[发明专利]基于深度学习图像修复网络的受损QR码图像修复方法、装置及设备

权利要求书

1.基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，包括：

获取受损QR码图像数据集；

构建受损QR码图像修复模型；所述受损QR码图像修复模型包括用于分割受损QR码中的受损区域的图像分割网络，以及用于对受损区域进行还原性修复的图像修复网络；

将受损QR码图像输入训练好的受损QR码图像修复模型进行图像修复，得到QR码修复图像。

2.根据权利要求1所述的基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，所述图像修复网络包括第一编码器、第二编码器和解码器；

第一编码器和第二编码器根据输入的受损QR码图像和受损区域分割结果进行特征提取，分别输出受损QR码图像中的纹理特征和结构特征；

将所述纹理特征和所述结构特征进行拼接融合，并将拼接融合结果输入所述解码器；

所述解码器根据拼接融合结果使用若干个反卷积模块对受损QR码图像进行还原性修复，输出QR码修复图像。

3.根据权利要求2所述的基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，所述第一编码器包括依次连接的第一门控卷积模块组和第一残差模块组；所述第二编码器包括依次连接的第二门控卷积模块组和第二残差模块组；

所述第一门控卷积模块组和第二门控卷积模块组均包括卷积核为4的门控卷积层；

受损QR码图像和受损区域分割结果输入至第一编码器后，经过第一门控卷积模块组和第一残差模块组学习受损QR码图像和受损区域分割结果的局部信息，并将所述局部信息映射到一个潜在纹理特征分布，得到受损QR码图像中的纹理特征；

受损QR码图像和受损区域分割结果输入至第二编码器后，经过第二门控卷积模块组和第二残差模块组学习受损QR码图像和受损区域分割结果的全局信息，并将所述局部信息映射到一个潜在结构特征分布，得到受损QR码图像中的结构特征。

4.根据权利要求1所述的基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，所述图像分割网络为Mask R-CNN网络。

5.根据权利要求1所述的基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，在获取受损QR码图像数据集之后，所述方法还包括：

对受损QR码图像数据集进行预处理；

将经过预处理的受损QR码图像数据集划分为训练集和测试集；

利用所述训练集对受损QR码图像修复模型进行训练，得到训练好的受损QR码图像修复模型；

将测试集中的受损QR码图像输入训练好的受损QR码图像修复模型进行图像修复。

6.根据权利要求5所述的基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，所述对受损QR码图像数据集进行预处理包括对数据集中的受损QR码图像进行包括旋转、裁剪、缩放和翻转在内的至少一种操作。

7.根据权利要求5所述的基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，利用所述训练集对受损QR码图像修复模型进行训练，具体包括：

构建均方损失函数MES，利用所述均方损失函数计算修复图像和真实图像之间的损失；所述均方损失函数的表达式如下所示：

其中，Y_i与分别为受损QR码图像修复模型中第i个输入图像的像素和第i个输出图像的像素，n为输入图像的总像素数量；

根据修复图像和真实图像之间的损失，使用反向传播算法，对受损QR码图像修复模型学习到的权重进行迭代更新；

当受损QR码图像修复模型的修复识别率达到预设的阈值或者达到最大迭代次数，停止训练，得到训练好的受损QR码图像修复模型。

8.根据权利要求5所述的基于深度学习图像修复网络的受损QR码图像修复方法，其特征在于，在对受损QR码图像修复模型进行训练前，所述方法还包括：使用正态分布对受损QR码图像修复模型的权重进行初始化。