【技术实现步骤摘要】
小波域中基于集团结构子带共同学习超分辨率网络的方法
本专利技术涉及计算机视觉图像超分辨率恢复技术，尤其涉及一种小波域中基于集团结构的子带共同学习超分辨率网络的方法，可解决单张图片的超分辨率恢复的问题。
技术介绍
单图像超分辨率是指从单个低分辨率图像重建高分辨率图像，这是一个不适定的反问题。几年来，研究者对单图像超分辨率的研究兴趣日益增加。最近，卷积神经网络(文献[1]、[2]、[3])显著改善了单图像超分辨率问题中的重建高分辨率图和真实图的峰值信噪比。这些网络通常先使用特征提取模块从低分辨率图像中提取一系列特征图，接着与上采样模块级联以增加分辨率进而重建高分辨率图像。提取特征的质量将严重影响高分辨率图像重建的性能。现代超分辨率网络中使用的提取模块的主要部分可以主要分为三类：常规卷积层(文献[4])，残差块(文献[5])和密集块(文献[6])。自从2012年AlexNet(文献[7])获得ILSVRC比赛的第一名以来，传统的卷积已被学者广泛考虑来解决单图像超分辨率问题。第一个使用常规卷积来解决单图像超分辨率问题的模型是SRCNN(文献[1])。之后，许多改进的网络，...
【技术保护点】
1.一种小波域中基于集团结构子带共同学习超分辨率网络的方法，通过构建新型超分辨率网络SRCliqueNet，包括：特征提取网络FEN和图像恢复网络IRN，实现单张图片的超分辨率恢复；包括如下步骤：1)输入低分辨率图像，低分辨率图像记作ILR；2)构建特征提取网络，通过特征提取网络将输入的低分辨率图像表示为一组特征映射；具体执行如下操作：21)特征提取网络包括第一卷积层、第二卷积层和由n个残差集团块组合成的集团块组；通过第一卷积层增加输入通道的数量；并可通过跳跃连接将第一卷积层的输出添加到集团块组的输出处；22)将第一卷积层的输出记为F1∈Rnlg×h×w，其中n是集团块组中...
【技术特征摘要】
1.一种小波域中基于集团结构子带共同学习超分辨率网络的方法，通过构建新型超分辨率网络SRCliqueNet，包括：特征提取网络FEN和图像恢复网络IRN，实现单张图片的超分辨率恢复；包括如下步骤：1)输入低分辨率图像，低分辨率图像记作ILR；2)构建特征提取网络，通过特征提取网络将输入的低分辨率图像表示为一组特征映射；具体执行如下操作：21)特征提取网络包括第一卷积层、第二卷积层和由n个残差集团块组合成的集团块组；通过第一卷积层增加输入通道的数量；并可通过跳跃连接将第一卷积层的输出添加到集团块组的输出处；22)将第一卷积层的输出记为F1∈Rnlg×h×w，其中n是集团块组中包含的集团块的总数量，l是每个集团块中的层数，g是每个集团块的增长率；23)通过第二卷积层改变通道的数量，使得第二卷积层的输出和后续集团块组的输入相适应；第二卷积层的输出记为F2∈Rlg×h×w；24)使用特征提取网络的集团块组提取图片的特征，网络输出为第一卷积层的输出和集团块组的输出的总和；执行如下操作：集团块组的输出根据所有的集团块的特征拼接得到，每个集团块的前向传播可表示为Ci+1＝fi(Ci)，i＝1,2,3,…,n-1,Ci∈Rlg×h×w，其中Ci是第i个集团块的输入，fi是第i个集团块的基本映射；Yg＝[C1,C2,…Cn]∈Rnlg×h×w是集团块组的输出；特征提取网络的输出YF是Yg和F1的总和，即YF＝Yg+F1；3)建立图像复原网络，包括一个集团上采样模块和一个卷积层；将特征提取网络的输出特征传入图像恢复网络的集团上采样模块中；通过集团上采样模块进行子带提取、自残差学习和子带精细化；使用逆离散小波变换改变特征图的分辨率大小，从而恢复得到高分辨率的特征图；再通过卷积层恢复得到高分辨率图像，记作IHR。2.如权利要求1所述小波域中基于集团结构子带共同学习超分辨率网络的方法，其特征是，输入低分辨率图像ILR∈R3×h×w，其中，h和w分别是输入图像的高度和宽度，3表示图像为RGB三色通道；恢复得到高分辨率图像IHR∈R3×rh×rw，其中r是放大倍数，h和w分别是输入图像的高度和宽度。3.如权利要求1所述小波域中基于集团结构子带共同学习超分辨率网络的方法，其特征是，图像复原网络中的集团上采样模块包括四个子网络，分别代表小波域中的四个子带LL、LH、HL和HH，用于预测四个子带的高分辨率小波系数；通过使用逆离散小波变换改变特征图的分辨率大小，从而恢复出高分辨率的图片。4.如权利要求3所述小波域中基于集团结构子带共同学习超分辨率网络的方法，其特征是，集团上采样模块基于四个子带边缘特征，通过子带系数互相学习，得到更精细的细节部分...
【专利技术属性】
技术研发人员：林宙辰，钟之声，沈天成，杨一博，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京,11
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。