基于SRCNN改进模型的高分辨率太赫兹图像重构方法技术

本发明专利技术实施例公开了一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法，包括：基于SRCNN的模型结构，构建双层的特征提取的改进SRCNN的模型结构，在双层特征提取之后进行插值放大，然后再加入池化；对改进SRCNN模型结构的每一层依次经过第三层卷积，第三次卷积视为全连接层的非线性映射；经过第四层重建出最后的高分辨率图像。本发明专利技术改进了现有SRCNN模型在进行训练模型时需要大量时间以及重构后图像分辨率低的问题，通过模型内部不断的修改权重以及其他参数来获得最终的模型及最优参数，直到插损值达到很小的值为止。本发明专利技术设计的改进SRCNN四层卷积神经网络模型进行训练，相比于现有技术的SRCNN模型处理的结果PSNR量提高了2.4dB。

High Resolution Terahertz Image Reconstruction Based on SRCNN Improved Model

The embodiment of the present invention discloses a high resolution terahertz image reconstruction method based on SRCNN improved model, which includes: a model structure based on SRCNN, an improved SRCNN model structure based on Bilevel feature extraction, interpolation enlargement after bilevel feature extraction, and then pooling; each layer of the improved SRCNN model structure is convoluted by the third layer in turn, and the third layer. Convolution is regarded as a non-linear mapping of the full connection layer, and the final high resolution image is reconstructed through the fourth layer. The invention improves the problem that the existing SRCNN model needs a lot of time to train the model and the low resolution of reconstructed image. The final model and the optimal parameters are obtained by continuously modifying the weight and other parameters in the model until the interpolation loss reaches a very small value. The improved SRCNN four-layer convolution neural network model designed by the invention is trained, and the PSNR amount is increased by 2.4dB compared with the result of SRCNN model processing of the existing technology.

【技术实现步骤摘要】
基于SRCNN改进模型的高分辨率太赫兹图像重构方法
本专利技术涉及图像数据处理
，尤其是一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法。
技术介绍
在现有技术中，解决太赫兹图像质量问题主要有两种方法：①从太赫兹成像的源头开始解决，提高太赫兹成像设备的成像分辨率，并且降低成像过程中的噪声；②从得到的太赫兹图像开始处理，优化并且改进算法处理太赫兹图像。第一种方法优点是解决了问题的本源，但是设备成本很高，性价比低；第二种方法利用数字图像处理算法实现太赫兹图像的相关处理以及应用，但存在太赫兹图像成像清晰度低的问题。SRCNN模型是由汤晓鸥团队设计的一种模型，这种模型是基于卷积神经网络来实现图像重构，该模型仅仅使用了三层的神经网络结构，代表传统的稀疏表示的图像重构的步骤。但是现有的SRCNN模型处理图像的清晰度不够。因此，现有技术需要改进。
技术实现思路
本专利技术实施例所要解决的一个技术问题是：提供一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法，以解决现有技术存在的问题，所述基于SRCNN改进模型的高分辨率太赫兹图像重构方法包括：基于SRCNN的模型结构，构建双层的特征提取本文档来自技高网...

【技术保护点】
1.一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法，其特征在于，包括：基于SRCNN的模型结构，构建双层的特征提取的改进SRCNN模型结构，在双层特征提取之后进行插值放大，然后再进行池化；对改进SRCNN的模型结构每一层依次经过第三层卷积，视为全连接层的非线性映射；经过第四层卷积重建出最后的高分辨率图像。

【技术特征摘要】
1.一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法，其特征在于，包括：基于SRCNN的模型结构，构建双层的特征提取的改进SRCNN模型结构，在双层特征提取之后进行插值放大，然后再进行池化；对改进SRCNN的模型结构每一层依次经过第三层卷积，视为全连接层的非线性映射；经过第四层卷积重建出最后的高分辨率图像。2.根据权利要求1所述的基于SRCNN改进模型的高分辨率太赫兹图像重构方法，其特征在于，所述基于SRCNN的模型结构，构建双层的特征提取的改进SRCNN的模型结构，在双层特征提取之后进行插值放大，然后进行池化包括：设定目标经过放大后输入图像为Y，X为原始图像，第一层卷积网络计算出输出图像F1如式(1)所示：F1(Y)＝max(0,W1*Y+B1)(1)式中，B1代表权值偏置，*是卷积操作，W1用来表示n1个c×f1×f2滤波器，其中c表示的是图像的通道数，彩色图像是3，灰度图像是1，B1代表n1个偏置量；第二层卷积神经网络在第一层生成的n1个特征图的基础上通过映射成为n2个特征图，计算公式如式(2)：F2(Y)＝max(0,W2*F1(Y)+B2)(2)式中，B2代表权值偏置，*代表卷积操作，W2用来表示n2个n1×f2×f2滤波器，B2表示n2个偏置量；第三层进行图像的重建，利用式(3)建立重建层：F(Y)＝W3*F2(Y)+B3(3)式中W3用来表示c个n2×f3×f3的滤波器，B3表示c个偏置量。3.根据权利要求2所述的基于SRCNN改进模型的高分辨率太赫兹图像重构方法，其特征在于，所述设定目标经过放大后输入图像为Y，X为原始图像，第一层卷积网络计算出输出图像F1如式(1)中，参数为f1＝9,n1＝64。4.根据权利要求2所述的基于SRCNN改进模型的高分辨率太赫兹...

【专利技术属性】
技术研发人员：羊恺，袁一丹，顾岩，任向阳，陈鑫，李镇，陈新蕊，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51