[发明专利]一种基于深度学习的失真图像重建方法及相关装置

权利要求书

1.一种基于深度学习的失真图像重建方法，其特征在于，包括：

根据高清图像集构建失真图像重建训练集，所述失真图像重建训练集包括预置失真图像和对应的预置图像重建矩阵；

采用所述失真图像重建训练集对初始DFISTA网络模型进行网络层梯度式迭代训练，得到预设DFISTA网络模型，所述初始DFISTA网络模型根据FISTA算法和深度神经网络构建；

通过所述预设DFISTA网络模型对当前失真图像进行图像重建，得到失真图像重建矩阵。

2.根据权利要求1所述的基于深度学习的失真图像重建方法，其特征在于，所述根据高清图像集构建失真图像重建训练集，所述失真图像重建训练集包括预置失真图像和对应的预置图像重建矩阵，包括：

将高清图像集分别进行失真处理和矩阵表达操作，得到预置失真图像和对应的预置图像重建矩阵；

将所述预置失真图像作为训练输入数据，同时将所述预置图像重建矩阵作为训练输出实际标签，得到失真图像重建训练集。

3.根据权利要求1所述的基于深度学习的失真图像重建方法，其特征在于，所述根据高清图像集构建失真图像重建训练集，所述失真图像重建训练集包括预置失真图像和对应的预置图像重建矩阵，之前还包括：

通过预置高清设备采集多种场景下的清晰图像，得到初始清晰图像集；

对所述初始清晰图像集中的图像进行优化预处理，得到高清图像集。

4.根据权利要求1所述的基于深度学习的失真图像重建方法，其特征在于，所述采用所述失真图像重建训练集对初始DFISTA网络模型进行网络层梯度式迭代训练，得到预设DFISTA网络模型，所述初始DFISTA网络模型根据FISTA算法和深度神经网络构建，包括：

根据FISTA算法和深度神经网络构建初始DFISTA网络模型，所述初始DFISTA网络模型包括初始梯度下降步长；

采用所述失真图像重建训练集对所述初始DFISTA网络模型进行网络层梯度式迭代训练，并计算出中间重建结果向量；

若所述中间重建结果向量满足预设重建需求，则停止训练，得到预设DFISTA网络模型。

5.一种基于深度学习的失真图像重建装置，其特征在于，包括：

数据构建单元，用于根据高清图像集构建失真图像重建训练集，所述失真图像重建训练集包括预置失真图像和对应的预置图像重建矩阵；

模型训练单元，用于采用所述失真图像重建训练集对初始DFISTA网络模型进行网络层梯度式迭代训练，得到预设DFISTA网络模型，所述初始DFISTA网络模型根据FISTA算法和深度神经网络构建；

图像重建单元，用于通过所述预设DFISTA网络模型对当前失真图像进行图像重建，得到失真图像重建矩阵。

6.根据权利要求5所述的基于深度学习的失真图像重建装置，其特征在于，所述数据构建单元，具体用于：

将高清图像集分别进行失真处理和矩阵表达操作，得到预置失真图像和对应的预置图像重建矩阵；

将所述预置失真图像作为训练输入数据，同时将所述预置图像重建矩阵作为训练输出实际标签，得到失真图像重建训练集。

7.根据权利要求5所述的基于深度学习的失真图像重建装置，其特征在于，还包括：

图像获取单元，用于通过预置高清设备采集多种场景下的清晰图像，得到初始清晰图像集；

图像处理单元，用于对所述初始清晰图像集中的图像进行优化预处理，得到高清图像集。

8.根据权利要求5所述的基于深度学习的失真图像重建装置，其特征在于，所述模型训练单元，具体用于：

根据FISTA算法和深度神经网络构建初始DFISTA网络模型，所述初始DFISTA网络模型包括初始梯度下降步长；

采用所述失真图像重建训练集对所述初始DFISTA网络模型进行网络层梯度式迭代训练，并计算出中间重建结果向量；

若所述中间重建结果向量满足预设重建需求，则停止训练，得到预设DFISTA网络模型。