【技术实现步骤摘要】
本专利技术涉及计算机视觉领域,特别涉及一种对单幅图像进行超分辨的方法。
技术介绍
图像的超分辨率就是将低分辨率的图像经过一定的算法提升到高分辨率。而高分辨率图像具有更高的像素密度,更多的细节信息,更细腻的画质。获得高分辨率图像最直接的办法就是采用高分辨率的相机,但在实际应用过程中,受成本和工艺等的限制,大部分场合都不会采用高分辨、超分辨率的相机来进行图像信号的采集。因此,通过一定的算法来获取超分辨率的图像有很大的应用需求。目前用于超分辨的技术大致有:(1)基于插值的方法;(2)基于模型的方法;(3)基于学习的方法。而基于学习的方法基本思路是借助训练样本来计算得到高分辨率、低分辨率之间的先验知识,并建立两者之间的映射模型。目前基于学习的方法效果上是最好的。现有技术主要停留在科学研究领域,并不考虑工程实用性,虽然有些超分辨方法可达到较好的效果,但其速度达不到实用要求。因而,有必要在这种方法的基础上进行深入改进,从而达到尽可是能最佳的超分辨效果并且提升应用时的速度。
技术实现思路
本专利技术的目的在于提供一种对图像进行超分辨的方法。为此,本专利技术提出的一种对图像进行超分辨的方法,包括如下步骤:A1、数据预处理:从一组较高分辨率图像中通过采样方法得到一组较低分辨率图像;A2、设计卷积神经网络:在步骤A1同时或之前或之后,设计并实现一个卷积神经网络;A3、卷积神经网络的初步训练及超参数的选取:随机选取部分低分辨率图片,对卷积神经网络进行训练,得到超参数;A4、卷积神经网络的进一步训练:对训练集内的所有图片,训练从低分辨率图像到对应高分辨率图像的卷积神经网络,获得卷积 ...
【技术保护点】
一种对图像进行超分辨的方法,其特征在于包括如下步骤:A1、数据预处理:从一组较高分辨率图像中通过采样方法得到一组较低分辨率图像;A2、设计卷积神经网络:在步骤A1同时或之前或之后,设计并实现一个卷积神经网络;A3、卷积神经网络的初步训练及超参数的选取:随机选取部分低分辨率图片,对卷积神经网络进行训练,得到超参数;A4、卷积神经网络的进一步训练:对训练集内的所有图片,训练从低分辨率图像到对应高分辨率图像的卷积神经网络,获得卷积神经网络全部各层的滤波器W1、W2、……Wn和偏置参数和B1、B2、……Bn,其中n表示层数;A5、利用训练好的卷积神经网络,输入一张普通分辨率的图片就可以输出一张高分辨率的图片,从而实现图像的超分辨。
【技术特征摘要】
1.一种对图像进行超分辨的方法,其特征在于包括如下步骤:A1、数据预处理:从一组较高分辨率图像中通过采样方法得到一组较低分辨率图像;A2、设计卷积神经网络:在步骤A1同时或之前或之后,设计并实现一个卷积神经网络;A3、卷积神经网络的初步训练及超参数的选取:随机选取部分低分辨率图片,对卷积神经网络进行训练,得到超参数;A4、卷积神经网络的进一步训练:对训练集内的所有图片,训练从低分辨率图像到对应高分辨率图像的卷积神经网络,获得卷积神经网络全部各层的滤波器W1、W2、……Wn和偏置参数和B1、B2、……Bn,其中n表示层数;A5、利用训练好的卷积神经网络,输入一张普通分辨率的图片就可以输出一张高分辨率的图片,从而实现图像的超分辨。2.如权利要求1所述的对图像进行超分辨的方法,其特征在于:步骤A1中的采样方法是进行3倍比例的Bicubic下采样。3.如权利要求2所述的对图像进行超分辨的方法,其特征在于:所述Bicubic下采样是3倍比例的Bicubic下采样;并且在下采样之后还进行Bicubic上采样。4.如权利要求1所述的对图像进行超分辨的方法,其特征在于:步骤A2中卷积神经网络包括第一层:特征提取与表示层,其数学描述为:F1(Y)=max(0,W1*Y+B1)W1和B1分别代表滤波器和偏置,...
【专利技术属性】
技术研发人员:王好谦,安王鹏,王兴政,张永兵,李莉华,戴琼海,
申请(专利权)人:深圳市未来媒体技术研究院,清华大学深圳研究生院,
类型:发明
国别省市:广东;44
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。