[发明专利]基于小波域ADMM深度网络的图像复原方法

说明书

本发明公开了一种基于小波域ADMM深度网络的图像复原方法。主要包括以下步骤：首先将图像复原问题变换到小波域进行研究，提出小波域图像复原模型；使用ADMM算法将小波域图像复原问题分解为复原子问题和去噪子问题，分别使用梯度下降法和去噪网络对两个子问题求解；结合子问题解的形式指导网络结构的设计，将图像退化模型信息融入到网络中，构建基于小波域ADMM的深度卷积网络；针对不同任务利用相应的训练样本，训练提出的基于小波域ADMM的卷积神经网络；将低质量图像作为输入，通过上面训练好的网络模型，得到复原重建的高质量图像。本发明所述的图像复原方法能获得很好的主客观效果，是一种有效的图像复原方法。

技术领域

本发明涉及图像复原技术，具体涉及一种基于小波域ADMM深度网络的图像复原方法，属于图像处理领域。

背景技术

图像是人类获取、表达、传递信息的一种重要手段，在日常生活各个方面都有重要意义。然而，在其生成、存储、传输过程中，往往有诸多因素会导致图像质量得到降低，使其难以满足实际应用的需求。因此，如何通过一定的图像处理技术来对低质量图像进行恢复是很有必要的。图像复原即是这样一种技术，它旨在从低质量观测图像中恢复出高质量清晰图像，目前在遥感图像处理、医疗诊断、智能监控等众多领域都有着重要的应用前景。

图像复原方法可分为基于模型的方法和基于学习的方法两大类。基于模型的方法利用图像自身信息提出具体的先验项并直接通过相应的优化算法进行求解，基于学习的方法根据训练样本利用相应的网络对高质量图像进行估计。其中，基于学习的方法在图像复原任务中得到了广泛的应用，拥有较快的处理速度和较佳的复原性能。然而，现有方法大多都是直接从训练数据中学习高低质量图像间的映射关系，未在网络设计中充分考虑图像的退化模型，限制了性能的进一步提升。且大多数网络还是在像素域处理，其性能有待进一步提升的空间。

发明内容

本发明的目的是在小波域下基于交替方向乘子法(Alternating DirectionMethod of Multiplier,ADMM)将图像复原问题分解为复原子问题和去噪子问题分别求解，并以其子问题的优化过程指导深度网络的设计，从而构建一种基于小波域ADMM的深度卷积神经网络用于图像复原。

本发明提出的基于小波域ADMM深度网络的图像复原方法，主要包括以下操作步骤：

(1)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；

(2)使用ADMM算法，对步骤(1)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；

(3)针对步骤(2)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；

(4)使用梯度下降法求解步骤(2)所述的复原子问题，得到迭代更新后的小波估计

(5)结合步骤(2)所述辅助变量迭代方程、步骤(3)所述去噪子问题的解、步骤(4)所述复原子问题的解及步骤(1)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；

(6)利用训练图像数据集，训练步骤(5)中构建的网络；

(7)将低质量图像作为输入，利用步骤(6)训练出的模型，得到最终恢复出的高质量清晰图像。

附图说明

图1是本发明基于小波域ADMM深度网络的图像复原方法原理框图：其中，(a)为基于小波域ADMM的深度卷积神经网络结构图，(b)为子网络结构图(c)为去噪网络结构图。

图2是本发明用于去模糊的10张标准测试图像。