本申请公开了一种基于深度学习的失真图像重建方法及相关装置，方法包括：根据高清图像集构建失真图像重建训练集，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，初始DFISTA网络模型根据FISTA算法和深度神经网络构建；通过预设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。模型通过梯度迭代方式训练，不仅可以确保模型的准确可靠性，还能加快模型的收敛速度。因此，本申请能解决现有技术要么过于复杂，要么缺乏准确性，导致实际的失真图像处理效果较差的技术问题。失真图像处理效果较差的技术问题。失真图像处理效果较差的技术问题。
【技术实现步骤摘要】
一种基于深度学习的失真图像重建方法及相关装置
[0001]本申请涉及图像处理
，尤其涉及一种基于深度学习的失真图像重建方法及相关装置。
技术介绍
[0002]网络发展的趋势是从虚拟到与现实结合，所以视频通话越来越成为人们日常工作与生活最常用到的通信手段之一。通过视频通话，可以更真实的进行交流和表达，也增强了沟通的亲切感。但是视频通话由于网络原因或通话设备卡顿就会出现视频失真问题，影响视频通话的体验。而视频是由多个有渐变规律的图像组成的，当图像每秒变化的次数超过25张后，人眼就不能辨别出每张图像，看到的就是视频；所以，视频失真的本质是图像失真。现有失真图像的处理技术要么过于复杂，会造成较大的计算量；要么就无法确保重建的准确率，导致实际的处理效果较差。
技术实现思路
[0003]本申请提供了一种基于深度学习的失真图像重建方法及相关装置，用于解决现有技术要么过于复杂，要么缺乏准确性，导致实际的失真图像处理效果较差的技术问题。
[0004]有鉴于此，本申请第一方面提供了一种基于深度学习的失真图像重建方法，包括：
[0005]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；
[0006]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；
[0007]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。
[0008]优选地，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：
[0009]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；
[0010]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。
[0011]优选地，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：
[0012]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；
[0013]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。
[0014]优选地，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：
[0015]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；
[0016]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；
[0017]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。
[0018]本申请第二方面提供了一种基于深度学习的失真图像重建装置，包括：
[0019]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；
[0020]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；
[0021]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。
[0022]优选地，所述数据构建单元，具体用于：
[0023]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；
[0024]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。
[0025]优选地，还包括：
[0026]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；
[0027]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。
[0028]优选地，所述模型训练单元，具体用于：
[0029]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；
[0030]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；
[0031]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。
[0032]本申请第三方面提供了一种基于深度学习的失真图像重建设备，所述设备包括处理器以及存储器；
[0033]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0034]所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于深度学习的失真图像重建方法。
[0035]本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于深度学习的失真图像重建方
法。
[0036]从以上技术方案可以看出，本申请实施例具有以下优点：
[0037]本申请中，提供了一种基于深度学习的失真图像重建方法，包括：根据高清图像集构建失真图像重建训练集，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，初始DFISTA网络模型根据FISTA算法和深度神经网络构建；通过预设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。
[0038]本申请提供的基于深度学习的失真图像重建方法，基于FISTA算法和深度神经网络构建预设DFISTA网络模型进行端到端的失真图像重建，能够简化算法方案，提高重建效率；而且FISTA算法可以借助神经网络的非线性计算方式提升计算速度；而将FISTA算法以神经网络层的方式展开，实现梯度迭代运行，不仅可以确保模型的准确可靠性，还能加快模型的收敛速度。因此，本申请能够解决现有技术要么过于复杂，要么缺乏准确性，导致实际的失真图像处理效果较差的技术问题。
附图说明
[0039]图1为本申请实施例提供的一种基于深度学习的失真图像重建方法的流程示意图；
[0040]图2为本申请实施例提供的一种基于深度学习的失真图像重建装置的结构示意图；
[0041]图3为本申请实施例提供的预设DFISTA网络模型的结构示意图。
具体实施方式
[0042]为了使本文档来自技高网...
【技术保护点】
【技术特征摘要】
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，...
【专利技术属性】
技术研发人员：许文华，朱学坤，徐秋，
申请(专利权)人：天翼数字生活科技有限公司，
类型：发明
国别省市：
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。