基于多尺度卷积对抗循环网络的模糊二维码复原系统技术方案

本发明专利技术公开了基于多尺度卷积对抗循环网络的模糊二维码复原系统，包括以下步骤：本发明专利技术不同于一般的方法，提出了一种名为多尺度卷积对抗循环网络的新网络架构，该网络的训练难度大大减小。本发明专利技术提出了多尺度卷积残差密集部件，并且通过LSTM进行short

【技术实现步骤摘要】
基于多尺度卷积对抗循环网络的模糊二维码复原系统


[0001]本专利技术涉及计算机视觉领域，特别涉及一种基于多尺度卷积对抗循环网络的模糊二维码复原系统。

技术介绍

[0002]二维码是指一种可读性的编码通过黑白矩阵表示的二进制数据，经过对应的定义规则进行解码，得到包含的信息。在二维码的解码过程中通常的技术手段有二维码的定位+二维码的识别；由于二维码图像在转发过程中出现压缩导致图像信息的丢失，在获取图像帧时存在的运动抖动导致图像的模糊，这样一来二维码图像黑白矩阵内容的模糊造成其识别上的困难即不能够正确的解码成相应的二进制串。现有的常见图像去模糊技术是使用GAN模型，但 GAN模型构建较大，训练不稳定，并且不能充分地利用原始低分辨图像的特征，而且在高分辨率图像重建的过程中，往往使用的是Coarse
‑
to
‑
Fine策略从非常小尺度的模糊图像开始，逐渐恢复到更高分辨率清晰图像的一个过程，但是这种方式缺乏不同尺度的约束。

技术实现思路

[0003]本专利技术要解决的技术问题是克服现有技术的缺陷，创造性地提出了多尺度卷积对抗循环网络的模糊图像复原系统，并将其应用于模糊二维码恢复。
[0004]在图像预处理阶段，先对二维码图像通过分块，并对每一块图像随机初始化一个卷积滤波器，最后计算出所有的卷积滤波器的均值，得到均值卷积滤波器，在对整张图像进行处理，这样使得原始图像能够一定程度上的提高质量。训练的过程，使用了Wassertain距离改进损失函数，确保了网络的稳定性，并且确保生成样本的多样性；而在网络的搭建方面，为了保证提取出的特征更加丰富，且不会因为卷积核的尺寸而对特征造成影响，从而提出了多尺度卷积残差密集块的基础模块，在通过基础模块构建的时候，又提出了尺度循环的方式，将多个多尺度卷积残差密集部件通过LSTM进行short
‑
cut 连接，为网络的循环提供可能。对于图像去模糊的一般做法中，往往都是采用Coarse
‑
to
‑
Fine策略即从非常小尺度的模糊图像开始，逐渐恢复到更高分辨率清晰图像的一个过程，但是这种方式缺乏不同尺度的约束，而通过LSTM 可以记忆前一个尺寸的图像信息，由此提出了循环参数共享的连接方式从一定程度上降低训练的复杂度并产生稳定的解；这样做减少了训练时的参数，在同样的训练数计下使用共享权重的循环利用下的效果就等同于在尺度上进行数据增强从而达到多倍数据学习的效果，其次使用循环模块，从上个尺寸上获取有效的图像信息在新的尺寸中帮助恢复。
[0005]本专利技术提供了如下的技术方案：
[0006]本专利技术提供一种基于多尺度卷积对抗循环网络的模糊二维码复原系统，包括以下步骤：
[0007]S1、首先，在图像预处理阶段，先对二维码图像通过分块，并对每一块图像随机初
始化一个卷积滤波器，最后计算出所有的卷积滤波器的均值，得到均值卷积滤波器，在对整张图像进行处理，这样使得原始图像能够一定程度上的提高质量。该算法的步骤首先就是将图像尺寸归一化到300*300的，使用Gamma反变换将其恢复到线性图像，再将图像划分为9个100*100的图像patch，分别初始化9*3*3的卷积核，对所有的模糊核利用变分贝叶斯估计法来近似后验概率的表示和求取；
[0008]p(K|P)＝∫
L
p(K,LP)dL
[0009]S2、其中模糊图像P，未知图像为L，未知的卷积核为K，并且为了避免陷入局部最优，对9*3*3的卷积核进行均值化，求得一个最终的模糊卷积核；再对模糊图像进行傅里叶变换转换到频域空间，再与模糊核进行除法运算得到去模糊后的图像；
[0010]S3、多尺度卷积对抗循环网络的输入即为模糊预处理图像，由于在深度卷积神经网络中模型并不能充分利用原始的低级特征，所以这里提出了多尺度卷积残差密集块模块概念，模糊预处理的结果作为多尺度卷积对抗循环网络的输入,Mini
‑
batch设置为16，patch设为128*128；多尺度卷积特征提取使得特征更加充分、残差学习以及特征融合；
[0011]多尺度卷积残差密集块包含三路不同的卷积核密集连接而成，分别使用 3*3、5*5、7*7的卷积核，使特征更加丰富，并且应用了残差学习结构使得计算量降低，并且一定程度上提高特征的表征能力和网络的性能；这个架构与 DenseNet相似但是在特征传输的时候，采用相加运算而不是DenseNet的拼接运算；
[0012]X1n＝X1n
‑
1+F1n(X1n
‑
1) (1)
[0013]X1n＝X1n
‑
2+F1n
‑
1(X1n
‑
2)+F1n(X1n
‑
2+F1n
‑
1(X1n
‑
2)) (2)
[0014]X1n＝X1n
‑
3+F1n
‑
2(X1n
‑
3)+F1n
‑
1(X1n
‑
3+F1n
‑
2(X1n
‑
3))+F1n(X1n
‑
3+F1n
ꢀ‑
2(X1n
‑
3)+F1n
‑
1(X1n
‑
3+F1n
‑
2(X1n
‑
3)))
ꢀꢀ
(3)
[0015]接着以多尺度卷积残差密集块为基本模块，多个多尺度卷积残差密集块组合搭建出多尺度卷积对抗循环网络的特征提取器部分，使用了Wassertain 距离改进损失函数，确保了网络的稳定性，并且确保生成样本的多样性；
[0016]多尺度卷积对抗循环网络在搭建的时候，提出了尺度循环的方式，多个多尺度卷积残差密集部件通过LSTM进行short
‑
cut连接；对于图像去模糊的一般做法中，往往都是采用Coarse
‑
to
‑
Fine策略即从非常小尺度的模糊图像开始，逐渐恢复到更高分辨率清晰图像的一个过程，但是这种方式缺乏不同尺度的约束；由此提出了循环参数共享的连接方式从一定程度上降低训练的复杂度并产生稳定的解；这样做减少了训练时的参数，在同样的训练数计下使用共享权重的循环利用下的效果就等同于在尺度上进行数据增强从而达到多倍数据学习的效果，其次使用循环模块，从上个尺寸上获取有效的图像信息在新的尺寸中帮助恢复；
[0017]生成器网络的优化目标就是提高判别器网络的错误率，生成器的感知损失函数为：
[0018][0019]判别器损失函数为：
[0020][0021]S4、对生成器进行预训练，用L1loss训练模型，学习率初始化为2*10^
‑
4，每2*10^4个mini_batch更新学习率减半，然后使用感知损失训练生成器，设置λ＝5*10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度卷积对抗循环网络的模糊二维码复原系统，其特征在于，包括以下步骤：S1、预处理，先对二维码图像通过分块，并对每一块图像随机初始化一个卷积滤波器，最后计算出所有的卷积滤波器的均值，得到均值卷积滤波器，在对整张图像进行处理，这样使得原始图像能够一定程度上的提高质量。这样一来多尺度卷积对抗循环网络的输入便是模糊预处理后的图像，一定程度上为后续的生成网络的训练减少学习难度；该算法的步骤首先就是将图像尺寸归一化到300*300的，使用Gamma反变换将其恢复到线性图像，再将图像划分为9个100*100的图像patch，分别初始化9*3*3的卷积核，对所有的模糊核利用变分贝叶斯估计法来近似后验概率的表示和求取；p(K|P)＝∫
L
p(K，L|P)dLS2、其中模糊图像P，未知图像为L，未知的卷积核为K，并且为了避免陷入局部最优，对9*3*3的卷积核进行均值化，求得一个最终的模糊卷积核；再对模糊图像进行傅里叶变换转换到频域空间，再与模糊核进行除法运算得到去模糊后的图像；S3、多尺度卷积对抗循环网络的输入即为模糊预处理图像，由于在深度卷积神经网络中模型并不能充分利用原始的低级特征，所以这里提出了多尺度卷积残差密集块模块概念，模糊预处理的结果作为多尺度卷积对抗循环网络的输入，Mini
‑
batch设置为16，patch设为128*128；多尺度卷积特征提取使得特征更加充分、残差学习以及特征融合；多尺度卷积残差密集块包含三路不同的卷积核密集连接而成，分别使用3*3、5*5、7*7的卷积核，使特征更加丰富，并且应用了残差学习结构使得计算量降低，并且一定程度上提高特征的表征能力和网络的性能；这个架构与DenseNet相似但是在特征传输的时候，采用相加运算而不是DenseNet的拼接运算；X1n＝X1n
‑
1+F1n(X1n
‑
1) (1)X1n＝X1n
‑
2+F1n
‑
1(X1n
‑
2)+F1n(X1n
‑
2+F1n
‑
1(X1n
‑
2)) (2)X1n＝X1n
‑
3+F1n
...

【专利技术属性】
技术研发人员：周松，方徐伟，张校，张帅，徐小龙，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：