一种基于机器学习的图像解构方法与流程

技术特征：

1.一种基于机器学习的图像解构方法，其特征在于，包括以下步骤：

1)建立四层卷积神经网络，作为相对反射率分类器；

2)从数据集中获取第一图片的多组像素对信息；

3)将所述像素对信息及对所述第一图片进行大小调整后的第二图片作为所述四层卷积神经网络的输入，获得分类结果；

4)根据所述分类结果生成一hinge loss最优化问题；

5)对所述hinge loss最优化问题进行CFR求解，获得所述第一图片的解构结果。

2.根据权利要求1所述的基于机器学习的图像解构方法，其特征在于，所述四层卷积神经网络包括带有四个输入的输入层、一个结合层和一个全连接层。

3.根据权利要求1所述的基于机器学习的图像解构方法，其特征在于，所述相对反射率分类器包括等于分类器、大于分类器和小于分类器。

4.根据权利要求1所述的基于机器学习的图像解构方法，其特征在于，所述像素对信息包括像素对中两像素块间的相对反射率和各像素块的位置。

5.根据权利要求1所述的基于机器学习的图像解构方法，其特征在于，所述hinge loss最优化问题为一全局能量最小化问题，其能量函数为：

$E\left(x\right)=\underset{i,j}{\Σ}\underset{o\∈\{=,\<,\>\}}{\Σ}{w}_{o,j,i}{\mathrm{\μ}}_o(r_i,r_j)$

式中，i、j表示像素对中的像素块i和像素块j，o表示关系参数，包括等于、小于和大于，w_o,j,i表示权值，μ_o(r_i,r_j)表示损失系数，r_i为像素块i的反射率，r_j为像素块j的反射率。

6.根据权利要求5所述的基于机器学习的图像解构方法，其特征在于，由元素w_o,j,i组成的权值矩阵W通过Nystrom数值方法进行矩阵分解而获得。

7.根据权利要求1所述的基于机器学习的图像解构方法，其特征在于，所述步骤5)中，利用平均场推理算法对所述hinge loss最优化问题进行CFR求解。