(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210552717.1 (22)申请日 2022.05.19 (71)申请人 国网山东省电力公司聊城供电公司 地址 252052 山东省聊城市经济技 术开发 区东昌路179号 申请人 国家电网有限公司 (72)发明人 刘福涛　尹晓敏　曹维达　于依冉　 鲁威志　张伟　王付奎　姜秋波　 李振玲　万月忠　杨超尘　徐彪　 李云龙　陈芳　 (74)专利代理 机构 济南金迪知识产权代理有限 公司 37219 专利代理师 杨树云 (51)Int.Cl. G06V 10/762(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/10(2022.01) G06V 10/50(2022.01) (54)发明名称 一种基于聚类的神经网络图像分块重构方 法 (57)摘要 本发明涉及一种基于聚类的神经网络图像 分块重构方法， 首先， 对预处理后的图像进行简 单重构， 并分别对预处理后的图像和重构后的 图 像进行分块， 得到对应位置的成对图像块； 再基 于K均值对图像块进行聚类； 对每类图像块训练 一个精细化的卷积神经网络， 以重构后的图像块 作为输入， 目标输出为对应原图像块的估计值。 将图像块的估计值拼接回对应图像的原始位置， 最后利用去噪器对图像进行降噪处理， 即可得到 重构后的图像。 本发明实现了用多个精细化神经 网络重构图像块的方法， 将整张图像进行分块重 构， 提高了 重构精度。 权利要求书2页 说明书5页 附图1页 CN 114937163 A 2022.08.23 CN 114937163 A 1.一种基于聚类的神经网络图像分块重构方法， 其特 征在于， 包括 步骤如下： 1)图像预处 理： 对输入的m张图像进行 灰度化处 理， 并将像素 大小调整为p1*p1； 2)对步骤1)预处 理后的m张图像进行简单重构， 得到 重构后的图像； 3)分别对步骤1)预处理后的m张图像和步骤2)得到的重构后的图像进行分块， 得到对 应位置的成对图像块； 每张图像块的像素大小设为p2*p2， 每张图像产生(p1/p2)^2张图像块， 则， m张图像共 产生m*(p1/p2)^2张图像块， 对步骤1)预处理后的m张图像 分块后得到原图像块， 记 为C1， 对 步骤2)得到的重构后的图像分块后得到 重构图像块， 记为C2； 4)对C1中的每一张图像块xi进行K均值聚类， 1≤i≤m*(p1/p2)^2， xi∈C1， 总类数为k， 将每张图像块分配到一个子类中， 第i张图像块的聚类结果为ni， 1≤ni≤k， 1≤i≤m*(p1/ p2)^2； 5)基于图像块C1所分成的k类， 每一类训练一个精细化的卷积神经网络， 共得到k个训 练后的卷积神经网络； 以图像块 作为输入， 目标输出为 6)利用n张图像进行测试： 对该n张图像依次经过步骤1)的图像预处理、 步骤2)的简单 重构及步骤3)的分块处理， 将得到的图像块存储在列表中， 每一个图像块的索引序号表示 为(0， 0)、 (0， 1)、 . ..、 (i， j)、 . ..、 (n‑1， m‑1)； 7)利用k近邻算法判断步骤6)中列表中的每张图像块属于k类 中的哪个类别， 将图像块 输入对应类别的训练后的卷积神经网络， 利用此图像块在列表中的索引序号， 将经过训练 后的卷积神经网络所生成的图像块拼接回原来的位置， 并对图像进行降噪处理， 得到合成 图像。 2.根据权利要求1所述的一种基于聚类的神经网络图像分块重构方法， 其特征在于， 步 骤2)的具体实现过程如下： a、 设矩阵Φ的大小为M *N， M<<N， 矩阵Φ由0、 1、 ‑1随机构成； b、 对步骤1)预处 理后的m张图像中的任一张图像z进行离 散余弦变换为： s＝DCT(z)； c、 压缩观测， 求取观测向量： y＝Φ*s＝Φ*DCT(z)， 其中y为观测向量M *1； d、 重构得到： e、 对 进行离散余弦逆变换 得到： 为重构后的图像。 3.根据权利要求1所述的一种基于聚类的神经网络图像分块重构方法， 其特征在于， 步 骤4)的实现过程如下： f、 在所有的图像块中随机 选取k张图像块作为初始的聚类中心； g、 计算每张图像块到各聚类 中心的欧氏距离， 将每张图像块归到欧氏距离最小所对应 的类别中； h、 在对所有图像块完成一 次分类后， 对每个类以当前所有图像块的均值作为该类新的 聚类中心； i、 重复步骤g和步骤h， 直至聚类中心不再变化或达 到设定的迭代次数。 4.根据权利要求1所述的一种基于聚类的神经网络图像分块重构方法， 其特征在于， 卷 积神经网络包括三层卷积层， 第一层卷积层包括64个滤波器， 每个滤波器包括1个大小为 11*11的通道； 第二层卷积层包括32个滤波器， 每个滤波器包括64个大小为11*11的通道； 第权　利　要　求　书 1/2 页 2 CN 114937163 A 2三层卷积层包括1个滤波器， 该 滤波器包括32个大小为1 1*11的通道； 每个卷积层对其输出应用Relu函数进行非线性激活； 使用均方误差作为损失函数， 如式( Ⅰ)所示： 式(Ⅰ)中， l为每类中图像块的个数； 利用后向传播 算法更新每 个神经元的权重和偏置值； 将每类中的初始重构图像块 输入对应的卷积神经网络， 目标输出为 计算卷积 神经网络对应的损失函数值， 利用后向传播算法更新每个神经元 的权重和偏置值， 重复迭 代直至损失函数值小于阈值， 训练完成。 5.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处理器执行所述计算机程序时实现权利要求1 ‑4任一所述的基于聚类的神经网络 图像分块重构方法的步骤。 6.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现权利要求1 ‑4任一所述的基于聚类的神经网络图像分块重构方法的步 骤。权　利　要　求　书 2/2 页 3 CN 114937163 A 3