[发明专利]一种卷积神经网络拟合Tikhonov正则化分解的图像增强方法

说明书

本发明公开了一种卷积神经网络拟合Tikhonov正则化分解的图像增强方法，在卷积神经网络的基础上，利用深度学习的方式，同时引入上采样层和特征融合的方法实现了分解增强网络，网络的输入是三通道或者单通道图像，通过特征提取网络进行下采样，提取图像中的特征，之后利用上采样层，恢复图像的特征，将恢复的特征进行融合，得到最终的分解图像，之后将分解的高频图像和原图像融合输出，得到最终的增强图像。本发明的卷积神经网络拟合Tikhonov正则化分解的图像增强方法，用于拟合图像的Tikhonv正则化分解，解决Tikhonv正则化难以应用于端到端神经网络结构问题；同时将原图像和分解的高频分量进行融合输出达到很好锐化增强效果。

技术领域

本发明涉及一种图像高低频分解技术，具体涉及一种卷积神经网络拟合Tikhonov正则化分解的图像增强方法，属于图像处理技术领域。

背景技术

图像高低频分解技术在现在的计算机视觉领域变得越来越重要，图像的分解可以从大量的复杂背景中得到感兴趣的区域进行处理，降低了计算机处理的时间和运算的计算量；Tikhonv正则化通过近似的方法来逼近一个不适定的问题，在此基础上，通过将图像的灰度跳变区域变化为一阶导数的形式，将Tikhonv正则化应用于图像的分解中，相对于小波变化和低秩分解，其具有较强的抗噪能力，能够更好的保持高频细节，可广泛应用于图像去噪、图像融合等方面；现有的Tikhonv正则化分解方法主要通过函数方式实现，但是对于大尺寸、高分辨率图像，存在分解速度慢，计算量大等特点，给图像的实时处理带来难度；且由于利用函数实现的方式无法很好地和神经网络进行整合，组成端到端的网络，降低网络输入输出地复杂度，同时也会给网络梯度的回传带来一定的影响。因此现有的基于函数的分解方法迫切需要改进；此外对于图像增强技术，现有的图像锐化算法存在着增强效果较差、在增强的同时也会过分增强图像中噪声，无法很好地突出图像的边缘等细节部分，无法达到很好的增强效果。

发明内容

为解决上述问题，本发明提出了一种卷积神经网络拟合Tikhonov正则化分解的图像增强方法，采用泛化能力好，结构简单，计算量小的Tikhonv正则化分解网络，用于拟合图像的Tikhonv正则化分解，解决Tikhonv正则化难以应用于端到端神经网络结构问题；同时将原图像和分解的高频分量进行融合输出达到很好锐化增强效果，同时防止传统增强方法在图像增强时过度增强噪声细节的劣势。

本发明的卷积神经网络拟合Tikhonov正则化分解的图像增强方法，所述方法如下：在卷积神经网络的基础上，利用深度学习的方式，同时引入上采样层和特征融合的方法实现了分解增强网络，网络的输入是三通道或者单通道图像，通过特征提取网络进行下采样，提取图像中的特征，之后利用上采样层，恢复图像的特征，将恢复的特征进行融合，得到最终的分解图像，之后将分解的高频图像和原图像融合输出，得到最终的增强图像。

进一步地，所述方法具体如下：首先利用Tikhonov正则化分解获取训练所需的图像对，之后利用sigmoid函数将分解的高频图像归一化到[0，1]，用上述网络逼近原真值高频图，之后使用反sigmoid变换得到最终的分解高频结果，之后将该结果与原图像进行相加卷积得到最终的分解效果图和增强结果图。

进一步地，所述方法如下：在VGG-16网络的基础上，利用迁移学习的方式，同时引入上采样层和特征融合的方法实现了分解网络，其具体为：将由正则化分解得到的高频图像经函数处理后融入到VGG-16网络中，得到网络分解的高频图像，再经反函数变化后得到函数分解的高频图像，从而实现端到端的神经网络分解图像。

进一步地，所述方法还通过改变Tikhonov正则化分解的惩罚项系数重新训练网络得到不同的高频分解结果。