[发明专利]基于深度学习与双域互补的压缩图像复原方法

权利要求书

1.基于深度学习与双域互补的压缩图像复原方法，其特征在于包括以下步骤：

步骤一：分别训练不同压缩因子下像素域及小波域的去压缩卷积神经网络模型；对于像素域去压缩的过程，首先利用第一层卷积层对压缩图像进行特征提取，然后经过中间非线性映射层将提取的特征进行非线性映射得到更高维度的特征，最后利用最后一个卷积层将前面的高维特征进行组合，进而得到像素域去压缩的图像；对于小波域的去压缩效应过程，首先对压缩图像进行小波域变换，得到压缩图像的小波系数，利用卷积神经网络对压缩后的系数进行更新修复，最后对修复后的小波系数进行反变换即可得到小波域去压缩的图像；

步骤二：利用(1)中模型，提取像素域及小波域处理后的去压缩图像，模型可以充分地结合像素域恢复低频信息能力以及小波域恢复高频信息的能力来抑制压缩图像的块效应，随后利用融合层进一步优化训练：首先对小波域及像素处理的图像进行连接操作，然后再将其输入到融合层进行融合，进而得到最终的去压缩图像；

步骤三：将压缩后的图像作为输入，结合步骤(1)，(2)训练出的卷积神经网络模型，得到最终的去压缩图像。

2.根据权利要求1所述的基于深度学习与双域互补的压缩图像复原方法，其特征在于步骤一中所述的去压缩卷积神经网络模型能够利用小波域补充高频信息，从而弥补了以往像素域在高压缩比情况下恢复细节信息较难的不足。

3.根据权利要求1所述的基于深度学习与双域互补的压缩图像复原方法，其特征在于步骤一中所述的去压缩卷积神经网络模型，该模型中使用了提出的残差模块，该残差模块是由两个卷积层和一个激励层(ReLU)组成，能够有效地提升卷积神经网络的收敛速度，同时能够避免层数较多时梯度消失的问题。