The invention discloses a super resolution image wavelet transform and convolution neural network reconstruction method based on: in the training phase, the Gauss filter of high resolution Ih image training data and generate a low resolution image down sampling processing Il; on Ih single scale two-dimensional discrete wavelet transform to extract the low frequency component and low frequency level FLL the vertical high-frequency component of the level of FLH and high frequency vertical low frequency components FHL and diagonal high-frequency components FHH four frequency components; the Il as the four frequency components are used as input data, Ih tags, training four convolution neural network model. In the super-resolution reconstruction phase, low resolution image Il input by four trained convolutional neural network model generated four frequency components of the high resolution image and single scale two-dimensional discrete wavelet inverse transform to generate high resolution images of the Ih. This method can reconstruct super-resolution images from different frequencies and make full use of the learning ability of convolutional neural networks, which can significantly enhance the super-resolution reconstruction effect.
【技术实现步骤摘要】
一种基于小波变换和卷积神经网络的图像超分辨率重建方法
本专利技术涉及图像超分辨率重建技术,尤其涉及一种基于小波变换和卷积神经网络的图像超分辨率重建方法。
技术介绍
人们运用数字信号处理技术从一帧或者多帧低分辨率图像中重构出高分辨率图像的过程叫做图像超分辨率重建。图像超分辨率重建能解决由于数字图像采集设备固有的分辨率级别限制导致的硬件设备成像分辨率较低的问题。除此之外,图像超分辨率重建还能解决由于各种复杂应用环境导致的图像细节缺失、噪声和欠采样等影响图像分辨率的问题。图像超分辨率重建在克服硬件设备限制和应用环境多变等困难的同时能够切实有效地提高图像的分辨率,节约各个应用领域的生产成本。基于机器学习的图像超分辨率重建是当前人们用于解决图像超分辨率重建问题的主流方法,比如基于稀疏字典表示的图像超分辨率重建、基于卷积神经网络的图像超分辨率重建和基于生成对抗网络的图像超分辨率重建等。上述经典图像超分辨率重建方法都需要从大训练数据集中学习图像先验,然而单一的稀疏字典模型、卷积神经网络模型或者生成对抗网络模型的学习能力并不足以容纳训练数据集中的图像先验。因此,采用单一的机器学习模型不能实现最优的图像超分辨率重建效果。
技术实现思路
在下文中给出了关于本专利技术的简要概述,以便提供关于本专利技术的某些方面的基本理解。应当理解,这个概述并不是关于本专利技术的穷举性概述。它并不是意图确定本专利技术的关键或重要部分,也不是意图限定本专利技术的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。鉴于此,本专利技术提供了一种基于小波变换和卷积神经网络的图像超 ...
【技术保护点】
一种基于小波变换和卷积神经网络的图像超分辨率重建方法,其特征在于,所述图像超分辨率重建方法包括以下步骤:步骤一:将训练数据集中的高分辨率图像Ih进行高斯滤波以及降采样处理生成对应的低分辨率图像Il;步骤二:将训练数据集中的高分辨率图像Ih按照公式(1)做单尺度二维离散小波变换以提取其低频分量FLL、水平低频垂直高频成分FLH、水平高频垂直低频成分FHL和对角方向高频分量FHH等四个频率成分:
【技术特征摘要】
1.一种基于小波变换和卷积神经网络的图像超分辨率重建方法,其特征在于,所述图像超分辨率重建方法包括以下步骤:步骤一:将训练数据集中的高分辨率图像Ih进行高斯滤波以及降采样处理生成对应的低分辨率图像Il;步骤二:将训练数据集中的高分辨率图像Ih按照公式(1)做单尺度二维离散小波变换以提取其低频分量FLL、水平低频垂直高频成分FLH、水平高频垂直低频成分FHL和对角方向高频分量FHH等四个频率成分:H和G分别为一维尺度函数和一维小波函数对应的滤波器系数矩阵,且H和G满足HH*+GG*=I...
【专利技术属性】
技术研发人员:任鹏,孙文健,王廷伟,
申请(专利权)人:中国石油大学华东,
类型:发明
国别省市:山东,37
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。