[发明专利]一种基于统计推理的图像修复方法

权利要求书

1.一种基于统计推理的图像修复方法，其特征在于：包括以下步骤：

S1：通过机器学习算法将基本的统计推理应用于信号重建，包括以下步骤：

S11：准备一组数据被破坏的目标数据值(y₁,y₂,…)，根据一些损失函数L找到与测量值具有最小平均偏差的数字z，来估计完整的未知数据值，公式如下：

argmin_zE_y{L(z,y)}

其中，L(z,y)是损失函数，表示参数的真实值为y时，采用值为z的参数代替真实值时，所造成的损失；argmin_zE_y表示选择合适的参数z,使得损失函数L(z,y)的期望损失最小；

S12：对于损失函数L₁：

L(z,y)＝(z-y)²

该损失函数的最小值在观测值的算术平均值处找到：

z＝E_y{y}

S13：对于损失函数L₂：

L(z,y)＝|z-y|

该损失函数的最小值在观测值的中值处找到；

S14：一般类偏差最小化估计量是已知的M估计量，使用常见损失函数的汇总估计被视为ML估计，将损失函数解释为负对数似然；

S2：利用深度神经网络算法，训练损坏输入和目标输出参数，建立卷积神经网络回归模型；

S3：通过最小化经验风险的方法，学习将损坏的观察结果映射到观察的清晰的信号上，通过观察损坏的数据来修复图像，在不改变网络学习的情况下破坏具有零均值噪声的神经网络的训练目标，结合来自步骤S1中公式中的被损坏的输入，得出一个经验风险最小化任务：

2.根据权利要求1所述的基于统计推理的图像修复方法，其特征在于：步骤S2包括以下步骤：

S21：训练神经网络回归量是ML估计的推广，下式是一组输入目标对(x_i,y_i)的训练形式，其中，网络参数f_θ(x)由θ参数化：

argmin_θE_(x,y){L(f_θ(x),y)}

如果不使用输入数据，使用仅输出学习标量的f_θ(x)，则任务等同于步骤S11；

S22：任务相当于下式：

argmin_θE_x{E_y|x{L(f_θ(x),y)}}

网络通过分别针对每个输入样本求解点估计问题来最小化该损失，潜在损失的属性由神经网络训练继承。