[发明专利]面向Raw域的屏摄图像摩尔纹去除方法

权利要求书

1.一种面向Raw域的屏摄图像摩尔纹去除方法，其特征在于，该方法包括以下步骤：

步骤1、构建Raw域去摩尔纹网络RDNet，该RDNet网络的整体结构由数据分类网络、多尺度去摩尔纹网络和ISP网络组成；

步骤2、将训练数据输入到预训练好的分类网络中，获得训练数据的分类标签，再将分类标签与训练数据共同输入Raw域去摩尔纹网络RDNet，在网络训练阶段分别设置多尺度去摩尔纹网络和ISP网络的学习率和各部分损失函数的权重；

步骤3、利用深度学习框架Pytorch训练Raw域去摩尔纹网络RDNet，首先训练ISP网络至收敛，生成ISP模型；然后联合多尺度去摩尔纹网络与ISP网络模型共同训练，此阶段只更新多尺度去摩尔纹网络部分权重，ISP模型权重不变，直到损失收敛，生成Raw域去摩尔纹训练模型；

步骤4、将测试集中的Raw域摩尔纹屏摄图像输入Raw域去摩尔纹网络RDNet，通过分类模型获得图像类别标签，再通过多尺度去摩尔纹网络得到Raw域去摩尔纹图像；再将Raw域去摩尔纹图像输入到ISP网络中，得到sRGB域去摩尔纹图像。

2.如权利要求1所述的一种面向Raw域的屏摄图像摩尔纹去除方法，其特征在于，所述多尺度去摩尔纹网络由多尺度特征融合编码器和具有disentangled策略的解码器构成，具体结构如下：

多尺度特征融合编码器部分共由三个不同尺度的编码器构成，每个编码器由卷积、池化层和熔合块结构组成；具有disentangled策略的解码器部分由两个解码器构成，每个解码器由卷积、池化层和通道注意模块组成；每一个编码器部分的结构依序包括第一卷积层—第二卷积层—第一熔合块结构—第一最大池化层—第三卷积层—第四卷积层—第二熔合模块结构—第二最大池化层—第五卷积层—第六卷积层—三个不同尺度的编码器输出特征图在像素维度上逐点相加，其中，下一级编码器的中间特征输入至上一级熔合块结构之前均进行了上采样操作，卷积层后均接有LReLu激活函数；

每个解码器部分的结构依序包括第一上采样层—第一融合层—第一卷积层—第一通道注意模块CA—第二卷积层—第二上采样层—第二融合层—第三卷积层—第二通道注意模块CA—第四卷积层—第五卷积层，其中，第一融合层为在通道维度合并第一上采样层和编码器中的第二熔合模块的输出，第二融合层为在通道维度合并第二上采样层和编码器中的第一熔合模块的输出；

第五卷积层后不接激活函数，其余卷积层后均接有LReLu激活函数。

3.如权利要求1所述的一种面向Raw域的屏摄图像摩尔纹去除方法，其特征在于，所述ISP网络由深度学习中经典的U-Net网络组成，具体结构如下：

ISP网络结构依序包括第一卷积—第二卷积层—第一最大池化层—第三卷积层—第四卷积层—第二最大池化层—第五卷积层—第六卷积层—第一上采样层—第一融合层—第七卷积层—第八卷积层—第二上采样层—第二融合层—第九卷积层—第十卷积层—第十一卷积层；其中，第一融合层为在通道维度合并第一上采样层和第四卷积层的输出，第二融合层为在通道维度合并第二上采样层和第二卷积层的输出；

第十一卷积层后不接激活函数，其余卷积层后均接有LReLu激活函数。