程剔除異常值；基于深度學習搭建卷積神經網絡圖像去噪模型，自適應學習圖像先驗，引導逆卷積演化方向；交替迭代由傳統能量泛函逆卷積模型分裂而成的子問題，獲取最終高質量復原圖像。本發明保留逆卷積模型對不同視覺任務應用柔性，預測異常值掩碼期望并對其進行處理，充分利用深度學習圖像先驗建模優勢，實現高質量圖像復原。

技術領域

本發明涉及圖像復原領域，尤其涉及一種深度學習逆卷積模型異常值處理方法。

背景技術

圖像復原技術是計算機視覺重要基礎工具，在醫學成像、遙感觀測、視覺檢測、工業制造領域都有廣泛應用。該項技術旨在從退化低質量圖像中復原出其對應原始高質量圖像，涉及機器學習、數學建模、優化理論、光學成像等多方面知識。保證成像質量有助于提高視覺檢測效率、促進科學技術發展，尤其是在工業生產自動化程度愈來愈高的當今時代，圖像復原的地位與作用更加明顯。

逆卷積在圖像復原中逆轉圖像退化過程。傳統逆卷積模型構造能量泛函，通過正則項約束解空間。近年來，深度學習開始應用于逆卷積建模等低層視覺任務，并取得顯著成效。深度學習逆卷積模型將正則項轉化為其網絡結構權重，然而保真項擬合優度同樣是圖像復原質量關鍵。實際退化圖像易存在異常值(飽和像素、非高斯噪聲、相機非線性響應函數)，逆卷積過程異常值破壞保真項擬合優度，促使復原圖像產生嚴重振鈴效應，影響最終復原圖像質量。若能在深度學習逆卷積模型處理異常值問題，將有助于提高模型性能，進一步優化圖像復原質量。

發明內容

為解決上述存在的問題與缺陷，本發明提供一種深度學習逆卷積模型異常值處理方法，該方法保留逆卷積模型對不同視覺任務應用柔性，預測異常值掩碼期望并對其進行處理，充分利用深度學習圖像先驗建模優勢，實現高質量圖像復原。

本發明的目的通過以下的技術方案來實現：

一種深度學習逆卷積模型異常值處理方法，該方法包括：

A分裂傳統能量泛函逆卷積模型；

B建立異常值掩碼模型，預測異常值掩碼期望，在逆卷積迭代求解過程剔除異常值；

C基于深度學習搭建卷積神經網絡圖像去噪模型，自適應學習圖像先驗，引導逆卷積演化方向；

D交替迭代由傳統能量泛函逆卷積模型分裂而成的子問題，獲取最終高質量復原圖像。

本發明有益效果是：

保留逆卷積模型對不同視覺任務應用柔性，預測異常值掩碼期望并對其進行處理，充分利用深度學習圖像先驗建模優勢，實現高質量圖像復原。

附圖說明

圖1是本發明所述的深度學習逆卷積模型異常值處理方法流程框圖；

具體實施方式

下面結合實施例及附圖對本發明作進一步詳細的描述。

本發明是基于掩碼預測的深度學習逆卷積模型異常值處理方法，如圖1所示，該方法包括如下步驟：

步驟10、傳統能量泛函逆卷積模型通過變量分裂技術，獨立拆分為保真項子問題與正則項子問題其中b、f、H分別表示退化圖像、潛在圖像以及退化函數，表示復原圖像，l為輔助變量，用以作f近似，t表示迭代次數，λ、β為正則項權重。保真項子問題在步驟20通過異常值掩碼優化處理，所述正則項子問題在步驟30通過深度學習高效求解。