一种基于对称深度网络的单幅图像超分辨率重建方法技术
【技术实现步骤摘要】
本专利技术属于图像处理
，更具体地说，涉及一种基于对称深度网络的单幅图像超分辨率重建方法。
技术介绍
随着高清显示设备的快速发展，人们对高分辨率图像和视频的需求日益增长。传统的获取高分辨率图像的方法通常是基于硬件的方法，即改进图像传感器制造工艺，包括减小像素尺寸和增加传感器尺寸。由于硬件方法的高成本以及硬件的固有限制，使得人们不得不寻求其他方法。图像超分辨率重建是由一幅或多幅低分辨率图像重建得到一幅高分辨率图像的过程。相比于硬件方法，超分辨率重建技术具有较低的成本，而且重建得到的高分辨率图像质量更高。近年来，图像超分辨率重建逐渐成为计算机视觉和图像处理领域的研究热点。依据不同的划分标准，图像超分辨率重建技术可以被划分成不同的类型。根据技术原理的不同，超分辨率重建技术被划分为以下三种类型：基于插值的方法、基于重建的方法、基于学习的方法。在这些方法中，基于学习的方法通常从一个外部数据集中学习高分辨率图像与低分辨率图像之间的映射关系，然后利用学习的映射关系来重建高分辨率图像，是目前最热门的方法。较为经典的单幅图像超分辨率重建方法有以下几种：Yang等人首先将压缩...
【技术保护点】
一种基于对称深度网络的单幅图像超分辨率重建方法，其步骤为：步骤1、利用常用图像处理数据集，制作高分辨率图像块与低分辨率图像块训练集；步骤2、构建一个对称的卷积‑反卷积深度网络用于模型训练；步骤3、依据步骤1获得的训练集和步骤2构建的网络，进行网络训练，调整网络参数；步骤4、将一幅低分辨率图像作为网络输入，利用步骤3学习的参数重建出一幅高分辨率图像作为输出。
【技术特征摘要】
1.一种基于对称深度网络的单幅图像超分辨率重建方法，其步骤为：步骤1、利用常用图像处理数据集，制作高分辨率图像块与低分辨率图像块训练集；步骤2、构建一个对称的卷积-反卷积深度网络用于模型训练；步骤3、依据步骤1获得的训练集和步骤2构建的网络，进行网络训练，调整网络参数；步骤4、将一幅低分辨率图像作为网络输入，利用步骤3学习的参数重建出一幅高分辨率图像作为输出。2.根据权利要求1所述的一种基于对称深度网络的单幅图像超分辨率重建方法，其特征在于：步骤1制作高分辨率图像块与低分辨率图像块训练集的过程为：将常用图像处理数据集中每张彩色图像，首先转换到YCbCr空间，然后提取高分辨率训练图像的Y分量，接着对高分辨率图像进行两次双三次插值，得到与高分辨率图像对应的相同尺寸低分辨率图像；将每张高分辨率图像和低分辨率图像裁剪成多个图像块，由此得到用于深度网络训练的高分辨率图像块与低分辨率图像块的集合。3.根据权利要求1或2所述的一种基于对称深度网络的单幅图像超分辨率重建方法，其特征在于：步骤2中构建一个10层的对称深度网络模型，前面5层为卷积层，后面5层为反卷积层；每个卷积层和反卷积层之后接一个ReLU激活层；网络输入为低分辨率图像块，输出为高分辨率图像块，该网络将学习低分辨率图像块和高分辨率图像块之间的映射关系，如公式(1)所示：x＝F(y,φ) (1)其中，x,y分别表示高分辨率图像块和低分辨率图像块，φ为学习到的模型参数，用于之后的高分辨率图像重建。4.根据权利要求3所述的一种基于对称深度网络的单幅图像超分辨率重建方法，其特征在于：步骤2中网络训练的损失函数采用均方误差表示，如公式(2)所示： L = m i n φ 1 N Σ i = 1 N | | F ( y i , φ ) - x i | | 2 - - - ( 2 ) ]]>其中，N为步骤1所得训练集中样本数量，xi,yi为第i个高分辨率图像块和对应的低分辨率图像块。5.根据权利要求4所述的一种基于对称深度网络的单幅图像超分辨率重建方法，其特征在于：步骤2中ReLU激活层的激活函数用公式(3)表示如下：f(x)＝max(0,x) (3)其中，x为激活函数的输入，f(x)为激活函数的输出。6.根据权利要求5所述的一种基于对称深度网络的单幅图像超分辨率重建方法，其特征在于：步骤2中构建的深度网络的所有卷积核大小均设为3*3，前5个卷积层对应的特征图的数量分别设为32、64、64、128、128，后5个反卷积层对应的特征图的数量分别设为128、128、64、64、1，每个卷积层和反卷积层得到的输出用公式(4)表示：yi＝f(Wixi+bi),i＝1,2,...,10 (4)其中，W...
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。