[发明专利]基于数据降维和CNNs的彩色图像逆半调处理方法

权利要求书

1.一种基于数据降维和CNNs的彩色图像逆半调处理方法，其特征在于包括如下步骤：

(1)获取训练标签集V_l、训练样本集V、测试标签集T_l和测试样本集T：

从数据库中选取M_num幅彩色图像，M_num≥500，并将其中半数以上的彩色图像以矩阵的形式存储，作为训练标签集V_l，将对f_col进行半调处理获得的彩色半调图像以矩阵的形式存储，作为训练样本集V，将M_num幅彩色图像中半数以下的彩色图像作为测试标签集T_l，将对半数以下的彩色图像进行半调处理获得的彩色半调图像作为测试样本集T；

(2)对训练样本集V和训练标签集V_l进行高维数据降维：

采用主成份分析方法对训练样本集V和训练标签集V_l分别进行初次降维，再采用线性判别分析方法分别对两个初次降维结果进行降维，得到降维后的训练样本集V'和降维后的训练标签集V′_l；

(3)构建卷积神经网络CNNs：

构建包含输入层、M个隐含层和输出层依次层叠的卷积神经网络CNNs，4≤M≤8，M个隐含层包括依次层叠的卷积层C_i、B′_t个网络层B'和卷积层C_O，其中，网络层B'由依次层叠的卷积层C_h、批量标准化BN_h和线性整流函数R_h构成，1≤B′_t≤M-2；

(4)对卷积神经网络CNNs进行初始化：

设置卷积神经网络CNNs的权重矩阵为W^l，偏置为b^l，训练迭代次数为M'，峰值信噪比目标值为Acc，并将W^l和b^l初始化为0～1之间的随机数，其中M'＝1,2,3...M_max，M_max为最大迭代次数；

(5)对卷积神经网络CNNs进行训练：

(5a)将降维后的训练样本集V'和训练标签集V′_l输入到卷积神经网络CNNs中，实现对CNNs的权重矩阵W^l和偏置b^l的更新，得到CNNs的前向输出Y_train-pre，Y_train-pre中的像素点s的值为y_s，并通过y_s和V′_l计算损失函数MSE；

(5b)采用反向传播算法，通过Y_train-pre和MSE对CNNs进行微调,实现对CNNs的权重矩阵W^l和偏置b^l的更新，得到CNNs的反向输出Y_train-bac；

(5c)采用Dense-Sparse-DenseTraining算法，通过Y_train-pre和Y_train-bac对CNNs进行微调,实现对CNNs的权重矩阵W^l和偏置b^l的更新，得到微调后的CNNs；

(5d)令M'＝M'+1，并重复步骤(5b)至(5d)，直到M'＝M_max停止迭代，得到训练好的卷积神经网络CNNs；

(6)对训练好的卷积神经网络CNNs进行测试：

将从测试样本集T中选取的m个彩色半调图像组合成集合p，m≥50，并将p中的彩色半调图像逐个输入到训练好的卷积神经网络CNNs中，得到m个彩色逆半调图像g，g中的像素点s的R,G,B三通道的平均值是f′_s；

(7)对训练好的卷积神经网络CNNs进行优化：

将从测试标签集T_l中选取的m个与集合p中彩色半调图像对应的彩色图像，组合成集合p'，p'中彩色图像g'中的像素点s的R,G,B三通道的平均值是f″_s，通过m、f′_s和f″_s计算训练好的卷积神经网络CNNs的峰值信噪比平均值Acc_pre，并判断Acc_pre>Acc是否成立，若是，执行步骤(8)，否则，增大M_max的值，并执行步骤(5)；

(8)对待处理的彩色半调图像进行逆半调处理：

将待处理的彩色半调图像输入到训练好的卷积神经网络CNNs中，得到彩色半调图像的彩色逆半调图像。