基于图像特性的图像恢复方法及系统

本发明涉及图像处理，特别涉及一种基于图像特性的图像恢复方法及系统。

背景技术：

1、近几十年来，人工智能技术得到了长足发展，并在诸多领域(如机器人技术、回归分析、模式识别等)取得了成功。深度学习作为人工智能技术的代表性技术之一，随着计算资源的提升，深度学习方法在计算机视觉领域得到快速发展，尤其在图像处理任务中(如去噪、超分辨、分割、风格转换等)表现出了良好的处理效果。为了进一步提升深度学习方法处理结果的精度和信息表达的有效性，相关研究者提出了大量效果良好的网络处理模型。为了针对特定问题进行优化设计，相关研究者开发了新的网络体系结构。同时，为了提升神经网络的可解释性，大量的研究工作在了解神经网络的内部机制及其内在局限性方面进行了探索。例如，通过开发反向处理网络或试图欺骗具有特定输入的网络。

2、在机器学习中，所有的算法都需要最大化或最小化一个函数，这个函数通常称为“损失函数”。其中，我们一般将需要最小化的函数称为“损失函数”，它能根据预测结果，衡量出网络模型预测能力的好坏。损失函数是深度学习模型中一个重要的组成部分，它用来衡量模型预测结果与真实值的差异。通过反向传播算法利用计算得到的损失函数数值，优化更新网络中的权重和偏置，从而使得模型的预测结果更加接近真实值。正确选择损失函数是实现深度学习模型有效优化的关键，因为它直接影响模型训练的效果。图像恢复是图像处理领域中的重要任务，广泛应用于医学成像、卫星成像和监控等领域。在进行图像恢复任务时，损失函数被用于测量低质量或损坏的图像与原始标签图像之间的差异，从而使网络能够学习从低质量输入中重建高质量的图像。常用的损失函数包括均方误差(mse)、平均绝对误差(mae)和平均绝对百分比误差(mape)。然而，在采用上述的常规损失函数进行训练时，损失函数对于各个像素点的权重值一致，导致边缘部分不易区分。因此，如何在抑制网络输出图像中的视觉伪影的同时不影响图像真实细节成为图像恢复任务中模型训练的一个关键问题。

技术实现思路

1、为此，本发明提供一种基于图像特性的图像恢复方法及系统，解决现有图像恢复模型训练中损失函数不合理导致边缘部分不易区分进而影响网络模型重建图像质量的问题。

2、按照本发明所提供的设计方案，一方面，提供一种基于图像特性的图像恢复方法，包含：

3、收集图像数据集并进行预处理；

4、构建用于图像恢复的神经网络模型，并基于图像特征对模型输出图像和标签图像之间的损失函数各像素进行加权求和来设置用于模型训练的非对称损失函数；

5、基于非对称损失函数并利用预处理后的图像数据集对神经网络模型进行训练；

6、将待恢复的图像数据输入至训练后的神经网络模型，利用神经网络模型来获取恢复后的图像数据。

7、作为本发明基于图像特性的图像恢复方法，进一步地，收集图像数据集并进行预处理，包含：

8、首先，基于图像恢复任务的应用场景，收集原始图像和标签图像并通过归一化调整来组成图像数据集；

9、然后，将图像数据集按照预设比例划分为数据训练集、数据验证集和数据测试集。

10、作为本发明基于图像特性的图像恢复方法，进一步地，收集图像数据集并进行预处理，还包含：

11、对数据训练集进行图像处理，以扩充增强数据训练集中的图像数据，其中，数据处理包含但不限于图像旋转、图像平移及图像缩放。

12、作为本发明基于图像特性的图像恢复方法，进一步地，所述神经网络模型，包含：

13、用于接收输入图像数据的输入层，用于提取输入图像数据特征的隐藏层，及用于基于提取的图像数据特征进行恢复输出的输出层。

14、作为本发明基于图像特性的图像恢复方法，进一步地，基于图像特征在模型输出图像和标签图像之间损失函数进行加权求和来设置用于模型训练的非对称损失函数，包含：

15、基于真值标签图像的灰度信息并利用双曲正切函数构建像素级映射矩阵，将像素级映射矩阵作为权重系数作用到模型输出图像和标签图像之间的损失函数上。

16、作为本发明基于图像特性的图像恢复方法，进一步地，非对称损失函数表示为：

17、lasy(f(ii-norm),il-norm)＝m·lloss，其中，f(ii-norm)为图像输入为ii-norm时的神经网络模型输出，il-norm为对应的真实标签图像，m为像素级映射矩阵，lloss为模型输出图像和标签图像之间的损失函数。

18、作为本发明基于图像特性的图像恢复方法，进一步地，基于非对称损失函数并利用预处理后的图像数据集对神经网络模型进行训练，包含：

19、首先，设置迭代训练的终止条件，所述终止条件为预设最大迭代训练次数或损失函数收敛值；

20、然后，在每次迭代训练中，将图像数据集中图像数据输入至神经网络模型，以获取模型的预测输出；接着，将预测输出和图像数据集中的真实标签进行比较，并基于非对称损失函数获取损失函数值；然后，基于反向传播并利用梯度下降算法更新模型参数，通过迭代训练使损失函数值减小，直至满足迭代训练的终止条件。

21、进一步地，本发明还提供一种基于图像特性的图像恢复系统，包含：数据收集模块、模型构建模块、模型训练模块和数据恢复模块，其中，

22、数据收集模块，用于收集图像数据集并进行预处理；

23、模型构建模块，用于构建用于图像恢复的神经网络模型，并基于图像特征对模型输出图像和标签图像之间的损失函数各像素进行加权求和来设置用于模型训练的非对称损失函数；

24、模型训练模块，用于基于非对称损失函数并利用预处理后的图像数据集对神经网络模型进行训练；

25、数据恢复模块，用于将待恢复的图像数据输入至训练后的神经网络模型，利用神经网络模型来获取恢复后的图像数据。

26、本发明的有益效果：

27、本发明利用非对称损失函数来根据图像中不同结构的灰度信息和输入输出间差值的大小设置不同的权重，无需进行复杂的配置和调整即可快速实现非对称损失的功能，具有即插即用的优点，在实际应用中更加方便和高效，有助于提升模型的性能和准确性，使损失函数对异常值和图像特征的变化具有更强的鲁棒性，提高用于图像恢复任务的神经网络模型性能，提高神经网络模型重建图像质量和效果，便于在图像重建领域中的部署实施，具有较好的应用前景。

技术特征：

1.一种基于图像特性的图像恢复方法，其特征在于，包含：

2.根据权利要求1所述的基于图像特性的图像恢复方法，其特征在于，收集图像数据集并进行预处理，包含：

3.根据权利要求2所述的基于图像特性的图像恢复方法，其特征在于，收集图像数据集并进行预处理，还包含：

4.根据权利要求1所述的基于图像特性的图像恢复方法，其特征在于，所述神经网络模型，包含：

5.根据权利要求1或4所述的基于图像特性的图像恢复方法，其特征在于，基于图像特征对模型输出图像和标签图像之间的损失函数各像素进行加权求和来设置用于模型训练的非对称损失函数，包含：

6.根据权利要求5所述的基于图像特性的图像恢复方法，其特征在于，非对称损失函数表示为：lasy(f(ii-norm),il-norm)＝m·lloss，其中，f(ii-norm)为图像输入为ii-norm时的神经网络模型输出，il-norm为对应的真实标签图像，m为像素级映射矩阵，lloss为模型输出图像和标签图像之间的损失函数。

7.根据权利要求1所述的基于图像特性的图像恢复方法，其特征在于，基于非对称损失函数并利用预处理后的图像数据集对神经网络模型进行训练，包含：

8.一种基于图像特性的图像恢复系统，其特征在于，包含：数据收集模块、模型构建模块、模型训练模块和数据恢复模块，其中，

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当计算机程序被执行时，能够实现如权利要求1～7任一项所述的方法。

技术总结
本发明涉及图像处理技术领域，特别涉及一种基于图像特性的图像恢复方法及系统，通过收集图像数据集并进行预处理；构建用于图像恢复的神经网络模型，并基于图像特征对模型输出图像和标签图像之间的损失函数进行各像素加权求和来设置用于模型训练的非对称损失函数；基于非对称损失函数并利用预处理后的图像数据集对神经网络模型进行训练；将待恢复的图像数据输入至训练后的神经网络模型，利用神经网络模型获取恢复后的图像数据。本发明利用非对称损失函数根据图像中不同结构的灰度信息的大小设置不同的权重，无需进行复杂的配置和调整即可快速实现非对称损失的功能，具有即插即用的优点，在实际应用中更加方便和高效，便于部署和实施。

技术研发人员：韩玉,朱林林,李磊,闫镔,席晓琦,刘梦楠,张智存,谭思宇
受保护的技术使用者：中国人民解放军战略支援部队信息工程大学
技术研发日：
技术公布日：2024/2/19