The invention discloses a high resolution image prediction method based on image texture information to construct loss function. Firstly, the connection weights and biases of SRCNN convolution neural network are randomly initialized, and the network parameters are set. After the training data are pretreated, the training set of high and low resolution image pairs is obtained. Then, the low resolution image is input into the network framework to obtain the high resolution image output by the network. Then, the high resolution image output by the network is obtained by taking into account the texture information of the image. The loss function is used to calculate the error. If the number of iterations is not reached, the weights are corrected to get the trained network. In the test stage, the low-resolution image is input to the trained network to get the predicted high-resolution image. The loss function constructed by the invention can not only measure the loss of pixels, but also the loss of image texture information, overcome the shortcomings of the SRCNN convolution neural network super-resolution algorithm, and effectively realize the further improvement of the performance of the SRCNN algorithm.
【技术实现步骤摘要】
基于图像纹理信息构建损失函数的高分辨率图像预测方法
本专利技术涉及一种图像预测方法,尤其涉及基于深度学习的图像预测方法,属于人工智能
技术介绍
深度学习(DeepLearning)作为近几年来计算机视觉和模式识别中的研究重点,受到了学者们越来越多的研究关注,以深度学习理论为基础的图像超分辨技术更是发展迅速。目前,在诸多研究成果中,从合理构建损失函数角度开展深度学习超分辨算法性能提升的研究层出不穷,且对图像超分辨质量产生了许多有益的效果。比如:[1]LedigC,WangZ,ShiW,etal.Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork[C]//ComputerVisionandPatternRecognition.IEEE,2017。[2]YuX,PorikliF.Ultra-ResolvingFaceImagesbyDiscriminativeGenerativeNetworks[J].2016。[3]BrunaJ,SprechmannP,LecunY.Super-ResolutionwithDeepConvolutionalSufficientStatistics[J].ComputerScience,2015。在SRCNN算法中(具体参考:DongC,ChenCL,HeK,etal.LearningaDeepConvolutionalNetworkforImageSuper-Resolution[J].2014,8692:184-1 ...
【技术保护点】
1.一种基于图像纹理信息构建损失函数的高分辨率图像预测方法,其特征在于,包括如下步骤:步骤1、网络初始化:随机初始化SRCNN卷积神经网络的连接权重与偏置,并设置网络参数,包括:卷积核尺寸、卷积核数量、学习率、移动步长、迭代次数;步骤2、训练数据预处理:用双三次插值扩展训练图像数据集,获得高、低分辨率图像对训练集;步骤3、网络预测:将低分辨率图像输入基于SRCNN卷积神经网络框架,得到网络输出的高分辨率图像;步骤4、误差计算:计算网络输出的高分辨率图像和步骤2所得高分辨率图像的损失函数值,判断迭代次数是否达到预设,如果是,则网络训练结束,转入步骤6;如果否,则转入步骤5;步骤5、权值修正:计算步骤4中损失函数的梯度,采用经典随机梯度下降法修正网络权值,然后转入步骤3;步骤6、输出结果:获得网络训练后各类参数的最优结果,得到训练好的网络;步骤7、测试阶段:输入低分辨率图像至训练好的网络,得到预测的高分辨率图像。
【技术特征摘要】
1.一种基于图像纹理信息构建损失函数的高分辨率图像预测方法,其特征在于,包括如下步骤:步骤1、网络初始化:随机初始化SRCNN卷积神经网络的连接权重与偏置,并设置网络参数,包括:卷积核尺寸、卷积核数量、学习率、移动步长、迭代次数;步骤2、训练数据预处理:用双三次插值扩展训练图像数据集,获得高、低分辨率图像对训练集;步骤3、网络预测:将低分辨率图像输入基于SRCNN卷积神经网络框架,得到网络输出的高分辨率图像;步骤4、误差计算:计算网络输出的高分辨率图像和步骤2所得高分辨率图像的损失函数值,判断迭代次数是否达到预设,如果是,则网络训练结束,转入步骤6;如果否,则转入步骤5;步骤5、权值修正:计算步骤4中损失函数的梯度,采用经典随机梯度下降法修正网络权值,然后转入步骤3;步骤6、输出结果:获得网络训练后各类参数的最优结果,得到训练好的网络;步骤7、测试阶段:输入低分辨率图像至训练好的网络,得到预测的高分辨率图像。2.根据权利要求1所述的方法,其特征在于,步骤3中所述SRCNN卷积神经网络共三层,训练库的图像经过第一层卷积层后得到特征图,再经过Sigmoid激活函数;然后,经过第二层卷积层得到特征图,再经过Sigmoid激活函数;最后经过第三层对特征进行卷积运算,得到网络输出的高分辨率图像。3.根据权利要求1或2所述...
【专利技术属性】
技术研发人员:赵丽玲,张泽林,林屹,
申请(专利权)人:南京信息工程大学,
类型:发明
国别省市:江苏,32
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。