[发明专利]一种基于可学习频域先验的去摩尔纹系统及方法

权利要求书

1.一种基于可学习频域先验的去摩尔纹系统，其特征在于，包括摩尔纹消除模块和色调映射模块；所述的色调映射模块包括全局色调映射模块以及局部色调映射模块；所述的摩尔纹消除模块用于消除摩尔纹，色调映射模块用于重建色彩；

摩尔纹消除模块：

(1)使用密集块对输入图像进行特征提取，密集块由n个3x3的膨胀卷积和ReLU激活函数组成，采用膨胀卷积的目的是扩大密集区域的感受野；

(2)将可学习的权重与提取后的特征映射一起输入到分块频域逆变换(FDIT)之后，经过一个3x3卷积，把n个密集块的特征映射相加输入到特征缩放层来线性约束输出，避免产生过大的梯度；所述的分块频域逆变换采用离散余弦变换、离散小波变换、离散傅里叶变换或新的可学习正交变换；

(3)引入残差连接在特征域中消除摩尔纹，将输入图像与经过特征缩放层的特征映射相加，作为最终的输出；

全局色调映射模块：

(1)将原始特征映射输入到步长为2的3x3卷积层，经过ReLU激活函数，再输入到全局平均池化层中，将特征映射进行全局平均，输出特征映射F，从而使其具有全局的感受野，使网络低层也能利用全局信息，减轻过拟合的发生；

(2)将特征映射F再输入全连接层和ReLU激活函数得到特征映射γ；

(3)将原始特征映射输入到1x1的卷积层，经过ReLU激活函数得到输出特征映射β；

(4)将特征映射γ和β点乘，然后输入到1x1的卷积层，经过ReLU激活函数得到输出；

局部色调映射模块：

(1)将输入特征映射输入到与摩尔纹消除模块中相同的密集块中，扩大感受野，提取有用信息；

(2)再将密集块的输出送入1x1卷积层，经过ReLU激活函数，得到输出。

2.根据权利要求1所述的一种基于可学习频域先验的去摩尔纹系统，其特征在于，所述的分块频域逆变换采用离散余弦变换。

3.一种基于可学习频域先验的去摩尔纹方法，其特征在于，步骤如下：

步骤(1)首先将输入图像进行可逆的2倍下采样得到4个子图像，将四个子图像输入到3x3的卷积层，经过ReLU激活函数，再输入到摩尔纹消除模块中，得到特征映射Z1；

步骤(2)将特征映射Z1进行2倍下采样，输入到步长为2的3x3卷积层，经过ReLU激活函数，再输入到摩尔纹消除模块，得到特征映射Z2；同理，再将特征映射Z2进行2倍下采样，输入到步长为2的3x3卷积层，经过ReLU激活函数，再输入到摩尔纹消除模块，得到特征映射Z3；

步骤(3)将特征映射Z3输入全局色调映射模块和局部色调映射模块，再经过3x3的卷积层和2倍上采样得到分支三的输出特征映射Z3’；

步骤(4)将特征映射Z2和分支三的输出特征映射Z3’叠加，依次经过1x1的卷积层，ReLU激活函数，全局色调映射模块，摩尔纹消除模块，全局色调映射模块，局部色调映射模块，3x3卷积层和2倍上采样，得到分支二的输出特征映射Z2’；

步骤(5)将特征映射Z1与分支二的输出特征映射Z2’叠加，依次经过1x1的卷积层，ReLU激活函数，全局色调映射模块，摩尔纹消除模块，全局色调映射模块，局部色调映射模块，3x3卷积层和2倍上采样，得到分支一的输出特征映射即最终输出特征映射Z1’；

步骤(6)采用L1损失作为基本损失函数，但摩尔纹是结构化的失真，L1损失是点态损失，不能提供结构信息；因此采用改进的索贝尔损失函数；与现有的索贝尔滤波器相比，改进的索贝尔滤波器提供了2个45度的附加滤波器，为了消除低频的摩尔纹，在改进的索贝尔滤波器中增加了膨胀操作，将改进的索贝尔滤波器看作3x3的卷积层，通过设置不同的膨胀率来调整感知频率，将膨胀后的损失函数命名为膨胀索贝尔损失函数D-ASL；将D-ASL与L1损失函数合并表示为：

Loss(Z′，Z)＝L1(Z′，Z)+k*D-ASL(Z′，Z)

其中L1表示L1损失函数，D-ASL表示膨胀索贝尔损失函数，k为一个在运算前决定的超参数，用于平衡L1损失函数和膨胀索贝尔损失函数；

在训练时，采用多重监督策略来监督三个分支的输出，可表示为：

Loss＝Loss(Z₁′，Z₁)+Loss(Z′₂，Z₂)+Loss(Z′₃，Z₃)。

4.根据权利要求3所述的一种基于可学习频域先验的去摩尔纹方法，其特征在于，索贝尔损失函数的膨胀率为3。