[发明专利]一种基于深度学习的图像去压缩伪影方法

权利要求书

1.一种基于深度学习的图像去压缩伪影方法，其特征在于：其包括以下步骤：

步骤1，收集高质量照片，形成训练图像数据库；

步骤2，对图像数据库进行预处理，形成N对有压缩伪影的低质量子图像与高质量子图像的配对集{I_cⁱ，I_tⁱ}，其中I_cⁱ为低质量子图像，I_tⁱ为高质量子图像，i为配对集中不同配对的标志位，i∈{1,2,…,N}；随机打乱配对集中的每对子图像顺序，得到最终用于训练深度卷积神经网络模型的数据集；

步骤3，利用深度卷积神经网络模型，输入压缩的低质量子图像I_cⁱ，得到模型预测的图像I_gⁱ，其中，深度卷积神经网络模型分别包括初始卷积模块、残差卷积模块和图像重建模块；

其中初始卷积阶段包含一个卷积层和激活层，学习得到底层特征F₁，具体的计算公式为：

其中W₁和B₁为初始卷积模块的权值参数和偏置参数；

利用得到的底层特征F₁，开始执行残差卷积模块，每个残差卷积模块依次包含第一卷积层、一个非线性激活层、第二卷积层和一个特征结合层，从而得到高层特征F_k，其计算公式是：

F_k＝W_k max(W_k-1F_k-2+B_k-1)+F_k-2 (2)

第一卷积层、一个非线性激活层和第二卷积层分别对应公式(2)中的W_k-1、B_k-1和W_k，其中k为卷积层的序号；特征结合层是通过跳跃式连接将k-2层的输出特征F_k-2与第k卷积层的输出特征相加，并得到结合的特征F_k，特征结合层没有参数需要学习；

利用高层特征F_k执行图像重建层得到去伪影的模型预测的图像I_gⁱ，去伪影的模型预测的图像I_gⁱ的计算公式为：

其中M为网络模型的所有卷积层个数；

步骤4，比较去伪影的模型预测的图像I_gⁱ和高质量子图像I_tⁱ，通过优化算法的迭代，得到最终的网络模型参数W和B；

步骤5，对于需要去压缩伪影的测试图像，先估计测试图像的质量系数；

步骤6，根据估计的测试图像的质量系数，再选择相应的神经网络模型参数W和B进行去伪影操作；对测试图像执行步骤3的前向操作，得到测试图像的去伪影结果。

2.根据权利要求1所述的一种基于深度学习的图像去压缩伪影方法，其特征在于：所述步骤2中配对集的生成方法为：

根据预先设定的图像质量系数q，利用JPEG格式压缩收集的高质量照片，得到具有压缩伪影的低质量图像集；

从低质量图像集中按d*d截取低质量子图像I_c，并同时从对应的高质量照片中截取相应大小的高质量子图像I_t，形成包含N对子图像的配对集{I_cⁱ，I_tⁱ},i∈{1,2,…,N}。