A compression low resolution image restoration method based on joint depth network belongs to the field of digital image / video signal processing. The present invention from the synergistic treatment of compression distortion and downsampling factors point of view, can be completed with compression distortion and restoration of blurred image with low resolution random combination; the network containing 28 volume layer network structure established long and slim, according to the idea of transfer learning, training on the convergence of pre trained models with fine tune the way complete the deep network, to solve the problem of the explosion of the gradient, gradient disappeared; the invention realizes the network model parameters through the visual feature set, characteristics and the relationship between the ideal characteristics of degraded end-to-end learning, and to preprocessing and postprocessing; finally, the invention realizes three important fusion, fusion feature map of the same size the residual image fusion, image fusion and estimation of high frequency and high frequency information can solve the initial, with low resolution image compression distortion super-resolution Discrimination problem.
【技术实现步骤摘要】
一种基于联合深度网络的压缩低分辨率图像复原方法
本专利技术属于数字图像/视频信号处理领域,特别涉及一种基于联合深度网络的压缩低分辨率图像复原方法。
技术介绍
随着多媒体技术的快速发展和广泛的应用,高质量的图像和视频已经成为一种主流的需求。视频数据的质量越高,其分析价值越大。然而,受到有限的信道带宽和存储能力等因素的影响,图像和视频均已压缩形式传输和常态存储。最常见的图像退化因素有下采样和压缩失真。下采样减少了图像的空间分辨率,而压缩失真导致图像存在块效应、振铃、以及模糊等问题。因此,针对压缩失真的低分辨率图像,研究多降质因素图像复原技术,具有重要的理论意义和实际应用价值。图像超分辨率复原方法能够利用单帧或多帧的低分辨率图像恢复出高分辨率图像。在采用针对无压缩图像的超分辨率方法直接对压缩失真的低分辨率图像进行超分辨率复原时,图像分辨率会提高,但严重的块效应失真现象也会放大。因此,去除块效应成为退化图像复原过程中的一个重要问题。广大学者往往采用预处理、后处理的去噪方法来减少块效应,提高重建图像的主观质量,具有灵活、简单、有效等优势。现有的传统处理方法通常将图像去压缩失真和超分辨率复原作为分别独立的任务加以解决。或者,有些方法将含有压缩失真的低分辨率图像进行依次串行处理。已有的主要方法分为基于图像增强的预处理方法和后处理方法。在预处理方法中,图像去噪、去块处理模块后级联一个超分辨率复原模块。该方法基本实现图像去块、去噪和空间分辨率提高等功能。但在去噪过程中,其不可避免地丢失的一些图像细节信息,从而降低超分辨率复原的性能。基于图像增强的后处理方法,则在超分辨率复原 ...
【技术保护点】
一种基于联合深度网络的压缩低分辨率图像复原方法,包括整体流程、离线部分和在线部分;其特征在于:整体流程:首先设计了图像复原的处理流程;然后根据此流程设计了网络结构;最后将该网络各阶段特征图尺寸的调整,完成退化图像映射到复原图像;离线部分:包括3个步骤:训练样本彩色空间变换;训练样本库生成;网络训练及模型获取;其中,训练样本库生成方法中包括训练样本获取的三个阶段;网络模型训练及模型获取阶段包括损失函数、梯度下降法的选取;在线部分:包括5个步骤:特征提取;特征增强;特征图重建;高频信息提取;高频信息融合;其中,特征提取包括图像块提取,特征表示;高频信息融合包括特征融合,残差图像融合;所述的整体流程,具体步骤如下:(1)图像复原流程包括去压缩失真处理和超分辨率复原处理;当待处理的退化图像放大倍数为a时,图像复原流程具体如下:在去压缩失真处理中,输入退化图像,对其进行特征提取、特征增强和特征映射重建,产生去压缩失真的特征图;然后,在超分辨率复原处理中,首先将去压缩失真的特征图插值放大a倍,输出后的HR初始估计图像的尺寸是输入退化图像尺寸的a倍,但是HR初始估计图像缺少图像高频信息;然后,经过高 ...
【技术特征摘要】
1.一种基于联合深度网络的压缩低分辨率图像复原方法,包括整体流程、离线部分和在线部分;其特征在于:整体流程:首先设计了图像复原的处理流程;然后根据此流程设计了网络结构;最后将该网络各阶段特征图尺寸的调整,完成退化图像映射到复原图像;离线部分:包括3个步骤:训练样本彩色空间变换;训练样本库生成;网络训练及模型获取;其中,训练样本库生成方法中包括训练样本获取的三个阶段;网络模型训练及模型获取阶段包括损失函数、梯度下降法的选取;在线部分:包括5个步骤:特征提取;特征增强;特征图重建;高频信息提取;高频信息融合;其中,特征提取包括图像块提取,特征表示;高频信息融合包括特征融合,残差图像融合;所述的整体流程,具体步骤如下:(1)图像复原流程包括去压缩失真处理和超分辨率复原处理;当待处理的退化图像放大倍数为a时,图像复原流程具体如下:在去压缩失真处理中,输入退化图像,对其进行特征提取、特征增强和特征映射重建,产生去压缩失真的特征图;然后,在超分辨率复原处理中,首先将去压缩失真的特征图插值放大a倍,输出后的HR初始估计图像的尺寸是输入退化图像尺寸的a倍,但是HR初始估计图像缺少图像高频信息;然后,经过高频特征提取和高频信息融合得到残差图像;最后,残差图像与HR初始估计图像相加后得到重建后的HR图像;(2)网络结构包括28个卷积层,25个RELU激活模块,1个双三次(Bicubic)插值放大模块,2个融合层;其中,在去压缩失真的步骤中,由4个卷积层和3个RELU激活模块组成去压缩失真的子模块,每个卷积层对应特征提取、特征增强、非线性映射、特征重建的步骤,在尾端级联一个相同的去压缩失真子模块,由两个去压缩失真子模块组成一个去压缩失真的子网络,包括8个卷积层和6个RELU激活模块;在超分辨率复原的步骤中,由1个双三次(Bicubic)插值放大模块,20个卷积层,19个RELU激活模块,两个融合层组成一个超分辨率复原子网络,其中高频信息提取阶段采用19个卷积层,重建阶段采用1个卷积层,两个融合层包括特征图融合、残差图像融合;在CNN的图像处理过程中,卷积层之间需要通过卷积滤波器联系,卷积滤波器的定义表示为W×H×C×D,其中,C代表被滤波图像的通道数;W、H分别代表滤波范围的宽、高;D代表卷积滤波器的种类;如5×5×3×20:代表滤波器宽高各为5个像素,输入图像通道数为3,共20种滤波器;所述的离线部分,具体步骤如下:(1)训练样本彩色空间变换:将图像从RGB颜色空间转换到YCbCr颜色空间;只对图像的亮度通道(Y)进行处理;(2)训练样本库生成:首先采用滑动窗在图像上滑动,随机裁剪生成大量子图像Z;然后先经过不同放大倍数的下采样D,再经过不同放大倍数上采样U,生成无压缩失真的低分辨率训练样本;最后采用JPEG压缩方法Q,分别进行不同压缩质量参数CQ的压缩处理,生成不同压缩失真程度的低分辨率训练样本X。所得训练样本根据不同阶段重建监督的需求进行分组;图像退化过程如公式(1)所示。X=DUQ(Z)(1)(3)训练网络:首先,为去压缩失真子网络和超分辨率复原子网络分别建立损失监督,并采用常用的梯度下降法求解最小化损失函数的问题。其中,去压缩失真子网络采用MSE损失函数确定误差,通过随机梯度下降法(SGD)调整最优化网络参数,基础学习率设置为0.0001,每训练1000次减半;权重衰减设为0.0005,动量设置为0.9;超分辨率复原子网络采用微批梯度下降法(mini-batch)计算网络误差并调节网络参数,基础学习率设置为0.1,每训练1000次减半;权重衰减设为0.0005,动量设置为0.9;最后,经过反复迭代,当达到预设的最大迭代次数(4万次)时停止训练,获得图像复原的网络模型。所述的在线部分,具体步骤如下:(1)对输入图像进行特征提取:获取一幅待处理的压缩失真的低分辨率,采用滑动窗提取重叠的图像块;并将每个图像块表示为向量,由这些向量组合成特征图的集合;根据逐层特征图可视化得到特征变换的重要信息,但是特征提取阶段所得到的特征图含有噪声和伪影;(2)对含噪声的特征图进行去噪声并实现特征增强:对特征提取得到的特征图进行卷积操作;利用离线训练所得到...
【专利技术属性】
技术研发人员:李晓光,孙旭,卓力,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。