The invention discloses a single image super-resolution reconstruction method based on multi-directional feature prediction prior. It mainly includes the following steps: constructing feature prediction depth convolution neural network; training the constructed network according to four directional features; using the trained network model to predict multi-directional features of input low-resolution images; using the four directional features of the previous step to predict, constructing multi-directional feature prediction priori; constructing feature Pre-processing Based on deep convolution neural network The cost function of super-resolution reconstruction with measurement and degradation constraints is optimized by using TFOCS technology to obtain high-resolution image estimation. The single image super-resolution reconstruction method of the invention can obtain good subjective and objective effects, and has good anti-noise performance. Therefore, the invention is a high-performance single image super-resolution reconstruction method, and has high application potential in the fields of aerospace, traffic monitoring, medical imaging, film and television entertainment, etc.
【技术实现步骤摘要】
基于多方向特征预测先验的单幅图像超分辨率重建方法
本专利技术涉及图像分辨率提升技术,具体涉及一种基于多方向特征预测先验的单幅图像超分辨率重建方法,属于图像处理领域。
技术介绍
随着信息技术的不断发展,高分辨率的图像及视频在航空航天、交通监控、医学成像、影视娱乐等领域有着极高的应用需求。但是受硬件成本、成像环境等多方面因素的制约,以及传输过程中受到的噪声干扰,获取的图像/视频质量有时仍然不能达到实际应用的需求,如存在分辨率不足、噪声干扰、模糊等降质问题。超分辨率重建技术可以对已采集的降质图像及视频进行分辨率提升,具有成本低、实用性强的特点。国内外学者们对超分辨率技术进行了深入的研究,并针对单幅图像的超分辨率重建提出了很多有效的方法。单幅图像超分辨率重建方法主要包含三类:基于插值的方法、基于重建的方法与基于学习的方法。近年来,由于机器学习的发展,基于学习的超分辨率重建方法取到了较大的进步,其中最为典型的就是基于深度学习的超分辨率方法。但是基于深度学习的超分辨率方法直接训练单个网络来将低分辨率图像映射到高分辨率图像,而传统基于重建方法中的图像降质约束在很大程度上被忽略了,所以重建得到的图像可能会产生人工痕迹,限制性能的进一步提升。
技术实现思路
本专利技术的目的是提出用于多方向特征预测的深度卷积神经网络,并结合图像降质约束,构建一种高性能的单幅图像超分辨率重建方法。本专利技术提出的基于多方向特征预测先验的单幅图像超分辨率重建方法,主要包括以下操作步骤:(1)针对输入的低分辨率图像,构建特征预测网络,用于预测未知的高分辨率特征;(2)针对每一个方向特征,利用训练图像数 ...
【技术保护点】
1.基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于包括以下步骤:步骤一:针对输入的低分辨率图像,构建特征预测网络,用于预测未知的高分辨率特征;步骤二:针对每一个方向特征,利用训练图像数据集,训练步骤一中构建的深度卷积神经网络,总共训练四类方向特征;步骤三:利用步骤二中训练好的深度卷积神经网络模型对输入的低分辨率图像进行多方向特征预测,得到预测的四类方向特征;步骤四:利用步骤三预测的四类方向特征,构建多方向特征预测先验;步骤五:融合进入降质约束,构建基于深度卷积神经网络与降质约束的超分辨率重建代价函数;步骤六:利用TFOCS技术来最优化重建代价函数,得到高辨率图像估计。
【技术特征摘要】
1.基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于包括以下步骤:步骤一:针对输入的低分辨率图像,构建特征预测网络,用于预测未知的高分辨率特征;步骤二:针对每一个方向特征,利用训练图像数据集,训练步骤一中构建的深度卷积神经网络,总共训练四类方向特征;步骤三:利用步骤二中训练好的深度卷积神经网络模型对输入的低分辨率图像进行多方向特征预测,得到预测的四类方向特征;步骤四:利用步骤三预测的四类方向特征,构建多方向特征预测先验;步骤五:融合进入降质约束,构建基于深度卷积神经网络与降质约束的超分辨率重建代价函数;步骤六:利用TFOCS技术来最优化重建代价函数,得到高辨率图像估计。2.根据权利要求1所述的基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于步骤一所述的特征预测网络:不同于传统的基于深度学习的超分辨率方法直接训练单个网络来将低分辨率图像映射到高分辨率图像,本发明构建的特征预测深度卷积神经网络能预测输入图像的多个高分辨率方向特征,进而应用于图像超分辨率环节;并且,该模型中使用了提出的预激活残差块,该残差块是由两个卷积层和两个个激励层(ReLU)组成,且ReLU位于卷积层的前面,理论分析表明该残差模块能够避免特征预测网络的梯度消失的问题。3.根据权利要求1所述的基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于步骤二所述的训练四类方向特征预测网络:首先对训练图像数据集进行降质,然后将降质图像数据集与原始图像数据集采用相同的梯度滤波核进行方向特征提取,构建高低分辨率的训练图像对;本发明提取0度,45度,90度,135度四个方向的梯度特征,对应梯度滤波核为:f1=[000;-110;000],f2=[-100;010;000...
【专利技术属性】
技术研发人员:任超,何小海,吴晓红,滕奇志,卿粼波,刘屹霄,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川,51
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。