一种基于矩阵变量RBM的图像重构方法

摘要

本发明公开了一种基于矩阵变量RBM的图像重构方法，其大大降低训练和推导的计算复杂度，在训练和测试过程中保持了2D矩阵数据中的空间信息同时在重构过程中得到良好的效果，可以应用于更复杂的数据结构。该方法包括步骤：(1)训练阶段：给定低分辨率图像的输入特征Z＝(Z¹,Z²,Z³,Z⁴)，先用类似于插值方法的任何一个单图像高分辨率算法得到高分辨率图像块X的估计值X⁰，根据公式(19)，进行参数计算；(2)图像重建阶段：对给定低分辨率图像得到低分辨率对应的4个特征，利用步骤(1)训练好的参数对给定低分辨率图像进行高分辨率重建，用重建的高分辨率图像和给定低分辨率图像进行信息融合。

主权项

一种基于矩阵变量RBM的图像重构方法，其特征在于，该方法包括以下步骤：(1)训练阶段：给定低分辨率图像的输入特征Z＝(Z¹,Z²,Z³,Z⁴)，先用类似于插值方法的任何一个单图像高分辨率算法得到高分辨率图像块X的估计值X⁰，根据公式(19)，进行参数计算$\begin{array}{c}E\left(X,Y,Z\right)=-tr\left(U_0^T{\mathrm{YV}}_0{X}^T\right)-tr\left(X^{T}B\right)-tr\left(Y^{T}C\right)\\ -tr\left(U_1^T{\mathrm{YV}}_1{Z}_1^T\right)-tr\left(Z_1^T{A}_1\right)\\ -tr\left(U_2^T{\mathrm{YV}}_2{Z}_2^T\right)-tr\left(Z_2^T{A}_2\right)\\ -tr\left(U_3^T{\mathrm{YV}}_3{Z}_3^T\right)-tr\left(Z_3^T{A}_3\right)\\ -tr\left(U_4^T{\mathrm{YV}}_4{Z}_4^T\right)-tr\left(Z_4^T{A}_4\right)\end{array}---\left(19\right)$其中为五个二进制可见层矩阵变量，为二进制隐含层矩阵变量，分别为X和Y的二进制取值空间，为模型权值矩阵；(2)图像重建阶段：对给定低分辨率图像得到低分辨率对应的4个特征，利用步骤(1)训练好的参数对给定低分辨率图像进行高分辨率重建，用重建的高分辨率图像和给定低分辨率图像进行信息融合。