基于深度神经网络的棋盘格状图像恢复方法技术

本发明专利技术提出了一种基于深度神经网络的棋盘格状图像恢复方法。首先，对数据集中的原始图像进行棋盘格状像素划分预处理，形成训练样本。之后，将其在所提出的一种深层神经网络中进行训练，来补齐棋盘格状图像生成恢复图像。训练结束后，只需将棋盘格状图像输入预训练好的模型，即可自动恢复高清图像。本发明专利技术剔除的深层神经网络主要采取卷积块串联策略，并结合了残差连接和密集连接两种方式获取高维图像特征，用来丰富补齐图像所需要的纹理信息。采用本发明专利技术，不仅可以实现棋盘格状图像的预测恢复，也可将其运用在可逆信息隐藏技术领域以提高嵌入效率。高嵌入效率。高嵌入效率。

【技术实现步骤摘要】
基于深度神经网络的棋盘格状图像恢复方法


[0001]本专利技术属于深度学习和计算机视觉领域，具体涉及一种基于深度学习网络的棋盘格状图像恢复方法，利用深度学习网络在大量数据集中进行训练，用学习到的特征来恢复高品质图像。

技术介绍

[0002]随着人工智能技术的迅速发展，越来越多的相关应用已经融入到人们的日常生活之中，例如人脸识别、自然语言处理、自动驾驶等，可以说人工智能技术引领了世界变革的前沿。深度学习作为一类新的多用途人工智能算法，通过对大量数据的观察来学习如何解决复杂任务，并在许多科学分支中带来了突破性进展。深度学习的基础是深度神经网络，它能够通过多层人工神经元胞发现高维数据中的复杂结构。利用深度学习技术解决多媒体领域问题特别是针对计算机视觉领域已成为非常重要的研究热点。虽然深度学习已广泛应用于计算机视觉及图像处理领域，但仍有许多研究课题亟需探索。
[0003]棋盘格状图像是将图像根据其坐标之和的奇偶属性将图像的像素分为两个种类，类似国际象棋棋盘中的黑白格。之后，利用所有白色区域像素预测黑色区域像素，来实现图像的恢复。棋盘格状像素预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的棋盘格状图像恢复方法，其特征在于，步骤如下：S1：将灰度图像数据集中的每张原始灰度图像进行棋盘格状划分，形成黑色像素和白色像素两类；将黑色像素全部置为0，白色像素保持不变，从而将灰度图像转换为棋盘格状图像，由单张灰度图像和对应的棋盘格状图像构成一个训练样本；S2：利用所述训练样本构成的数据集，通过像素级别损失函数对深度神经网络进行训练，得到棋盘格状图像恢复模型；所述深度神经网络以棋盘格状图像为输入，以原始灰度图像为输出，网络中包含第一卷积层、第二卷积层、多个卷积模块、第四卷积层、第五卷积层和第六卷积层，且前后两个卷积模块之间通过密集网络连接；所述卷积模块中，前部分为级联有多个由卷积层加ReLU激活函数组成的单元结构，且每个单元结构之间带有残差连接和密集网络连接，后部分连接一个卷积层，卷积层的输出与卷积模块的原始输入进行元素位相加后作为卷积模块的最终输出；深度神经网络的输入图像首先通过第一卷积层和第二卷积层进行两次卷积特征提取，提取的特征图依次通过多个卷积模块进一步提取特征，然后将深度特征经过第四卷积层和第五卷积层后输出深层特征，深层特征通过残差连接的形式与先前得到的各浅层特征进行特征融合，融合特征最后输入卷积核为1
×
1的第六卷积层后得到深度神经网络最终输出的原始灰度图像；S3、将待恢复的棋盘格状图像输入棋盘格状图像恢复模型中，得到对应的原始灰度图像。2.根据权利要求1所述的基于深度神经网络的棋盘格状图像恢复方法，其特征在于，所述S1中，对原始灰度图像I进行棋盘格状划分的具体做法为：其中，(i,j)为像素的横纵坐标，...

【专利技术属性】
技术研发人员：王旭，张靖群，刘瑞娟，张真诚，袁文强，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：