买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明提出一种低光照小像素CFA采样与边缘计算设备适用的去马赛克方法，包括步骤1：先对原始数据集添加高斯噪声、降低亮度后，通过具有75%透明元素的CFA将RGB图像处理成马赛克图像，并设置训练目标神经网络的参数。步骤2：搭建以UNet++网络作为主框架的神经网络模型。步骤3：根据所述神经网络模型，分两阶段以最小化各自损失函数为目标训练相应的网络模型。步骤4：利用训练好的所述神经网络模型，对待处理图像进行处理，得到去马赛克的图像。本发明在保证适用于小像素彩色滤波整列马赛克图像恢复效果的基础上，优化网络拓扑结构，尽量减小参数量，加速训练时长，同时可以适用于边缘计算设备上的网络部署。

主权项：1.一种低光照小像素CFA采样与边缘计算设备适用的去马赛克方法，其特征在于，包括以下步骤：步骤1：首先对原始数据集添加高斯噪声、降低亮度后，通过具有75％透明元素的彩色滤波阵列方式CFA将RGB图像处理成马赛克图像后，进行数据预处理后构成训练集，设置训练目标神经网络的参数；步骤2：搭建以UNet++网络作为主框架的神经网络模型，神经网络模型包括特征抽取部分和图像重建模块：所述特征抽取部分包括三次高斯平滑与特征抽取模块和跨层连接结构以及一次上采样结构；所述特征抽取模块在用残差连接结构连接的特征抽取模块中嵌入具有残差连接结构的密实连接单元，该残差连接结构由一个卷积结构和三个密集连接单元组成，其中的卷积结构用于初步抽取出不同层的相应水平特征同时进一步扩展感受野，每一个密集连接单元包含三个深度可分离卷积以及六个PReLU激活层；所述图像重建模块由一个3×3卷积和一个1×1卷积结构以及一个PReLU组成，用于将经过特征抽取之后的特征图重建成无马赛克无噪声的图像；步骤3：根据所述神经网络模型，分两阶段以最小化各自损失函数为目标训练相应的网络模型，包括：3.1数据选取，选取ImageNet作为训练网络的数据集，在用于训练之前，首先将图片以中心为基准，裁成256*256分辨率的图片，随后将网络裁成128*128分辨率的图片后用于网络训练；3.2优化器选取，采用Adam优化，初始化学习率设为0.001，学习率每隔10个周期下降为原来的一半，小批量大小为16，其他超参数采用默认设置；3.3损失函数设计，在训练的10个周期内，即e≤10，采用衡量局部相似性的SSIM指标作为损失函数设计的依据，在10个周期后，即e10，采用衡量全局特征的MSE作为损失函数设计的依据，实验总的周期数设置为150个周期；步骤4：利用训练好的所述神经网络模型，对已经添加了高斯噪声，降低了亮度，按照具有75％透明元素的彩色滤波阵列方式采样后的待处理图像进行处理，得到去马赛克的图像。

全文数据：

权利要求：

百度查询： 重庆大学 低光照小像素CFA采样与边缘计算设备适用的去马赛克方法