[发明专利]基于可伸缩卷积神经网络的JPEG编码压缩图像复原的方法

权利要求书

1.一种基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，包括：

步骤1，采用固定的图像质量因子对高清图像进行JPEG压缩编码得到失真图像，并采用相同随机步长将高清图像和失真图像分割成若干组图像块，构成训练集；

步骤2，构建可伸缩卷积神经网络模型，所述可伸缩卷积神经网络模型包括图像特征编码单元、包括依次连接的n个非线性特征映射单元的映射组以及图像特征解码单元，其中，所述图像特征编码单元编码接收的彩色图像的特征，输出图像特征编码至映射组，所述映射组选择利用相邻的m个非线性特征映射单元对接收的图像特征编码进行m次映射处理，输出映射后的图像特征编码至图像特征解码单元，所述图像特征解码单元解码接收的图像特征编码，并输出解码的彩色图像，其中，m≤n，n＝1,2,3，…，N，N为自然数；

所述非线性特征映射单元包括依次连接的卷积层CONV_M1、激活层RELU_M1、卷积层CONV_M2、放大层AMP_M1，还包括对放大层AMP_M1的输出和卷积层CONV_M1的输入进行融合的融合层CONCAT_M1；

步骤3，基于可伸缩卷积神经网络模型构建贪心损失框架，所述贪心损失框架为：在可伸缩卷积神经网络模型的基础上，在每个非线性特征映射单元后接一个图像特征解码单元，并在每个图像特征解码单元后均连接一个损失计算单元；

步骤4，利用训练集对构建的贪心损失框架进行训练，当训练结束后，确定网络权重参数；

步骤5，应用时，待复原的压缩图像输入至训练好的可伸缩卷积神经网络模型中，该待复原的压缩图像依次经过图像特征编码单元、根据系统运算能力选择的m个非线性特征映射单元以及图像特征解码单元处理，输出复原图像。

2.如权利要求1所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，分割时，允许相邻的图像块之间有不超过50％的重合率。

3.如权利要求1或2所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，分割的图像块尺寸为48×48像素，分割时应确保图像块的左上角点在原高清图像和失真图像中的横纵坐标均不是8的整数倍。

4.如权利要求1所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，所述图像特征编码单元包括依次连接的卷积层CONV_E1、激活层RELU_E1、卷积层CONV_E2以及激活层RELU_E2。

5.如权利要求4所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，所述图像特征解码单元包括依次连接的卷积层CONV_D1，激活层RELU_D1，卷积层CONV_D2，激活层RELU_D2。

6.如权利要求1所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，所述映射组包括依次连接的8个非线性特征映射单元。

7.如权利要求5所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，所有卷积层的卷积和尺寸和卷积方式相同：卷积核大小为3×3，卷积核个数为256，滑动步长为1，边缘填充为1；

所有激活层的激活函数均为ReLU函数：

所有放大层的放大系数λ均为0.1。

8.如权利要求5所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，在训练贪心损失框架前，设置可伸缩卷积神经网络模型的学习优化方法采用Adam优化器，初始学习率设置为0.0001，每经过20000次迭代学习率衰减直至学习率小于2×10^-6则不再衰减，最大迭代次数设置为2×10⁵。

9.如权利要求7所述的基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，其特征在于，训练过程中，失真图像依次经过图像特征编码单元、映射组和图像特征解码单元处理后，计算每个损失计算单元的损失，并对每个损失进行加权叠加得到最终损失，然后利用最终损失反响传播更新网络权重参数。