[发明专利]基于无监督学习的加权最小二乘滤波方法及装置在审
申请号: | 202210921255.6 | 申请日: | 2022-08-02 |
公开(公告)号: | CN115311158A | 公开(公告)日: | 2022-11-08 |
发明(设计)人: | 杨洋;吴丹;曾兰玲;赵岩;詹永照 | 申请(专利权)人: | 江苏大学 |
主分类号: | G06T5/00 | 分类号: | G06T5/00;G06N3/04;G06N3/08;G06T7/13 |
代理公司: | 南京智造力知识产权代理有限公司 32382 | 代理人: | 张明明 |
地址: | 212013 江*** | 国省代码: | 江苏;32 |
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 监督 学习 加权 最小 滤波 方法 装置 | ||
1.基于无监督学习的加权最小二乘滤波方法,其特征在于:
(1)若设置了参数λ、σ的值,直接采用训练好的全卷积神经网络对输入图像进行滤波,λ为可调节的平滑参数,σ为可调节的模糊参数;
(2)如果没有设置参数λ、σ的值,首先确定参数最接近情况(1)中λ、σ数值的四个训练好的全卷积神经网络,并输入图像,得到最接近情况(1)中λ、σ数值的四组滤波图像,根据所述四组滤波图像进行插值,得到最终滤波图像;具体为:
利用pλ1,σ1、pλ2,σ1、pλ1,σ2、pλ2,σ2表示最接近情况(1)中λ、σ数值的四组滤波图像,分别对应于参数(λ1,σ1)、(λ2,σ1)、(λ1,σ2)、(λ2,σ2)下的滤波结果;
通过pλ1,σ2、pλ2,σ2进行插值操作,得到近似图像pλ,σ2:
通过pλ1,σ1、pλ2,σ1进行插值操作,得到近似图像pλ,σ1:
根据pλ,σ2和pλ,σ1,得到最终滤波图像pλ,σ为:
2.根据权利要求1所述的基于无监督学习的加权最小二乘滤波方法,其特征在于,所述全卷积神经网络共有10个卷积层,第1-9卷积层中:卷积运算后均进行批量归一化和ReLU激活操作,最后一层中:卷积运算后通过sigmoid函数激活,并生成一个3通道图像。
3.根据权利要求2所述的基于无监督学习的加权最小二乘滤波方法,其特征在于,所述全卷积神经网络中,第二层是跨步卷积层,倒数第二层是反卷积层,中间6层平均分布在3个残差块中,且使用具有不同扩展因子4、8和1的扩展卷积。
4.根据权利要求3所述的基于无监督学习的加权最小二乘滤波方法,其特征在于,所述全卷积神经网络训练时,将优化模型函数作为损失函数,所述优化模型函数为:
其中:i代表图像像素i,n表示像素总个数,Oi表示输出图像的像素值,Ii表示输入图像的像素值,h、v分别代表为像素的水平方向和垂直方向,分别代表输出图像沿h、v方向上的梯度,wh(I)表示依据输入图像沿像素水平方向计算的权重,wv(I)表示依据输入图像沿像素竖直方向计算的权重。
5.根据权利要求4所述的基于无监督学习的加权最小二乘滤波方法,其特征在于:
其中:分别表示输入图像RGB沿三个通道上图像梯度。
6.一种实现权利要求1-5任一项所述的加权最小二乘滤波方法的装置,其特征在于,包括:
网络构建模块,用于全卷积神经网络并对全卷积神经网络进行训练;
图像滤波模块,利用训练后的全卷积神经网络对输入图像进行滤波。
7.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1-5任一项所述的加权最小二乘滤波方法。
8.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行如权利要求1-5任一项所述的加权最小二乘滤波方法。
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江苏大学,未经江苏大学许可,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/202210921255.6/1.html,转载请声明来源钻瓜专利网。