The invention discloses a study super-resolution reconstruction method based on the depth of residual image, the effective combination of residual image and convolutional neural network learning method based on depth, not only makes the super-resolution image reconstruction is more clear, but also makes the reconstruction speed is faster. First, by deepening the depth of the convolutional neural network, the resulting network model has stronger nonlinear representation capability and image reconstruction capability. At the same time, by introducing the residual sub image method, the preprocessing based on the traditional interpolation algorithm is removed, and the fuzzy effect caused by the interpolation algorithm is avoided. The invention uses residual image convolution process can be transferred from the deep learning of high resolution space to low spatial resolution and super resolution reconstruction based on lifting effect, but also improve the efficiency of the algorithm of super resolution reconstruction.
【技术实现步骤摘要】
一种基于残差子图像的深度学习超分辨率重建方法
本专利技术涉及计算机图像处理领域与人工智能技术,尤其涉及一种基于残差子图像的深度学习超分辨率重建方法。
技术介绍
图像超分辨率是利用低分辨率的图像重建出高质量的高分辨率图像的过程,在视频压缩与传输,医学图像辅助诊断,安防监控以及卫星成像等领域有着广泛的应用前景。对于图像超分辨率有两个评价标准:(1)图像的重建效果,其目标是恢复图像的高频信息,提高图像的质量,尽可能地提升重建图像的视觉效果;(2)图像的重建效率,目标就是在保证重建效果的同时,尽可能地提高重建速度。目前主流的方法包括基于插值或者重构的传统方法和基于机器学习的新方法。基于插值或者重构的传统方法设定了固定的参数模型,由于重建速度快而被广泛采用,例如应用在美图秀秀或者Photoshop等商业软件中的超分辨率方法。然而利用这些技术重建的图像会产生锯齿、模糊或者振铃等视觉伪影,图像超分辨率重建的效果不佳。基于机器学习的方法由于能够自适应学习模型参数,具有很强的重建能力,逐渐成为国际上最前沿的图像超分辨率方法。其中基于稀疏模型的字典学习,是最早应用于图像超分辨率的一种机器学习方法,然而字典学习只有线性表示能力,其超分辨率重建效果有限。中国公开专利“一种基于残差的图像超分辨率重建方法”(公开号CN102722876A,公开日为2012.10.10)和专利“基于稀疏表示的图像超分辨率重建方法”(公开号CN102722876A,公开日为2013.10.23)采用了基于稀疏表示的字典学习的方法进行图像超分辨率重建。这种重建方法不仅受限于字典学习的线性表示能力,同时残差 ...
【技术保护点】
一种基于残差子图像的深度学习超分辨率重建方法,其特征在于:其包括以下步骤:1)训练深度神经网络模型:1‑1)将高分辨图像y分解成s
【技术特征摘要】
1.一种基于残差子图像的深度学习超分辨率重建方法,其特征在于:其包括以下步骤:1)训练深度神经网络模型:1-1)将高分辨图像y分解成s2个子图像ysub;1-2)计算s2个残差子图像rsub,并与对应的低分辨率图像x形成的图像训练集;1-3)通过图像训练集,采用基于卷积神经网络训练模型训练得到优化的网络模型参数w和b;2)利用训练完的深度神经网络模型将低分辨率待图像xtest重建成高分辨率图像ytest:2-1)基于训练好的网络模型参数w和b,将低分辨率图像xtest输入卷积神经网络训练模型中,并计算获得对应的s2个残差子图像rtestsub;2-2)利用残差子图像rtestsub,计算获得s2个子图像ytestsub,并变换各个子图像的空间位置,最终获得高分辨率图像ytest。2.根据权利要求1所述一种基于残差子图像的深度学习超分辨率重建方法,其特征在于:所述图像训练集包括低分辨率图像x和对应的残差子图像rsub。3.根据权利要求1所述一种基于残差子图像的深度学习超分辨率重建方法,其特征在于:步骤1-1)中s是图像的超分辨率放大倍数,子图像按每隔s个像素点在高分辨率图像中进行抽样取值。4.根据权利要求1所述一种基于残差子图像的深度学习超分辨率重建方法,其特征在于:步骤1-2)残差子图像的计算公式是:rsub=ysub-x,子图像个数为s2。5.根据权利要求1所述一种基于残差子图像的深度学习超分辨率重建方法,其特征在于:步骤1-3)具体包括以下步骤:步骤1-3-1)设定卷积神经网络模型的卷积层和激活函数均为L层,采用规整化线性单元函数作为激活函数,步骤1-3-2)选用图像对(x,r)作为训练集,输入低分辨率图像x和残差子图像r,得到卷积神经网络的训练目标函数是:其中,f(w,b,x)为神经网络模型的预测结果,...
【专利技术属性】
技术研发人员:童同,高钦泉,
申请(专利权)人:福建帝视信息科技有限公司,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。