[发明专利]一种运用卷积神经网络提取本质图像的方法有效
申请号: | 201810407424.8 | 申请日: | 2018-05-02 |
公开(公告)号: | CN108764250B | 公开(公告)日: | 2021-09-17 |
发明(设计)人: | 蒋晓悦;冯晓毅;李会方;吴俊;何贵青;谢红梅;夏召强 | 申请(专利权)人: | 西北工业大学 |
主分类号: | G06K9/46 | 分类号: | G06K9/46;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 西北工业大学专利中心 61204 | 代理人: | 常威威 |
地址: | 710072 *** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明提供了一种运用卷积神经网络提取本质图像的方法。首先,构建一个从图像到图像的具有平行结构的双流卷积网络;然后,采用特定的训练数据集对该网络进行训练,优化网络参数,以提取具有环境不变性的多层特征,直接重构出本质图像(反射图与光照图)。由于采用了基于深度学习理论构建的双流卷积神经网络具有强大的特征提取能力,可以直接从原始图像中分离出反射图与光照图。同时,该模型是一种从图像到图像的全卷积网络模型,包含两个分支流向,分别用于生成光照图和反射图,且该网络结构将较高层的卷积结果与反卷积操作后的结果相结合,在一定程度上可以降低光照图和反射图的重构误差,提高了网络特征重构的能力。 | ||
搜索关键词: | 一种 运用 卷积 神经网络 提取 本质 图像 方法 | ||
【主权项】:
1.一种运用卷积神经网络提取本质图像的方法,其特征在于步骤如下:步骤1:构建具有平行结构的双流卷积神经网络结构模型,该网络模型分为一个公有分支、两个专有分支;其中,公有分支由5个卷积层构成,每个卷积层后接一个池化层;卷积层的卷积核均为3×3,每一层输出一幅特征图像,第一卷积层输出特征图像维度为64,第二卷积层输出特征图像维度为128,第三卷积层输出特征图像维度为256,第四卷积层和第五卷积层输出特征图像维度均为512,池化层采用大小为2×2的平均池化;两个专有分支结构相同,分别包含3个反卷积层,卷积核均为4×4,一个分支用于重构光照图像,另一个分支用于重构反射图像,所有反卷积层的输出维度均为256;所述的公有分支的第三卷积层输出的特征图像与专有分支的第二反卷积层的输出作为专有分支的第三反卷积层的输入;所述的公有分支的第四卷积层输出的特征图像与专有分支的第一反卷积层的输出作为专有分支的第二反卷积层的输入;步骤2:构建训练数据集,由Jiang等人创建的BOLD数据集的每一幅图像的中部截取大小为1280×1280的图像,并在行与列上分别将截取图像五等分,则原数据集中的每一幅图像得到25幅大小为256×256的图像,随机抽取其中的53720组图像构成测试集,剩余图像构成训练集;步骤3:利用步骤2得到的训练集对步骤1构建的双流卷积神经网络进行训练,首先对网络各层的权值进行随机初始化,然后采用有监督的误差反向传播的训练方法,对网络进行训练,得到训练好的网络;其中,网络的基础学习率为10‑13,采用固定学习率策略,网络的batch size为5,损失函数为SoftmaxwithLoss,网络收敛条件为前后两次迭代的损失函数值之差在其值的±5%范围内;步骤4:利用训练好的网络对步骤2得到的测试集进行处理,得到提取的本质图像,即光照图和反射图。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西北工业大学,未经西北工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810407424.8/,转载请声明来源钻瓜专利网。
- 彩色图像和单色图像的图像处理
- 图像编码/图像解码方法以及图像编码/图像解码装置
- 图像处理装置、图像形成装置、图像读取装置、图像处理方法
- 图像解密方法、图像加密方法、图像解密装置、图像加密装置、图像解密程序以及图像加密程序
- 图像解密方法、图像加密方法、图像解密装置、图像加密装置、图像解密程序以及图像加密程序
- 图像编码方法、图像解码方法、图像编码装置、图像解码装置、图像编码程序以及图像解码程序
- 图像编码方法、图像解码方法、图像编码装置、图像解码装置、图像编码程序、以及图像解码程序
- 图像形成设备、图像形成系统和图像形成方法
- 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序
- 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序