[发明专利]一种基于图像先验信息的退化图像修复方法、系统、介质和设备

说明书

本发明公开了一种基于图像先验信息的退化图像修复方法、系统、介质和设备，该方法步骤包括：采用退化图像加高斯噪声的组合作为神经网络图像生成器的输入；采用MSE损失函数计算生成图像与退化图像之间的损失，迭代训练参数化神经网络；获取图像的底层语义信息作为先验信息，在训练中加入权重衰减策略；在每一次迭代中，在神经网络图像生成器的输入中加入高斯噪声，同时在网络参数中加入高斯噪声，当达到第一迭代训练次数时，采用自适应加权输出策略；当达到第二迭代训练次数时打断迭代，并用此时的参数化卷积神经网络生成器生成修复后的图像。本发明只需使用破损图像本身即可完成先验特征的提取及图像修复，在大面积缺失修复中达到了很好的修复效果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于图像先验信息的退化图像修复方法、系统、介质和设备。

背景技术

图像复原重建技术在具体应用方面可以分为图像超分辨率重建、图像修复、图像去噪等，在图像重建属于典型反向求解问题，既问题的解并不惟一，如果想要尽可能的使解接近正确答案，则需要在求解过程中添加必要的限制条件，在图像重建应用中，决定图像复原效果的一个非常关键的环节是图像的先验。在自然图像处理领域里，如果能够很好地利用自然图像的先验信息，就可以从退化后的图像中恢复出高质量的图像，因此研究自然图像的先验信息是非常有意义的。目前常用的自然图像的先验信息有自然图像的局部平滑性、非局部自相似性、非高斯性、统计特性、稀疏性等特征。目前主流的图像重建算法为基于端到端卷积神经网络结构的深度学习算法，基于深度学习的图像重建算法如SRCNN等，往往需要使用精心设计和数量庞大的数据集进行训练，这样的方式建模方式需要一定的成本，而且使用日常图像训练出的模型并不适合修复特殊应用场景中的图像。

作为一个仅使用退化图像x₀以及卷机神经网络图像生成器本身的图像修复算法，Deep Image Prior的缺点在于需要对每张需要修复并重建的图像进行单独的调参数，这就使得图像修复算法无法进行批量的图像处理任务；同时在Deep Image Prior在进行迭代训练时，每次仅对输入z加入随机噪声来防止模型的过拟合现象，并没有对网络本身加入随机噪声，因为该算法使用在训练中打断迭代的方式进行图像重建(图像从噪声中重建，在适合的时机打断迭代后可输出一幅修复后的图像，在迭代训练进行到过拟合阶段后，模型将会输出一个和退化图像x₀完全相同的模型，至此，模型已经失去了图像修复重建的意义)，所以防止模型的过拟合是必要的。在Deep Image Prior的输出方面，原始算法从初始阶段就采用了加权平均输出，即本次的输出结果为加上不同权重的往次输出和本次输出的结合。该方法在一定程度上使得模型的输出变得稳定，但是在图像重建的初始阶段生成结果往往是无意义的噪声，而这些噪声势必将会影响到后续图像的输出，从另一方面说这样的噪声将持续影响迭代后期的图像输出效果。在输入方面，Deep Image Prior在进行图像修复时，使用了随机噪声作为输入，使得模型在拟合过程中的梯度下降速度相对较慢。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于图像先验信息的退化图像修复方法，本发明只需要使用破损图像本身即可完成先验特征的提取并完成图像修复，通过使用基于噪声的正则化方式和权重衰减进一步防止了过拟合现象，并在输入方便取代了现有的基于噪声作为输入的方式，使用了退化图像与噪声的组合输入方式以及Leaky ReLU，在大面积缺失修复中，防止了无法更新权重的死亡神经元区域的出现，达到了更好的修复效果；在迭代中期自动开始进行加权输出，避免了前期无意义噪声对后续图像的干扰。

本发明的第二目的在提供一种基于图像先验信息的退化图像修复系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于图像先验信息的退化图像修复方法，包括下述步骤：