[发明专利]基于增强的宽激活残差网络的压缩图像去块效应方法

权利要求书

1.基于增强的宽激活残差网络的压缩图像去块效应方法，其特征在于包括以下步骤：

步骤一：搭建压缩图像去块效应网络模型，其主要包括重叠图像块提取网络、特征编码网络、N个增强的宽激活残差模块、特征解码网络和重叠图像块重建网络；重叠图像块提取网络只包含一个卷积层，其使用p²个预定义的、大小都为p×p的滤波器，以步长s对输入的压缩图像进行卷积，将压缩图像中的p×p图像块提取为p²维的向量；特征编码网络使用一个卷积核大小为3×3、输入和输出通道数为64的卷积层将来自于重叠图像块提取网络的像素值转化为特征系数；N个增强的宽激活残差模块对特征系数进行非线性映射，每一个增强的宽激活残差模块包括两个卷积核大小为3×3的卷积层、两个卷积核大小为1×1的卷积层和一个ReLU激活函数，其中第一个1×1卷积层提升了来自前一个3×3卷积层的张量的通道数，使更多的信息能够通过ReLU，第二个1×1卷积层再将经过ReLU函数激活后的张量的通道数降到原来的数量；特征解码网络使用一个卷积核大小为3×3、输入和输出通道数为64的卷积层将经过N个增强的宽激活残差模块非线性映射的特征系数转化为像素值；重叠图像块重建网络包括一个矩阵生成器MGOnes和两个反卷积层Deconv 1和Deconv 2；若输入张量T的大小为(H,W,C)，H、W、C分别表示张量的长、宽和通道数，则MGOnes产生一个H×W全一矩阵；Deconv 1和Deconv 2都以步长s对其输入进行反卷积，Deconv 1预定义为p²个固定的滤波器，每个滤波器的权重仅在某一特定位置取值为1，其余权重取值都为0，Deconv 2预定义为一个大小为p×p、权重取值都为1的滤波器；重叠图像块重建网络旨在将张量T中p²维的向量还原为p×p的图像块，并把这些图像块放回到它们在图像中原来的位置，多个图像块之间重叠的区域取平均值；具体地，在每一个滑动窗口执行反卷积的过程中，Deconv 1先对张量T中的多个像素值进行求和，这些像素值可以被视为对压缩图像中某一个像素的多个估计，再将求和结果放到图像中相应的位置，接着，MGOnes生成具有和张量T相同空间大小的全一矩阵，Deconv 2以这个全一矩阵作为输入，产生了一个和压缩图像一样大小的权重矩阵，这个权重矩阵的每一个元素表示压缩图像中相应位置的像素跨越的p×p图像块的数量，最后，用权重矩阵逐元素相除Deconv 1的输出就得到了最终的去块效应图像I，上述过程可以用公式表示为：

I＝Deconv1(T)./Deconv2(MGOnes(T))

s、p和N分别设定为2、8和19；

步骤二：利用步骤一的卷积神经网络，分别训练不同质量因子下的压缩图像去块效应模型；

步骤三：以训练好的压缩图像去块效应模型为基础，将压缩图像作为输入，得到最终的去块效应图像。