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：中科方寸知微(南京)科技有限公司

摘要：本发明实施例提出了一种基于分布学习的联合去噪去马赛克方法及系统，其中所述方法具体包括：步骤一、建立用于去噪去马赛克的任务模型；步骤二、构建用于所述任务模型的训练数据集合；步骤三、利用所述训练数据集合训练所述任务模型，获得JDD任务模型；所述JDD任务模型为经过训练的任务模型；步骤四、将待进行处理的图像数据输入所述JDD任务模型中；步骤五、所述JDD任务模型对接收到的图像数据进行处理并输出。本发明根据训练数据宽容度的独特性，采用将监督图像松弛为多元高斯分布的操作方式，同时引入噪声估计模块对噪声进行预测，进一步提升联合去噪去马赛克模型的性能。

主权项：1.一种基于分布学习的联合去噪去马赛克方法，其特征在于，具体包括以下步骤：步骤一、建立用于去噪去马赛克的任务模型，包括：步骤1.1、建立基础模型，其表达式为：y＝Mx+n式中，y表示带噪声的彩色滤波阵列；M表示马赛克操作；x表示线性RGB图像；n表示噪声；步骤1.2、采用单个像素对基础模型进行修正，其表达式为：yi＝Mixi+ni式中，i表示像素的下标；步骤1.3、引入中间变量并采用高斯分布对其进行建模，所述中间变量表达式为： 引入高斯分布后的建模表达式为： 式中，表示与信号相关的方差；步骤1.4、采用松弛监督将原始真值xi松弛为高斯分布，并将建模表达式转换如下所示： 式中，是手动调整的超参数；步骤1.5、利用变分推断技术导出闭合解并将其作为JDD任务模型的损失函数，其表达式为： 式中，μ表示JDD模型预测的均值；∑2表示JDD模型预测的方差；是噪声估计模块预测的噪声w表示输入图像的宽；h表示输入图像的高；步骤二、构建用于所述任务模型的训练数据集合；步骤三、利用所述训练数据集合训练所述任务模型，获得JDD任务模型；所述JDD任务模型为经过训练的任务模型，在训练任务模型时，采用分布学习将真值松弛为高斯多元分布；所述JDD任务模型中还包括一个噪声估计网络，用于预测噪声，所述噪声估计网络为预设层数的全卷积神经网络，采用LeakyReLU作为激活函数，且无归一化层；将待进行处理的图像数据输入JDD任务模型中时，原始的待进行处理的图像数据进入噪声估计网络中进行噪声预测，并输出预测结果拼接待进行处理的图像数据与噪声估计网络的预测结果，并一同输入JDD任务模型，利用步骤1.5中的损失函数进行训练；其中，式中，是手动调整的超参数；步骤四、将待进行处理的图像数据输入所述JDD任务模型中；步骤五、所述JDD任务模型对接收到的图像数据进行处理并输出。

全文数据：

权利要求：

百度查询： 中科方寸知微(南京)科技有限公司 基于分布学习的联合去噪去马赛克方法及系统