一种基于卷积神经网络的图像超分方法技术

本发明专利技术属于图像编辑技术领域，具体为一种基于卷积神经网络的图像超分方法。卷积神经网络包括：特征提取网络、特征学习网络、图像重构网络；方法包括：通过特征提取网络，提取图像特征；通过特征学习网络，学习出高分辨率图像特征；通过图像重构网络重构图像三个阶段。本发明专利技术提出的分层特征学习的网络结构可以让网络中的每一阶段充分利用网络中所有不同层级学到的特征信息，还很大程度上保留了网络中的重要特征，减少特征损失，实现了最大程度的特征利用，同时避免了特征的重复及冗余。实验结果表明，本方法生成了具有更符合主观视觉质量的高分辨率图像，恢复了逼真的细节纹理信息，还实现了较高效的图像超分过程，具有较强的实用价值。

【技术实现步骤摘要】
一种基于卷积神经网络的图像超分方法
本专利技术属于图像编辑
，具体涉及一种图像超分方法。
技术介绍
图像分辨率是衡量图像质量的一项重要指标，分辨率越高，细节越精细，质量越佳，图像包含的信息量越丰富。因此具有更高分辨率的图像在各种计算机视觉任务，如军事安全，卫星监控，交通监管，刑事调查等应用中都有着重要的应用价值及研究前景。但由于成本问题，通常在实际情况中的图像采集、存储、传输过程会不可避免受到外在条件限制或其它干扰，导致其存在不同程度的质量退化。图像超分技术是作为图像质量增强技术的研究分支。它旨在从低分辨率图像恢复出高分辨率图像中的信息，是一门科学研究价值高、应用领域广泛的现代图像处理技术。图像超分不仅是简单的扩大图像的尺寸，它产生了新的包含更有价值信息的图像。而图像超分技术采用基于信号处理的方法提高图像分辨率，是一种有效提高图像分辨率、改善图像性能的途径，并且该方法成本低，因此对高效高质量的图像超分技术的研究显得更加重要。图像超分可以通过基于插值的算法、基于实例方法和基于神经网络的方法来实现。早期的超分方法是基于插值的，如双三次插值和兰索斯重采样[1]，由于超分是一种不适定问本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的图像超分方法，所述卷积神经网络包括：特征提取网络FFE、特征学习网络FFL、图像重构网络FIR，其特征在于，具体步骤如下：(1)图像特征的提取将低分辨率图像ILR输入到卷积神经网络中，首先经过特征提取网络FFE，经过卷积操作将输入图像从像素空间转换到特征空间，生成输入图像的特征：FLR＝FFE(ILR)(2)图像特征的学习将提取到的低分辨率图像的特征FLR作为输入，经过特征学习网络FFL，从原始的图像中学习出高分辨率图像中的细节特征FHR：FHR＝FFL(FLR)(3)高分辨率图像的重构将上一步预测的含有丰富图像细节信息的特征FHR经过图像重构网络FIR，恢复出原始图...

【技术特征摘要】
1.一种基于卷积神经网络的图像超分方法，所述卷积神经网络包括：特征提取网络FFE、特征学习网络FFL、图像重构网络FIR，其特征在于，具体步骤如下：(1)图像特征的提取将低分辨率图像ILR输入到卷积神经网络中，首先经过特征提取网络FFE，经过卷积操作将输入图像从像素空间转换到特征空间，生成输入图像的特征：FLR＝FFE(ILR)(2)图像特征的学习将提取到的低分辨率图像的特征FLR作为输入，经过特征学习网络FFL，从原始的图像中学习出高分辨率图像中的细节特征FHR：FHR＝FFL(FLR)(3)高分辨率图像的重构将上一步预测的含有丰富图像细节信息的特征FHR经过图像重构网络FIR，恢复出原始图像中的高频细节内容，以重构具有更高质量的高分辨率图像ISR：ISR＝FIR(FHR)；这里，特征提取网络FFE、特征学习网络FFL、图像重构网络FIR，由不同数量的结构相同的基本单元U组成；其中每一单元U都包括两个卷积块和一个连接节点，卷积块的结构采用GEU单元，连接节点由一个卷积核大小为3×3的卷积层来实现；每个单元U的处理流程为：首先，设fin表示单元U的输入，将其输入到单元U中的第一个GEU(记为GEU1)块中生成特征f1：f1＝GEU1(fin)将生成的特征f1输入到下一个GEU(记为GEU2)单元，得到特征f2：f2＝GEU2(f1)最后，将两个GEU单元的输出f1、f1同时输入一个卷积核大小为3×3的卷积层进行特征融合，生成该单元的输出特征fout：fout＝Conv(f1,f2)。2.根据权利要求1所述的基于卷积神经网络的图像超分方法，其特征在于，步骤(1)中，特征提取网络FE采用一层网络结构，即由一个基本单元U组成，具体处理流程为：首先，将低分辨率图像输入到特征提取网络FE，经过一个单元U提取出低分辨率图像的特征F...

【专利技术属性】
技术研发人员：颜波，马晨曦，巴合提亚尔·巴热，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海,31