【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种基于层次化结构建模的低质图像矫正方法。
技术介绍
1、在当今数字通信和信息存储领域，图像压缩是一项至关重要的技术，用于降低数据传输和存储成本。其中，jpeg编码是一种广泛应用的压缩标准，然而，为适应有限的带宽和存储资源，低质量压缩往往不可避免地导致图像的颜色失真和像素化等质量问题。这些失真在需要高质量图像的应用场景中，如在医学影像学领域，低质量的医学影像可能会影响诊断结果；在计算机视觉应用中，低质量图像会影响目标的检测和图像的分析。因此，亟需一种低质图像的矫正方法，实现对低质量压缩图像的失真矫正，使用户在受限的通信网络和存储环境下，实现对图像质量的有效提升，为后续的数据分析、诊断和视觉任务提供更可靠的基础。
技术实现思路
1、为了解决上述由于低质量图像压缩产生的图像颜色失真和像素化现象，本专利技术提出了一种基于层次化结构建模的低质图像矫正方法。通过全局层次、区域层次和局部层次进行低质图像特征表示学习，生成高质量的图像。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术提供了一种基于层次化结构建模的低质图像矫正方法，包括以下步骤：
4、s1、数据集构建：收集低质图像构建数据集，低质图像包括颜色失真图像、像素化图像；
5、s2、特征提取：将数据集中的一张低质图像通过特征提取器提取低质图像特征；
6、s3、层次化结构建模：将步骤s2提取的低质图像特征表示输入层次化结构建模模块
7、s4、图像矫正：将s3得到的增强后的特征输入图像矫正模块进行矫正生成矫正后的高质量图像。
8、作为本专利技术的进一步技术方案，步骤s2所述特征提取器采用resnet网络模型，提取的低质图像特征为，其中d、h、w分别为特征的维度、高、宽。
9、作为本专利技术的进一步技术方案，步骤s3所述层次化结构化建模模块为u型对称结构，由6个串行的注意力策略层组成，其中第一个注意力策略层与第六个注意力策略层对称，第二个注意力策略层与第五个注意力策略层对称，第三个注意力策略层与第四个注意力策略层对称，对于第一、二、三个注意力策略层，第一个注意力策略层以步骤s2提取的低质图像特征作为输入，其输出作为下一个注意力策略层的输入，以此类推；对于第四、五、六个注意力策略层，将上一个注意力策略层的输出与对称的注意力策略层的输出在维度通道拼接，再通过一个卷积层进行降维，卷积层的输出维度与上一个注意力策略层的输出维度相同，作为当前注意力策略层的输入，第六个注意力策略层的输出为增强后的特征。
10、作为本专利技术的进一步技术方案，所述注意力策略层均通过并行的自注意力分支和通道注意力分支增强特征，注意力策略层的输入是，当注意力策略层是第一个注意力策略层时，。
11、作为本专利技术的进一步技术方案，注意力策略层自注意力分支增强特征的过程为：
12、先将输入在维度通道进行划分，即；
13、对于，对其进行重塑为，其中，对其进行锚点非线性映射为：
14、，
15、，
16、，
17、，
18、其中，是权重矩阵，通过线性变换将输入投影到线性空间得到的；s是一个超参数，使得，进而降低自注意力分支的计算复杂度，通过锚点非线性映射方法建模全局依赖关系；
19、对于，同样将其进行重塑为，其中，对其进行窗口非线性映射为：
20、，
21、，
22、其中是权重矩阵，通过线性变换将输入投影到线性空间得到的，通过非线性变换，实现区域范围内的结构性建模；
23、将和沿通道维度连接起来得到自注意力分支输出，并将其重塑为。
24、作为本专利技术的进一步技术方案，注意力策略层通道注意力分支增强特征的过程为：
25、先将输入经过两个卷积核大小为的卷积层增强特征，得到特征；
26、再将特征重塑为；
27、然后进行通道非线性映射，具体为：对输入矩阵进行全局平均池化，得到一个长度为的向量g：，使用全连接层将 g映射为权重向量w:，其中是权重矩阵，函数用于确保权重在 [0,1]范围内，再将权重向量w与输入矩阵相乘，得到加权后的输出矩阵，其中表示逐元素相乘，通道注意力分支的输出重塑后为。
28、作为本专利技术的进一步技术方案，所述注意力策略层的输出特征为，其中mlp是一个全连接层，。
29、作为本专利技术的进一步技术方案，步骤s4所述图像矫正模块包括3个卷积核大小为卷积层。
30、与现有技术相比，本专利技术通过深入学习图像的复杂特征和结构，能够高效而精确地还原图像，使其达到接近或甚至超过原始高质量图像的视觉表现，不仅在缓解颜色失真和像素化方面取得了显著的成果，而且在图像信息还原度和细节保留方面也取得了显著的提升，具体具有以下有益效果：
31、1、传统的图像复原方法通常依赖于隐式特征重建过程，本专利技术明确地对全局、区域和局部范围的图像层次结构进行建模，从而更好地处理了低质图像矫正问题。
32、2、基于低质图像的跨尺度相似性和各向异性图像特征，本专利技术在计算复杂性和全局范围依赖建模能力之间取得了良好的平衡。
33、3、本专利技术基于结构化建模技术，能够更好地适应各类图像复原任务，从而提高了泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于层次化结构建模的低质图像矫正方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于层次化结构建模的低质图像矫正方法，其特征在于，步骤S2所述特征提取器采用ResNet网络模型，提取的低质图像特征为，其中D、H、W分别为特征的维度、高、宽。
3.根据权利要求2所述基于层次化结构建模的低质图像矫正方法，其特征在于，步骤S3所述层次化结构化建模模块为U型对称结构，由6个串行的注意力策略层组成，其中第一个注意力策略层与第六个注意力策略层对称，第二个注意力策略层与第五个注意力策略层对称，第三个注意力策略层与第四个注意力策略层对称，对于第一、二、三个注意力策略层，第一个注意力策略层以步骤S2提取的低质图像特征作为输入，其输出作为下一个注意力策略层的输入，以此类推；对于第四、五、六个注意力策略层，将上一个注意力策略层的输出与对称的注意力策略层的输出在维度通道拼接，再通过一个卷积层进行降维，卷积层的输出维度与上一个注意力策略层的输出维度相同，作为当前注意力策略层的输入，第六个注意力策略层的输出为增强后的特征。
4.根据权利要求3所述基于层次化
5.根据权利要求4所述基于层次化结构建模的低质图像矫正方法，其特征在于，注意力策略层自注意力分支增强特征的过程为：
6.根据权利要求5所述基于层次化结构建模的低质图像矫正方法，其特征在于，注意力策略层通道注意力分支增强特征的过程为：
7.根据权利要求6所述基于层次化结构建模的低质图像矫正方法，其特征在于，所述注意力策略层的输出特征为，其中MLP是一个全连接层，。
8.根据权利要求7所述基于层次化结构建模的低质图像矫正方法，其特征在于，步骤S4所述图像矫正模块包括3个卷积核大小为卷积层。
...【技术特征摘要】
1.一种基于层次化结构建模的低质图像矫正方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于层次化结构建模的低质图像矫正方法，其特征在于，步骤s2所述特征提取器采用resnet网络模型，提取的低质图像特征为，其中d、h、w分别为特征的维度、高、宽。
3.根据权利要求2所述基于层次化结构建模的低质图像矫正方法，其特征在于，步骤s3所述层次化结构化建模模块为u型对称结构，由6个串行的注意力策略层组成，其中第一个注意力策略层与第六个注意力策略层对称，第二个注意力策略层与第五个注意力策略层对称，第三个注意力策略层与第四个注意力策略层对称，对于第一、二、三个注意力策略层，第一个注意力策略层以步骤s2提取的低质图像特征作为输入，其输出作为下一个注意力策略层的输入，以此类推；对于第四、五、六个注意力策略层，将上一个注意力策略层的输出与对称的注意力策略层的输出在维度通道拼接，再通过一个卷积层进行降维，卷积层的输出维度与上一个...
【专利技术属性】
技术研发人员：刘寒松，王永，王国强，刘瑞，李越，
申请(专利权)人：松立控股集团股份有限公司，
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。