[发明专利]基于深度学习的图像去摩尔纹方法

权利要求书

1.深度学习的图像去摩尔纹方法，其特征在于，具体包括如下步骤：

步骤1：构建网络模型

对输入的图像首先进行空间域到频域上的变换，所述网络模型是一个多分辨率网络，第一个分支的输入不需要改变图像分辨率、后面的分支的输入都需要进行降采样，得到不同的分辨率图片，每个分支中均包括去处纹理模块和颜色均衡模块，但对于不同的分支，模块的数量不同，具体为

R_i＝[(Filter+CCM+conv+relu)_×i(relu(conv(I_i)))]+I_i

R_i表示的是第i个分支经过了纹理去除和颜色纠正之后的输出，I_i表示的是第i个分支的输入；Filter代表了去除纹理模块，CCM代表的是颜色均衡模块，去除纹理模块和颜色均衡模块串联在一起加上一层卷积作为一次处理，第i个分支中进行处理i次；

将分支中经过了纹理去除和颜色纠正之后的低分辨率的图像分别进行升采样，将图像分辨率恢复至和原图一致，具体为

O_i＝ScaleLayer{conv[(conv+PixelShuffle+relu)_×(i-1)(R_i)]}

R_i表示的是经过了纹理去除和颜色纠正之后的输出，O_i表示的是每个分支的输出；(conv+PixelShuffle+relu)_×(i-1)表示第i个分支需要i-1次升采样；

将每个分支的输出加和，

其中n表示共有n个分支，

对加和后的图像进行频域到空间域的变换，得到最终的结果；

步骤2，选取数据集图像，将数据集图像分为训练集、测试集和验证集，通过数据集图像对网络模型进行训练，得到训练后的网络模型；

步骤3，将待处理图像输入到训练后的网络模型中，进行图像去摩尔纹。

2.根据权利要求1所述深度学习的图像去摩尔纹方法，其特征在于，步骤1中降采样方式是非线性的三层卷积神经网络：

I_i+1＝conv(conv(relu(conv(I_i))))

I_i表示第i个分支的输入，I_i+1表示第i+1个分支的输入。

3.根据权利要求1所述深度学习的图像去摩尔纹方法，其特征在于，步骤1中的将图像从空间域转化到频域上具体采用小波变换的方式。

4.根据权利要求1所述深度学习的图像去摩尔纹方法，其特征在于，步骤1中去处纹理模块是利用CNN构建的滤波器，滤波器主体是Denseblock结构，该结构中每层提取出来的特征映射都可以供后续层使用，在Denseblock之后是两层卷积网络和一个特征尺度层，在滤波器中增加残差的结构，用于去除卷积域的摩尔纹。

5.根据权利要求4所述深度学习的图像去摩尔纹方法，其特征在于，在Denseblock结构中引入了空洞卷积。

6.根据权利要求1所述深度学习的图像去摩尔纹方法，其特征在于，步骤1中颜色均衡模块由两个通道注意力结构组成，该结构首先对输入进行两层卷积操作，随后分别对卷积后的结果执行最大池化和平均池化，将两个池化的结果叠加，送入两层1×1的卷积层中，整个结构使用残差结构改善网络退化问题。

7.根据权利要求1所述深度学习的图像去摩尔纹方法，其特征在于，步骤2中选用LCDMoire数据集对网络模型进行训练。