[发明专利]基于ADMM神经网络的图像去模糊方法有效
申请号: | 202010137913.3 | 申请日: | 2020-03-03 |
公开(公告)号: | CN111369460B | 公开(公告)日: | 2023-06-20 |
发明(设计)人: | 傅博;傅世林;吴越楚;董宇涵 | 申请(专利权)人: | 大连厚仁科技有限公司 |
主分类号: | G06T5/00 | 分类号: | G06T5/00;G06N3/0464;G06N3/08 |
代理公司: | 大连非凡专利事务所 21220 | 代理人: | 闪红霞 |
地址: | 116000 辽宁省大连市高新技术产业园区*** | 国省代码: | 辽宁;21 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 admm 神经网络 图像 模糊 方法 | ||
1.一种基于ADMM神经网络的图像去模糊方法,其特征在于按照如下步骤进行:
010预处理阶段
步骤C011:配置PC机的软件环境;
步骤C012:采用GOPRO训练集;
步骤C013:初始化摄像头;
步骤C014:配置PC机与摄像头所在的局域网;
020训练阶段
步骤C021:构建数学模型并利用ADMM进行裂项求解如下:
其中,x(i)为第i阶段重构层Restore(i)的输出;x(i-1)为第i-1阶段重构层Restore(i-1)的输出,y为原始模糊图像,z(i)为第i阶段去噪层Denoise(i)的输出,z(i-1)为第i-1阶段去噪层Denoise(i-1)的输出,β(i)为第i阶段乘子更新层Multipler(i),β(i-1)为第i-1阶段乘子更新层Multipler(i),n为总计阶段数,i为阶段号,i=1,2,…,n,ki与是Restore(i)中大小为3×3的卷积核,ρ(i)是Restore(i)中的惩罚项系数,lr(i)为Restore(i)中的学习率,与为Denoise(i)中的保真系数,R为非线性函数,与为Denoise(i)中大小为3×3的卷积核,η(i)是Multipler(i)中的乘子更新系数;
步骤C022:搭建ADMM神经网络,约定ADMM神经网络的可训练参数集为ΘNet,
ADMM神经网络结构包含如下子层:
C0221:第i阶段重构层Restore(i),对模糊图像进行去模糊操作,包含的可训练参数集为
C0222:第i阶段去噪层Denoise(i),对重构层输出的图像进行去噪,包含的可训练参数集为
C0223:第i阶段乘子更新层Multiple(i),包含的可训练参数集为
步骤C023:初始化可训练参数集ΘNet,其中ΘNet中的元素均服从区间[0,1]的均匀分布;
步骤C024:设置ADMM神经网络的超参数:约定批处理值为batch_size,值为25,子块大小为patch_sized,值为128×128,学习率为learning_rate,值为1×10-4;
步骤C025:从训练集中随机选取5100张图像,并按照batch_size与patch_size的值分别记为模糊图像块img1,img2,...,img204;
步骤C026:约定损失函数为l2-loss,优化算法为ADAM算法,将划分好的模糊图像块img1,img2,...,img204依次送入ADMM神经网络,经过前向传播、反向传播和优化更新进行训练,训练次数至少2000次,具体步骤如下:
前向传播定义为NetADMM(img),ADMM神经网络中的重构层Restore(i)、去噪层Denoise(i)及乘子更新层Multipler(i)彼此间交替迭代,得到去模糊图像块out1,out2,...,out204:定义卷积层为conv(x),矩阵点积运算为Dot(x,y),其中表示为conv(conv(x(i-1))-y),卷积核分别为ki与表示为Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1))),表示为Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),故Restore(i)可表示为x(i-1)-Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),定义则有:正则项函数R采用编码器-解码器神经网络模块通过训练进行模拟,约定编码器-解码器神经网络模块为Edcode(x),有则Denoise(i)可表示为Multipler(i)可表示为β(i-1)+Dot(η(i),(x(i)-z(i)));
反向传播是将去模糊图像块out1,out2,...,out204依次与标签图像块进行比较,计算损失值loss:约定标签图像块中的图像为imggt,去模糊图像块中的图像为imgout,损失值为loss,根据l2-loss函数的定义,其中N为图像块所包含的像素的个数,定义每张图像的通道数、宽度、高度分别为channel、height、width,N=channel*height*width*batch_size;
优化更新:通过损失值loss利用链式法则求解各个子层的可训练参数的梯度值,将可训练参数与其梯度值代入ADAM算法进行更新;
030ADMM神经网络应用阶段
步骤C031:将摄像头采集到的模糊图像image_input传输至部署ADMM神经网络的PC机中;
步骤C032:将模糊图像image_input进行解码,送至训练结束的ADMM神经网络中;
步骤C033:接收ADMM神经网络输出的图像image_output,压缩编码并存储;
步骤C034:输出至显示器中显示。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于大连厚仁科技有限公司,未经大连厚仁科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010137913.3/1.html,转载请声明来源钻瓜专利网。
- 上一篇:升级方法、装置及电子设备
- 下一篇:可重构雷达信号处理硬件平台的数据接口板
- 彩色图像和单色图像的图像处理
- 图像编码/图像解码方法以及图像编码/图像解码装置
- 图像处理装置、图像形成装置、图像读取装置、图像处理方法
- 图像解密方法、图像加密方法、图像解密装置、图像加密装置、图像解密程序以及图像加密程序
- 图像解密方法、图像加密方法、图像解密装置、图像加密装置、图像解密程序以及图像加密程序
- 图像编码方法、图像解码方法、图像编码装置、图像解码装置、图像编码程序以及图像解码程序
- 图像编码方法、图像解码方法、图像编码装置、图像解码装置、图像编码程序、以及图像解码程序
- 图像形成设备、图像形成系统和图像形成方法
- 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序
- 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序