【技術實現步驟摘要】
本專利技術屬于深度學習圖像恢復，具體涉及一種基于動態分解及融合的圖像復原方法及系統。
技術介紹
1、隨著數字成像技術和移動互聯網的迅猛發展，在當今的數字化時代，圖像作為一種至關重要的信息載體被廣泛應用于各個領域，包括醫療領域、遙感領域和安防領域等。在這樣的應用背景下，對于圖像質量要求提升速度越來越快。然而，圖像在獲取、傳輸和存儲過程中不可避免地會受到諸多因素的影響：例如信道噪聲會使圖像出現顆粒感和雜亂的信號干擾；壓縮失真會導致圖像細節丟失和色彩偏差；數據丟失則可能使圖像部分區域缺失或出現錯誤信息等。這些因素共同作用使得圖像出現模糊、失真、噪聲等混雜特征，進而導致圖像質量嚴重下降，無法很好地滿足日常生活及工作需求。因此，如何有效地修復處理這些出現問題的圖像便成為當前亟需解決的關鍵問題。
2、圖像恢復的目標在于將退化的圖像盡可能地恢復出原始圖像的特征和細節。但以往的研究在大多數情況下并不對退化因素進行細致區分，對于不同的退化因素，諸如模糊、雨、霧、噪聲等，往往采用同樣的處理方式。這種做法顯然無法很好地對不同的退化因素做出有針對性的處理。不同的退化模式混雜在一起，往往使得圖像恢復的結果無法達到人們對高質量圖像的期望。
技術實現思路
1、本專利技術要解決的技術問題是：提供一種基于動態分解及融合的圖像復原方法及系統，用于對復雜混雜圖像進行高質量恢復。
2、本專利技術為解決上述技術問題所采取的技術方案為：一種基于動態分解及融合的圖像復原方法，包括以下步驟：
4、s2：按退化模式分解待恢復圖像，提取數量與退化模式的類型數相同的退化特征；
5、s3：分別處理每個退化特征，得到與每個退化模式相應的恢復特征；
6、s4：動態融合恢復特征，得到與待恢復圖像相同尺寸的恢復特征圖。
7、按上述方案，所述的步驟s2中，具體步驟為：
8、s21：通過卷積操作從待恢復圖像中提取一個混雜特征；
9、s22：按照待恢復圖像的退化模式，采用k均值分類法分解混雜特征，得到多個不同的含單一退化模式的特征。
10、進一步的，所述的步驟s22中，具體步驟為：
11、s221：根據待恢復圖像的退化模式確定退化因素的類型數量；
12、s222：根據退化因素的類型數量劃分通道數，并根據相似的特征響應對分解混雜特征得到的特征進行分類以解耦不同類型的退化因素；退化因素所占的通道數之和為總通道數；
13、s223：對分類后的特征進行自注意力操作，對自注意力操作后的結果與全局特征共同進行掩碼篩選，對自注意力操作后的結果計算前top- k大的響應值，再根據scatter函數的輸入選擇對應的響應，提取數量與退化模式的類型數相同的退化特征。
14、進一步的，所述的步驟s4中，具體步驟為：
15、s41：在像素點級別上相加恢復特征，得到由多退化因素融合的新特征；
16、s42：對新特征進行全局平局池化操作，得到全局通道描述符；s43：根據全局通道描述符和每個恢復特征得到對應的中間特征，計算每個恢復特征對應的輸出特征；
17、s44：在通道維度對輸出特征做連接操作，得到最終特征；
18、s45：使用3×3卷積操作將最終特征對應的特征圖的通道還原成與待恢復圖像相同的通道，并將還原后的最終特征對應的特征圖與待恢復圖像相加，得到清晰的恢復特征圖。
19、進一步的，所述的步驟s43中，具體步驟為：
20、s431：在全局通道描述符上使用1×1卷積操作獲取不同通道之間的關系，得到用于連接不同退化因素的中間變量；
21、s432：對每個恢復特征進行全局平局池化操作得到對應的查詢權重系數矩陣；
22、s433：對每個恢復特征進行全局平局池化操作后再經過1×1卷積操作得到對應的值系數矩陣；
23、s434：對每個恢復特征對應的查詢權重系數矩陣、中間變量和值系數矩陣進行自注意力計算，得到對應的中間特征；
24、s435：經過sigmoid函數將中間特征系數化，并與中間特征按元素相乘得到每個恢復特征對應的輸出特征。
25、按上述方案，通過對稱的u型網絡對恢復特征圖執行多層對稱的下采樣和上采樣；
26、每次下采樣后的圖像按退化模式依次進行分解、處理和融合，一方面得到的恢復特征圖作為下一次下采樣的輸入；另一方面將得到的恢復特征圖與相同尺寸的上采樣后的圖像相加，再按退化模式依次進行分解、處理和融合，將得到的恢復特征圖作為下一次上采樣的輸入。
27、進一步的，將最后一次上采樣后的圖像與大小相同的下采樣后融合得到的恢復特征圖相加后，按退化模式依次進行分解、處理和融合，得到的恢復特征圖與待恢復圖像相加，得到最終的恢復圖像作為恢復的結果圖。
28、一種基于動態分解及融合的圖像復原模塊，獲取子模塊，用于獲取任意大小的具有混雜特征的待恢復圖像；分解子模塊，用于按退化模式分解待恢復圖像，提取數量與退化模式的類型數相同的退化特征；處理子模塊，用于分別處理每個退化特征，得到與每個退化模式相應的恢復特征；融合子模塊，用于動態融合恢復特征，得到與待恢復圖像相同尺寸的恢復特征圖。
29、一種圖像復原網絡結構，為對稱的u型網絡，包括多個對應的下采樣層和上采樣層，還包括多個圖像復原模塊，圖像復原模塊為上述技術方法所述的基于動態分解及融合的圖像復原模塊；
30、相鄰下采樣層之間、相鄰上采樣層之間均設有圖像復原模塊，且u型網絡底部相連的下采樣層和上采樣層之間也設有圖像復原模塊；
31、將下采樣層的輸出圖像通過圖像復原模塊分解、處理、融合，一方面將得到的恢復特征圖作為下一層下采樣層的輸入；另一方面將得到的恢復特征圖與相同尺寸的上采樣層的輸出圖像相加，再通過圖像復原模塊分解、處理、融合，將得到的恢復特征圖作為下一層上采樣層的輸入。
32、進一步的，下采樣層用于使恢復特征圖的尺寸減半且通道數倍增；上采樣層用于使恢復特征圖的尺寸倍增且通道數減半。
33、本專利技術的有益效果為：
34、1.本專利技術的一種基于動態分解及融合的圖像復原方法及系統，通過按退化模式分解具有混雜特征的待恢復圖像，提取數量與退化模式的類型數相同的退化特征；分別處理每個退化特征，得到與每個退化模式相應的恢復特征；動態融合恢復特征，得到與待恢復圖像相同尺寸的清晰的恢復圖像，實現了對復雜混雜圖像進行高質量恢復的功能。
35、2.本專利技術在多個尺度下對恢復特征圖進行分解、處理和融合，得到相應尺度下的恢復特征圖；然后逐尺度合并恢復特征圖，得到與待恢復圖像相同尺寸的、融合多個尺度恢復特征的恢復特征圖；提高了混雜圖像恢復的視覺效果，極大地提高了圖像復原的效果和質量。
36、3.本發本文檔來自技高網...
【技術保護點】
1.一種基于動態分解及融合的圖像復原方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟S2中，具體步驟為：
3.根據權利要求2所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟S22中，具體步驟為：
4.根據權利要求3所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟S4中，具體步驟為：
5.根據權利要求4所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟S43中，具體步驟為：
6.根據權利要求1所述的一種基于動態分解及融合的圖像復原方法，其特征在于：
7.根據權利要求6所述的一種基于動態分解及融合的圖像復原方法，其特征在于：
8.一種基于動態分解及融合的圖像復原模塊，其特征在于：
9.一種圖像復原網絡結構，其特征在于：為對稱的U型網絡，包括多個對應的下采樣層和上采樣層，還包括多個圖像復原模塊，圖像復原模塊為權利要求8所述的基于動態分解及融合的圖像復原模塊；
...
【技術特征摘要】
1.一種基于動態分解及融合的圖像復原方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟s2中，具體步驟為：
3.根據權利要求2所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟s22中，具體步驟為：
4.根據權利要求3所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟s4中，具體步驟為：
5.根據權利要求4所述的一種基于動態分解及融合的圖像復原方法，其特征在于：所述的步驟s43...
【專利技術屬性】
技術研發人員：華夏，項國梁，舒婷，元海文，吳錦夢，洪漢玉，
申請(專利權)人：武漢工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。