【技术实现步骤摘要】
基于致密链接神经网络的图像超分辨率方法、存储介质和终端
本专利技术涉及医疗图像与卫星图像处理领域,尤其涉及基于致密链接神经网络的图像超分辨率方法、存储介质和终端。
技术介绍
超分辨率技术SR(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR,主要是基于单张低分辨率的重建方法,即SingleImageSuper-Resolution(SISR)。SISR是一个逆问题,对于一个低分辨率图像,可能存在许多不同的高分辨率图像与之对应,因此通常在求解高分辨率图像时会加一个先验信息进行规范化约束。在传统的方法中,这个先验信息可以通过若干成对出现的低-高分辨率图像的实例中学到。而基于深度学习的SR通过神经网络直接学习分辨率图像到高分辨率图像的端到端的映射函数。目前已经有一些基于深度学习的研究被人提出,例如2016年研究人员提出的Super-ResolutionConvolutionalNeuralNetwork(SRCNN),是较早地提出的做SR的卷积神经网络。该网络结构十分简单,仅仅用了三个卷积层。该方法对于一个低分辨率图像,先使用双三次(bicubic)插值将其放大到目标大小,再通过三层卷积网络做非线性映射,得到的结果作为高分辨率图像输出。作者将三层卷积的结构解释成与传统SR方法对应的三个步骤:图像块的提取和特征表示,特征非线性映射和最终的重建。SRCNN的层数较少 ...
【技术保护点】
1.基于致密链接神经网络的图像超分辨率方法,其特征在于:包括以下步骤:图像预处理:将训练图像进行随机切割得到对应的高分辨率图像Label,对Label进行图像增强,对增强后的Label进行下采样生成低分辨率图像Input;特征提取:搭建致密链接神经网络,将低分辨率图像Input从致密链接神经网络的入口输入,经过计算后提取出Input中包含的特征信息;预测超分辨率图像并更新网络参数:将特征提取完成的图像进行上采样/反卷积,得到分辨率达到预期的高分辨率预测图像Predict;计算预测图像Predict以及真实图像Label之间的误差值,反向更新致密链接神经网络的参数;超分辨率重构:将需要超分辨计算的图像进行顺序切割,将切割后得到的若干Patch输入到致密链接神经网络中进行超分辨率计算得到每一个Patch的一个预测值Output,将每个Patch的output按顺序进行拼接得到最终的超分辨率图片。
【技术特征摘要】
1.基于致密链接神经网络的图像超分辨率方法,其特征在于:包括以下步骤:图像预处理:将训练图像进行随机切割得到对应的高分辨率图像Label,对Label进行图像增强,对增强后的Label进行下采样生成低分辨率图像Input;特征提取:搭建致密链接神经网络,将低分辨率图像Input从致密链接神经网络的入口输入,经过计算后提取出Input中包含的特征信息;预测超分辨率图像并更新网络参数:将特征提取完成的图像进行上采样/反卷积,得到分辨率达到预期的高分辨率预测图像Predict;计算预测图像Predict以及真实图像Label之间的误差值,反向更新致密链接神经网络的参数;超分辨率重构:将需要超分辨计算的图像进行顺序切割,将切割后得到的若干Patch输入到致密链接神经网络中进行超分辨率计算得到每一个Patch的一个预测值Output,将每个Patch的output按顺序进行拼接得到最终的超分辨率图片。2.根据权利要求1所述的基于致密链接神经网络的图像超分辨率方法,其特征在于:所述的致密链接神经网络包括N个普通卷积层、N-1个激活函数层、N-2个致密链接卷积组和1个上采样/反卷积层;每个致密链接卷积组中包括M个顺序连接的致密链接卷积层,并且致密链接卷积组中的所有致密链接卷积层均与该卷积组内的其他致密链接卷积层链接;前N-1个顺序连接的普通卷积层之间均顺序连接有一个激活函数层和一个致密链接卷积组,而第N-1个普通卷积层的输出端还顺序连接有第N-1个激活函数层、第N个普通卷积层和上采样/反卷积层。3.根据权利要求1所述的基于致密链接神经网络的图像超分辨率方法,其特征在于:所述的对增强后的Label进行下采样生成低分辨率图像Input,其中下采样的原理如下解释:对于一幅图像I尺寸为M*N,对其进行s倍下采样,即得到(M/s)*(N/s)尺寸的得分辨率图像,s为M和N的公约数,当考虑的是矩阵形式的图像,就是把原始图像s*s窗口内的图像变成一个像素,这个像素点的值就是窗口内所有像素的均值:式中,Pk表示经过下采样后这个s*s大小的图片碎片剩下的那一个像素点的值,win(k)表示这个s*s大小的图片碎片,k代表第几个这样的图像碎片,k的大小由图像大小和s的大小决定,Ii表示这s*s大小的图片碎片中的其中一个像素点。4.根据权利要求2所述的基于致密链接神经网络的图像超分辨率方法,其特征在于:所述的提取出Input中包含的特征信息的计算公式如下:Fl=max(0,Wl×Fl-1)其中,Wl表示第l层卷积层的权重,Fl表示第l层卷积层输出的特征图;因此每一层卷积层能够产生k×(l-1)+k0,其中k0代表输入的通道数,k表示致密链接型卷积层的特征增长步长。5.根据权利要求2所述的基于致密链接神经网络的图像超分辨率方法,其特征在于:所述的将特征提取完成的图像进行上采样/反卷积,得到分辨率达到预期的高分辨率预测图像Predict...
【专利技术属性】
技术研发人员:匡平,马霆松,王豪爽,郭雯霞,陈鹏,彭亮,
申请(专利权)人:电子科技大学,
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。