[发明专利]一种基于深度学习的图像去压缩伪影方法

摘要

本发明公开一种基于深度学习的图像去压缩伪影方法，能够对图像在高度压缩中产生的伪影进行有效消除。本发明的创新性主要体现在两个方面：第一，本发明运用了最新的深度学习技术，将深度残差网络作为基本模块应用于网络模型当中，有效地缓解了深度网络模型的梯度扩散问题。同时，网络学习得到的底层特征和高层特征通过跳跃式连接相融合，为重建去伪影图像提供了更加丰富的特征信息，进一步提升了模型的去伪影性能。第二，本发明进一步提出了模型选择的方案，可以针对不同程度的压缩伪影，合理选择更加适合的模型进行去伪影操作。通过在两套公开数据集上进行测试，本发明的方法比目前最好的去伪影算法在性能上有了显著的提升。

主权项

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。