基于增强的宽激活残差网络的压缩图像去块效应方法与流程

技术特征：
1.基于增强的宽激活残差网络的压缩图像去块效应方法，其特征在于包括以下步骤：步骤一：以增强的宽激活残差模块为主要的构建单元，同时以全卷积的方式引入重叠图像块提取和重建，从而搭建起用于去除压缩图像块效应的网络模型；步骤二：利用步骤一的卷积神经网络，分别训练不同质量因子下的压缩图像去块效应模型；步骤三：以训练好的压缩图像去块效应模型为基础，将压缩图像作为输入，得到最终的去块效应图像。2.根据权利要求1的基于增强的宽激活残差网络的压缩图像去块效应方法，其特征在于步骤一中增强的宽激活残差模块，其主要包括两个卷积核大小为3
×
3的卷积层、两个卷积核大小为1
×
1的卷积层和一个relu激活函数，其中，第一个1
×
1卷积层提升了来自前一个卷积层的张量的通道数，使更多的信息能够通过relu，第二个1
×
1卷积层再将经过relu函数激活后的张量的通道数降到原来的数量；由于1
×
1卷积层比3
×
3卷积层具有更少的参数量，所以增强的宽激活残差模块能够在不增加参数量和计算复杂度的条件下获得比一般的宽激活残差模块大得多的激活宽度，大幅度提升了卷积神经网络的信息利用效率和压缩图像去块效应性能。3.根据权利要求1的基于增强的宽激活残差网络的压缩图像去块效应方法，其特征在于步骤一中全卷积形式的重叠图像块重建，即重叠图像块重建网络，其主要包括两个反卷积层，一个矩阵生成器；重叠图像块重建网络不仅是一种像素重组操作,将张量中p2维的向量还原为p
×
p的图像块，并把这些图像块放回到它们在图像中原来的位置,更是一种低通滤波器，将多个图像块之间重叠的像素值取平均,有效地去除了压缩图像中的块效应；此外，重叠图像块重建网络的权重是预定义的且稀疏的，所以该子网络不会给整个压缩图像去块效应网络带来额外的训练负担，并且能够被高效地执行。

技术总结
本发明公开了一种基于增强的宽激活残差网络的压缩图像去块效应方法。主要包括以下步骤：以增强的宽激活残差模块为主要的构建单元，同时以全卷积的方式引入重叠图像块提取和重建，从而搭建起用于去除压缩图像块效应的网络模型；利用前一步骤搭建的卷积神经网络，分别训练不同质量因子下的压缩图像去块效应模型；以训练好的压缩图像去块效应模型为基础，将压缩图像作为输入，得到最终的去块效应图像。本发明所述的方法能够使更多的信息从卷积神经网络的浅层流向深层，同时具有较大的感受野，能够挖掘到图像更广泛区域的有效信息。因此，本发明可以获得很好的主客观效果，是一种有效的压缩图像去块效应方法。有效的压缩图像去块效应方法。有效的压缩图像去块效应方法。


技术研发人员：何小海 陈正鑫 任超 陈洪刚 熊淑华 卿粼波 滕奇志
受保护的技术使用者：四川大学
技术研发日：2020.04.21
技术公布日：2021/10/22