一种基于深度原始对偶近端网络的图像复原方法技术

本发明专利技术涉及一种深度原始对偶近端网络的图像复原方法；针对当前常用的图像复原方法大多通过优化非光滑惩罚似然函数，这类方法对降质图像的复原过程是一个耗时的优化过程。本发明专利技术针对均匀模糊和高斯噪声的降质图像，基于原始对偶分裂算法发明专利技术一种深度原始对偶近端网络，并将该网络运用到图像复原任务中，该网络中每一层代表原始对偶分裂算法的一次迭代，初始化构建20层的深度网络，网络中特征映射矩阵为局部稀疏矩阵，通过端到端的梯度后向传播和梯度下降算法学习网络系数，能够很好地复原出原始图像内容。本发明专利技术灵活方便，网络训练完成后，只需将降质图像在网络中正向传播就可以在网络输出端得到复原的图像，具有很强的实用性。

【技术实现步骤摘要】
一种基于深度原始对偶近端网络的图像复原方法
本专利技术涉及图像复原和神经网络学习领域，具体涉及被均匀模糊和高斯噪声污染的图像进行复原的方法。
技术介绍
图像复原是图像处理领域中一个重要的应用。在现实生活中由于相机聚焦不准、恶劣天气(如雨、雾等)以及相机抖动造成图像成像质量下降，为了提高图像的质量，如何对降质图像进行复原是一个非常有意义的工作。传统的图像复原是一个逆问题，对逆问题的求解最早可以追溯到20世纪中叶维纳提出的维纳滤波器，但是通过对维纳-霍普夫方程的求解进行图像复原的结果在实际中往往不是很理想，尤其是当图像的信噪比较低的时候。之后图像复原比较著名的方法是20世纪90年代由Tikhonov提出的总变分方法，该方法在损失函数中加入了一个平滑惩罚项，保证复原后的图像具有连续的梯度信息。这种方法具有较好的实验效果，随着它的泛化方法--非局部总变分方法的提出，图像复原的效果有了进一步的提高。然而变分方法这类方法具有计算上的弱点，对任何一幅图像进行复原，其实是求解一个优化方程，迭代次数往往需要达到上万次，当图像的尺寸较大时，耗时尤其较多，因本文档来自技高网...

【技术保护点】
1.一种基于深度原始对偶近端网络的图像复原方法，其特征在于，包括以下步骤：/n步骤S1：构建训练数据集，针对一个包含P幅干净的原始图像集合{I

【技术特征摘要】
1.一种基于深度原始对偶近端网络的图像复原方法，其特征在于，包括以下步骤：
步骤S1：构建训练数据集，针对一个包含P幅干净的原始图像集合{I1,I2,...IP},在图像集合中截取Q×Q大小的子图像集合{x1,x2,2,xM}，每个子图像xi通过一个S×S大小的均匀滤波器A进行图像模糊，并添加一定高斯噪声形成降质子图像zi，形成观察子图像数据{z1,z2,...,zM}；
步骤S2：构建深度为K层的深度原始对偶近端网络，利用模糊图像的先验知识初始化该网络；
步骤S3：利用训练子图像集{x1,x2,...,xM}和对应的降质图像{z1,z2,...,zM}，通过梯度下降算法，监督地学习网络的参数，提高图像复原的性能；
步骤S4：对待新的降质图像It，将训练好的深度原始对偶近端网络在图像上进行遍历，每次复原Q×Q大小的图像块，遍历直到复原出图像的全部内容。


2.根据权利要求1所述的一种基于深度原始对偶近端网络的图像复原方法，其特征在于：所述P为400，Q为10，M为10000，S为3，α为15，为单位矩阵，xi和zi之间的关系为zi＝Axi+ε。


3.根据权利要求1所述的一种基于深度原始对偶近端网络的图像复原方法，其特征在于：所述步骤S2的具体内容包括：
步骤S21：首先根据原始对偶分裂算法以无监督方式构建K层的深度原始对偶近端网络，其优化目标函数为：



式(1)中，g(x)＝||x||1，为复原的图像数据，其迭代求解过程为：



迭代次数k＝1,…K。K为最大迭代次数，τ、σ为优化参数，g*是g的共轭函数。为保证迭代应满足：
步骤S22：将式子(2)的迭代求解过程重构为K层的深度网络，每一层的网络由线性变换和非线性激励函数，K层网络的计算过程为：
u[K]＝η[K](D[K]…η[1](D[1]u[1]+b[1])…+b[K])(3)
式(3)中u[k]为网络每层的输入，前一层的输出直接作为后一层的输入，D[k]为线性变换系数矩阵，b[k]为偏置系数，η[k]为非线性激...

【专利技术属性】
技术研发人员：酒明远，齐林，杨守义，孙钢灿，陈恩庆，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南;41