[发明专利]基于小波域ADMM深度网络的图像复原方法

权利要求书

1.基于小波域ADMM深度网络的图像复原方法，其特征在于包括以下步骤：

步骤一：首先将图像复原问题变换到小波域进行研究，提出基于小波域的图像复原模型；该复原模型首先解决一个小波域图像复原问题，再经过小波逆变换将图像变换到像素域；

具体地，首先使用小波变换将像素域的图像复原问题变换到小波域进行研究，得到一个小波域图像复原问题，然后利用小波逆变换将上一步复原问题获得的高质量小波图像再变换到像素域完成整个图像复原任务，相较于通常的复原任务直接在像素域处理提升了性能，提出的基于小波域的图像复原模型的具体公式如下：

x＝W^-1x_w

其中，y_w，x_w分别表示低质量观测小波图像和高质量小波图像，为一个等效的小波域降质算子，是基于小波域的数据项，Θ(x_w)是一个小波域先验项，λ是平衡数据项和先验项的一个系数，W^-1是小波逆变换操作算子，x是最终恢复的高质量清晰图像；

步骤二：使用ADMM算法，对步骤一所述的小波域图像复原问题进行分解，得到一个复原子问题、一个去噪子问题、一个辅助变量迭代方程，并分别对这些问题分别求解；

具体地，使用ADMM算法将原来的小波域复原问题分解为一个复原子问题和一个去噪子问题，然后分别使用梯度下降法和一个去噪网络对这两个子问题求解，可得到两个子问题各自对应的封闭解，分解所得到复原子问题和去噪子问题具体公式如下：

其中，u是拉格朗日乘子，ρ为一个正的拉格朗日参数，k表示迭代次数；

步骤三：针对步骤二所述的去噪子问题，构建去噪网络D用于求解，得到去噪后的小波特征图z^k；

步骤四：使用梯度下降法求解步骤二所述的复原子问题，得到迭代更新后的小波估计

步骤五：结合步骤二所述辅助变量迭代方程、步骤三所述去噪子问题的解、步骤四所述复原子问题的解及步骤一所述的基于小波域的复原模型，设计并搭建基于小波域ADMM的深度卷积神经网络；

步骤六：利用训练图像数据集，训练步骤五中搭建的网络；

步骤七：将低质量图像作为输入，利用步骤六训练出的模型，得到最终恢复出的高质量清晰图像。

2.根据权利要求1所述的基于小波域ADMM深度网络的图像复原方法，其特征在于步骤三所述的去噪网络的构建：选择构建基于卷积神经网路的去噪网络用于求解，在网络构建中引入了残差模块为网络主体结构，残差模块能有效促进信息流动，加快网络收敛速度；此外不同于一般的去噪网络直接在像素域上处理，此网络在小波域上进行去噪不仅能有效提升性能还能加快处理速度。

3.根据权利要求1所述的基于小波域ADMM深度网络的图像复原方法，其特征在于步骤五所述的基于小波域ADMM的深度网络的构建；该网络结合复原子问题和去噪子问题解的形式和提出的小波域图像复原模型指导网络结构的设计，网络本身融合了图像退化模型信息，且由于是在小波域对图像进行处理，使得网络感受野增加且缩小了网络中特征图空间尺寸，降低了运算复杂度，提高了处理速度。