[发明专利]一种基于先验滤波的轻量化回归网络构建方法

权利要求书

1.一种基于先验滤波的轻量化回归网络构建方法，其特征是：首先针对原始图像集中的各原始图像进行指定退化操作，获取对应退化图像，将原始图像和对应退化图像切成图像块，获取训练样本对；在训练样本对中进行聚类，依据聚类结果将训练样本对划分为不同类别；针对每一类别样本对，计算获得该类样本的先验滤波器，并将先验滤波器进行三值量化；利用三值量化后的先验滤波器构建轻量化回归网络，所述轻量化回归网络包含多级滤波层、激活函数层，以及一个卷积输出层；通过训练所述轻量化回归网络，输入的退化图像能够端到端地重建出更高质量的图像；所述基于先验滤波的轻量化回归网络构建方法按如下步骤进行：

步骤101：获取训练样本集

针对原始图像集中的原始图像X进行指定退化操作，获得式(1)所表征的退化图像Y：

Y＝DX+n_d (1)

式(1)中：D表示指定的图像退化操作，n_d为退化过程中产生的噪声；

对原始图像集中的各原始图像分别获得对应的退化图像，分切各退化图像获得3×3大小的退化图像块，将各退化图像块表示为9维的退化图像块向量y_k，k＝1，2，…，M，M为退化图像块总量，提取各退化图像块所对应的原始图像块中心像素值x_k，将退化图像块与对应的原始图像块中心像素值x_k组成一对训练样本对共计获得M对训练样本，构成训练样本集；

步骤102：训练样本集分类

使用K均值聚类算法对M个退化图像向量y_k进行聚类，获取N个聚类中心h_c，N为聚类的数量，c＝1，2，…，N；将各退化图像块向量y_k归类为其中一类，如式(2)所表征：

其中：max{·}表示取集合中的最大值，H_c表示第c类图像块类别，×表示向量外积；

在完成所有的训练样本集分类后，获得总计N类的训练样本，将第c类训练样本记为：N_c为第c类的样本对总数，{u_i，v_i}为第c类中第i个训练样本对，并有：

步骤103：在训练样本集上计算先验滤波器：

按如下方式计算第c类训练样本的先验滤波器F_c：

通过求解式(3)得到式(4)所示的第c类训练样本的滤波器向量f_c：

其中：上标T表示转置，运算符·为普通矩阵乘积，上标-1表示矩阵求逆；

滤波器向量f_c为9维向量，f_c＝(a₁，a₂，…，a₉)^T，将滤波器向量f_c中的每一个元素按式(5)进行三值量化：

式(5)中：

a_j和a_p均为滤波器向量的元素，j＝1，2，…，9，t为设定的用于量化的局部差异值；

在完成每个元素的三值量化后，滤波器向量f_c转化为三值滤波器向量；将三值滤波器向量重塑为3×3形式，即为第c类训练样本的先验滤波器F_c；

对所有N类的训练样本按照获得先验滤波器F_c的相同的方式，总计获得N个先验滤波器；

步骤104：使用先验滤波器构建回归网络的每一层，从而构建轻量化回归网络：

第一层，先验滤波层，使用先验滤波器F_c对输入图像Y_IN按式(6)进行滤波操作：

式(6)中：为第一层偏置参数，为第一层权重参数，运算符*为卷积操作，c＝1，2，…，N；获得如式(7)所表征的第一层输出O⁽¹⁾：

所述输入图像Y_IN为退化图像；

第二层，先验滤波层，使用先验滤波器F_c对第一层输出O⁽¹⁾按式(8)进行滤波操作：

式(8)中：为第二层偏置参数，为第二层权重参数，c_q＝1，2，…，N²；获得由式(9)所表征的第二层输出O⁽²⁾：

第三层，激励函数层，使用ReLU单元作为非线性化的激励函数，获得由式(10)所表征的第三层输出O⁽³⁾：

第四层，卷积输出层，所述卷积输出层是指卷积神经网络中的卷积层，由式(11)获得第四层输出Y_OUT：

其中：w_c代表3×3大小的卷积核，b⁽⁴⁾为第四层偏置参数。

2.根据权利要求1所述的基于先验滤波的轻量化回归网络构建方法，其特征是：针对所构建的轻量化回归网络，使用原始图像集的原始图像X作为标定真实值，使用退化图像Y作为网络输入，将网络输出Y_OUT与标定真实值X之间的均方根误差作为损失，使用随机梯度下降或批量梯度下降的方法进行网络训练，完成所述轻量化回归网络的训练后，输入的退化图像能够端到端地重建出更高质量的图像。