[發明專利]基于增強的寬激活殘差網絡的壓縮圖像去塊效應方法

有效

• 申請號: 202010317399.1
• 申請日: 2020-04-21
• 公開（公告）號: CN113542772B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 何小海;陳正鑫;任超;陳洪剛;熊淑華;卿粼波;滕奇志
• 申請（專利權）人: 四川大學
• 主分類號: H04N19/86
• 分類號: H04N19/86;H04N19/176;H04N19/182;G06N3/0464;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于增強的寬激活殘差網絡的壓縮圖像去塊效應方法，其特征在于包括以下步驟：

步驟一：搭建壓縮圖像去塊效應網絡模型，其主要包括重疊圖像塊提取網絡、特征編碼網絡、N個增強的寬激活殘差模塊、特征解碼網絡和重疊圖像塊重建網絡；重疊圖像塊提取網絡只包含一個卷積層，其使用p²個預定義的、大小都為p×p的濾波器，以步長s對輸入的壓縮圖像進行卷積，將壓縮圖像中的p×p圖像塊提取為p²維的向量；特征編碼網絡使用一個卷積核大小為3×3、輸入和輸出通道數為64的卷積層將來自于重疊圖像塊提取網絡的像素值轉化為特征系數；N個增強的寬激活殘差模塊對特征系數進行非線性映射，每一個增強的寬激活殘差模塊包括兩個卷積核大小為3×3的卷積層、兩個卷積核大小為1×1的卷積層和一個ReLU激活函數，其中第一個1×1卷積層提升了來自前一個3×3卷積層的張量的通道數，使更多的信息能夠通過ReLU，第二個1×1卷積層再將經過ReLU函數激活后的張量的通道數降到原來的數量；特征解碼網絡使用一個卷積核大小為3×3、輸入和輸出通道數為64的卷積層將經過N個增強的寬激活殘差模塊非線性映射的特征系數轉化為像素值；重疊圖像塊重建網絡包括一個矩陣生成器MGOnes和兩個反卷積層Deconv 1和Deconv 2；若輸入張量T的大小為(H,W,C)，H、W、C分別表示張量的長、寬和通道數，則MGOnes產生一個H×W全一矩陣；Deconv 1和Deconv 2都以步長s對其輸入進行反卷積，Deconv 1預定義為p²個固定的濾波器，每個濾波器的權重僅在某一特定位置取值為1，其余權重取值都為0，Deconv 2預定義為一個大小為p×p、權重取值都為1的濾波器；重疊圖像塊重建網絡旨在將張量T中p²維的向量還原為p×p的圖像塊，并把這些圖像塊放回到它們在圖像中原來的位置，多個圖像塊之間重疊的區域取平均值；具體地，在每一個滑動窗口執行反卷積的過程中，Deconv 1先對張量T中的多個像素值進行求和，這些像素值可以被視為對壓縮圖像中某一個像素的多個估計，再將求和結果放到圖像中相應的位置，接著，MGOnes生成具有和張量T相同空間大小的全一矩陣，Deconv 2以這個全一矩陣作為輸入，產生了一個和壓縮圖像一樣大小的權重矩陣，這個權重矩陣的每一個元素表示壓縮圖像中相應位置的像素跨越的p×p圖像塊的數量，最后，用權重矩陣逐元素相除Deconv 1的輸出就得到了最終的去塊效應圖像I，上述過程可以用公式表示為：

I＝Deconv1(T)./Deconv2(MGOnes(T))

s、p和N分別設定為2、8和19；

步驟二：利用步驟一的卷積神經網絡，分別訓練不同質量因子下的壓縮圖像去塊效應模型；

步驟三：以訓練好的壓縮圖像去塊效應模型為基礎，將壓縮圖像作為輸入，得到最終的去塊效應圖像。