申请/专利权人：东南大学

申请日：2021-04-27

公开（公告）日：2024-01-12

公开（公告）号：CN113077382B

主分类号：G06T3/04

分类号：G06T3/04;G06V40/16;G06V10/774;G06V10/77;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.01.12#授权;2021.07.23#实质审查的生效;2021.07.06#公开

摘要：本发明公开了一种基于BEMD和深度学习的美颜图像还原方法，旨在从美颜图像中恢复出原始未美颜图像的亮度以及人脸上的皱纹、雀斑等信息，从而解决当今社会美颜图像的“照骗”所造成的社会信任危机。其主要操作过程是：首先，从IMDB‑WIKI人脸数据集中挑选照片，组成本发明的人像数据集。其次，构建一个成分递归神经网络模型，包含一个普通网络和若干个子网络，其输入是美颜图像，子网络的训练监督标签是原始未美颜图像经过BEMD得到的各个不同频率的分量。最后，对各个子网络的预测图像进行相加，得到还原图像。本发明方法通过构造成分递归网络，在恢复出图像整体轮廓信息的同时，也能够较好的恢复其中的细节信息。

主权项：1.基于BEMD和深度学习的美颜图像还原方法，其特征在于，具体包括如下步骤：步骤1，选择人脸数据集，把人脸数据集中的图片经美颜处理后作为美颜图像样本；步骤2，构建成分递归网络，成分递归网络包括普通网络和子网络组，普通网络旨在学习输入美颜图像的特征，子网络组中每个子网络的结构都相同，输入都是普通网络输出的相同的特征，但是独立执行回归任务；步骤3，将未经过美颜处理的原始图像使用BEMD分解，得到一系列不同频率的图像分量，即二维固有模式函数BIMF，分别作为子网络训练监督的标签，低阶高频分量主要是图像的边缘轮廓信息，高阶低频分量主要是图像的具体细节信息；步骤4，使用均方误差作为网络的损失函数训练各个子网络，当网络回归收敛后，最终的重建图像是各个子网络的输出值之和；步骤2中普通网络包括3个卷积层，每个卷积层的设置都是相同的；采用的卷积核的大小为3x3，包含56个通道；在普通网络中引入PReLU激活函数层，提高模型非线性表示能力，从图像中提取特征信息，在所有的卷积操作之前对图像进行“补零”操作；子网络是由6个卷积核大小为3x3的卷积层组成，卷积层都采用“补零”操作以保持图像的大小不变；第1个卷积层是收缩层，把输入图像特征映射的数量从56减小到12；接下来是3个卷积层和PReLU非线性映射层；第5层卷积是重构操作，相当于收缩层的逆操作，使用1个卷积核把特征图拓展成64个通道；最后把图像恢复成3通道的RGB图像；步骤3中将未经过美颜处理的原始图像使用BEMD分解的具体过程为：设原始图像为一个M×N的二维图像信号fx,y，x＝1,2,...,M，y＝1,2,...,N；步骤3.1：外部初始化，设置中间变量rj,hx,y＝fx,y,j＝1,h＝1，j代表迭代次数，即处理得到的第j个BIMF，h表示第h次筛选；步骤3.2：找出函数rj,hx,y中所有的局部极大值点和局部极小值点；步骤3.3：对步骤3.2中得到的点采用插值方法得到上包络轮廓面Maxx,y和下包络轮廓面Minx,y；步骤3.4：计算轮廓面的平均量mx,y＝Maxx,y+Minx,y2；步骤3.5：计算Lx,y＝rj,hx,y-mx,y，检验是否满足筛选终止条件，即Lx,y是否为一个BIMF分量，如果满足，则BIMFjx,y＝Lx,y，进入步骤3.6；否则，令h＝h+1，rj,hx,y＝Lx,y；返回步骤3.2；步骤3.6：保存过程变量tempx,y＝rj,1x,y-BIMFjx,y，令j＝j+1，h＝1，rj,hx,y＝tempx,y，检验是否满足迭代结束条件，若不满足，返回步骤3.2；若满足，结束分解过程；最终得到原始信号的分解结果为 其中，BIMFjx,y是第j个BIMF，BEMD分解得到J个BIMF，Rx,y是残余分量；对彩色图像的分析需要分别对R、G、B三个通道上的图像使用BEMD操作，最终把各通道上的分量合并，得到彩色的BIMF分量；步骤4中的使用均方误差作为网络的损失函数 其中，y是网络的训练监督图像，是网络的输出图像；最终的重建图像是各个子网络的输出值和 其中，Ii表示第i个子网络得到的回归结果，一共有n个子网络。

全文数据：

权利要求：

百度查询： 东南大学 基于BEMD和深度学习的美颜图像还原方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD