一种基于自编码神经网络的图像重建方法及系统技术方案

本发明专利技术涉及数据处理技术领域，具体涉及一种基于自编码神经网络的图像重建方法及系统

【技术实现步骤摘要】
一种基于自编码神经网络的图像重建方法及系统


[0001]本专利技术涉及数据处理
，具体涉及一种基于自编码神经网络的图像重建方法及系统
。

技术介绍

[0002]在图像异常检测中，自动编码器是一种常用的方法，它可以重建可能包含异常的输入图像，并输出一个没有异常的干净图像
。
这些基于自动编码器的方法通常根据重建误差
、
输入图像与重建图像的差值来计算异常分数
。
另一方面，许多方法重建的精度不够，导致异常检测的精度下降
。
其中一个重要的原因是自然图像包含许多低频成分，而高频成分很少，而通常使用的均方差损失不会考虑这种高低频成分存在的极度不平衡问题，进而导致重构的图像存在失真现象，同时清晰度较差
。

技术实现思路

[0003]为了解决上述问题，本专利技术提出一种基于自编码神经网络的图像重建方法及系统，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于自编码神经网络的图像重建方法，其具体方法如下：将待建图像输入自编码卷积神经网络，得到第一重构图像；所述自编码卷积神经网络采用联合损失函数；所述联合损失函数的获取方法包括：获取初始图像，将所述初始图像输入自编码卷积神经网络，输出重构图像；对所述初始图像
、
所述重构图像分别进行频域变换，得到初始频域图像
、
重构频域图像；根据所述初始频域图像
、
所述重构频域图像在复平面上的差异得到频域误差损失；根据所述初始频域图像
、
所述重构频域图像中的频谱值进行数学变换调整其值域，并进行值域相反映射获取频谱权重；根据所述初始频域图像
、
所述重构频域图像获取相位，得到相位差损失；基于所述频域误差损失
、
所述相位差损失
、
所述频谱权重获取加权频域损失；根据所述初始图像
、
所述重构图像构建加权空间频率损失
、
空域损失；以所述加权频域损失
、
所述加权空间频率损失
、
所述空域损失作为所述联合损失函数
。
[0004]根据所述初始频域图像
、
所述重构频域图像在复平面上的差异得到频域误差损失的方法，包括：；
；表示所述初始频域图像
、
所述重构频域图像在复平面上的差异，是复数的实部，是复数的虚部，表示所述初始频域图像的长
、
宽，分别表示即表示频域图中坐标处的模的缩放值，为映射系数，表示频域图坐标处的频谱值，表示所述初始频域图像坐标处的像素值，表示所述重构频域图像坐标处的像素值
。
[0005]所述根据所述初始频域图像
、
所述重构频域图像中的频谱值进行数学变换调整其值域，并进行值域相反映射获取频谱权重的方法为：；；其中表示频域图中坐标处经过
log
变换后的频谱值；为对数变换，是复数的实部，是复数的虚部；表示频域图坐标处的频谱值；表示频域图处的频谱权重；分别表示
log
变换后的频域图的最大频谱值
、
最小频谱值
。
[0006]所述相位差损失获取方法为：；；其中为相位差损失，表初始频域图像坐标处的相位；为表示圆周率所对应的角度值；是复数的实部，是复数的虚部；表示频域图坐标处的频谱值；表示重构频域图像坐标处的相位
。
[0007]所述加权频域损失的获取方法为：；表示所述初始频域图像的长
、
宽，分别表示初始频域图像
、
重构频域图像中坐标处的模的缩放值，表示频域图处的频谱权重；表示初始频域图像坐标处的相位；为表示圆周率所对应的角度值；表示重构频域图像坐标处的相位；为所述加权频域损失
。
[0008]所述加权空间频率损失的方法为：
对于所述重构图像，分别对每一个通道图像进行三个尺度的
LOG
算子滤波，最终获取每个通道三个尺度的二值图像；获取加权空间频率损失：；
K
为重建图像的通道数量，表示第
l
尺度下的空间频率损失权重，表示第
k
个通道标签图像经过第
l
尺度
LOG
算子滤波后的图像；表示第
k
个通道网络重建图像经过第
l
尺度
LOG
算子滤波后的图像；
MSE
表示均方差损失函数
。
[0009]所述空间频率损失权重通过下述方法获取：然后获取每一个尺度下的空间频率损失权重：；
i
表示第
i
个尺度的
LOG
算子，
n
表示
Log
算子的尺度个数，表示第
i
个
LOG
算子的高斯标准差；表示第
i
个尺度的空间频率损失权重
。
[0010]所述空域损失函数采用结构相似度损失函数
。
[0011]第二方面，本专利技术另一个实施例提供了一种基于自编码神经网络的图像重建系统，包括存储器
、
处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述方法的步骤
。
[0012]本专利技术与现有技术相比，其有益效果为：
1、
本专利技术通过将图像转换为频谱图，并提出了一种加权频谱损失，使得自编码神经网络更加关注高频成分的重构精度，因此可以重构出清晰的图像，这使得精细纹理异常和边缘异常的检测更加容易，从而提高了异常检测的准确性
。
[0013]2、
本专利技术通过加权空间频率损失函数，可以让网络更有效的学习图像中主体的轮廓与细节信息
。
[0014]3、
本专利技术加权频谱损失采用
L1
距离，
L1
距离不会高估像离群值这样的大值，采用这种方法，在学习过程中可以不更多地考虑图像中经常包含的低频成分
。
[0015]4、
本专利技术结合相位损失来度量频谱图之间复平面的距离差异，可以避免距离一样或接近，但频谱复数的实部
、
虚部相差很大的情况
。
附图说明
[0016]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0017]图1为本专利技术的一种基于自编码神经网络的图像重建方法实施例的方法流程图
。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于自编码神经网络的图像重建方法，其特征在于，该方法包括以下步骤：将待建图像输入自编码卷积神经网络，得到第一重构图像；所述自编码卷积神经网络采用联合损失函数；所述联合损失函数的获取方法包括：获取初始图像，将所述初始图像输入自编码卷积神经网络，输出重构图像；对所述初始图像
、
所述重构图像分别进行频域变换，得到初始频域图像
、
重构频域图像；根据所述初始频域图像
、
所述重构频域图像在复平面上的差异得到频域误差损失；根据所述初始频域图像
、
所述重构频域图像中的频谱值进行数学变换调整其值域，并进行值域相反映射获取频谱权重；根据所述初始频域图像
、
所述重构频域图像获取相位，得到相位差损失；基于所述频域误差损失
、
所述相位差损失
、
所述频谱权重获取加权频域损失；根据所述初始图像
、
所述重构图像构建加权空间频率损失
、
空域损失；以所述加权频域损失
、
所述加权空间频率损失
、
所述空域损失作为所述联合损失函数
。2.
如权利要求1所述的一种基于自编码神经网络的图像重建方法，其特征在于，根据所述初始频域图像
、
所述重构频域图像在复平面上的差异得到频域误差损失的方法，包括：；；表示所述初始频域图像
、
所述重构频域图像在复平面上的差异，是复数的实部，是复数的虚部，表示所述初始频域图像的长
、
宽，分别表示即表示频域图中坐标处的模的缩放值，为映射系数，表示频域图坐标处的频谱值，表示所述初始频域图像坐标处的像素值，表示所述重构频域图像坐标处的像素值
。3.
如权利要求1所述的一种基于自编码神经网络的图像重建方法，其特征在于，所述根据所述初始频域图像
、
所述重构频域图像中的频谱值进行数学变换调整其值域，并进行值域相反映射获取频谱权重的方法为：；；其中表示频域图中坐标处经过
log
变换后的频谱值；为对数变换，是复数的实部，是复数的虚部；表示频域图坐标处的频谱值；表示频域图处的频谱权重；分别表示
log
变换后的频域图的最大频谱值
、
最小
频谱值
。4.
如权利要求1所述的一种基于自编码神经网络的图像重建方法...

【专利技术属性】
技术研发人员：韩剑，
申请(专利权)人：南通度陌信息科技有限公司，
类型：发明
国别省市：