[發(fā)明專利]一種基于深度學(xué)習(xí)的圖像比特增強(qiáng)方法

在審

• 申請?zhí)枺?/td>: 201911043281.8
• 申請日: 2019-10-30
• 公開（公告）號: CN110852964A
• 公開（公告）日: 2020-02-28
• 發(fā)明（設(shè)計(jì)）人: 蘇育挺;孫婉寧;劉婧
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 李林娟

1.一種基于深度學(xué)習(xí)的圖像比特深度增強(qiáng)方法，其特征在于，所述方法包括：

對用于訓(xùn)練的高比特深度無損畫質(zhì)的圖像進(jìn)行預(yù)處理，并量化到低比特深度圖像作為模型輸入；

基于深度學(xué)習(xí)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，將量化后的低比特深度圖像作為輸入，并將輸出結(jié)果和原始高比特圖像之間的感知損失作為損失函數(shù)；

通過優(yōu)化器梯度下降損失函數(shù)來訓(xùn)練模型中各個(gè)卷積層和批歸一化層的參數(shù)，在模型損失函數(shù)的下降幅度不超過閾值后，保存相應(yīng)模型及模型中所有層的參數(shù)；

將高比特深度圖像量化成低比特深度的版本后作為測試用例，通過保存的卷積神經(jīng)網(wǎng)絡(luò)恢復(fù)高比特圖像。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的圖像比特深度增強(qiáng)方法，其特征在于，所述對圖像進(jìn)行預(yù)處理具體為：

將無損畫質(zhì)的高比特深度圖像進(jìn)行切塊，降低模型的計(jì)算復(fù)雜度、減少訓(xùn)練內(nèi)存占用量；

將切分好的圖像隨機(jī)打散后以numpy的形式進(jìn)行存儲(chǔ)，提高圖像讀取效率并防止圖像的學(xué)習(xí)率差別過大造成的效果不均衡；

將圖像進(jìn)行歸一化，所有像素值按照固定比例線性歸一化到0和1之間。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的圖像比特深度增強(qiáng)方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)具體為：

深度神經(jīng)網(wǎng)絡(luò)采用了多層轉(zhuǎn)置卷積層、標(biāo)準(zhǔn)修正線性單元層、批歸一化層疊加的結(jié)構(gòu)；

在各層卷積層之間采用了5個(gè)跳躍連接，每個(gè)連接都跨越了兩個(gè)卷積層，將兩層產(chǎn)生的特征圖相加，再輸入到下一層卷積層中；

并且在這些殘差塊的開始和結(jié)尾之間也添加了跳躍連接，將底層細(xì)節(jié)結(jié)構(gòu)直接傳遞到頂層，提高了網(wǎng)絡(luò)生成的高比特圖像的質(zhì)量。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的圖像比特深度增強(qiáng)方法，其特征在于，所述將量化后的低比特深度圖像作為輸入，并將輸出結(jié)果和原始高比特圖像之間的感知損失作為損失函數(shù)具體為：

基于預(yù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)提取出的圖片特征的差異，在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中注重圖像間結(jié)構(gòu)性相似度，重建有更加相似的高維特征和更高視覺質(zhì)量的圖像。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的圖像比特深度增強(qiáng)方法，其特征在于，所述通過優(yōu)化器梯度下降損失函數(shù)來訓(xùn)練模型中各個(gè)卷積層和批歸一化層的參數(shù)具體為：

采用帶有動(dòng)量項(xiàng)的Adam優(yōu)化器，利用梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，使得模型訓(xùn)練更快且不易陷入局部最優(yōu)解，參數(shù)更新平穩(wěn)；

在訓(xùn)練過程中，通過TensorBoard監(jiān)控感知損失函數(shù)的收斂情況，并在迭代過程中自動(dòng)保存模型中各層的參數(shù)。