【技术实现步骤摘要】
一种基于无参考质量评价和特征统计的图像超分辨率重建方法
本专利技术涉及计算机视觉、图像超分辨率重建、图像质量评价领域，具体地涉及一种基于无参考质量评价和特征统计的图像超分辨率重建方法。
技术介绍
图像超分辨率重建是从信息量有限的低分辨率图像中恢复出高分辨率的图像。然而超分辨率重建是一对多的病态问题，因为多种高分辨图片可能对应着同一种低分辨率图片。得益于目前热门的深度学习的发展，这类方法通过从超分辨率数据集上学习相应的映射关系限制解空间，从而从一定程度上缓解了这种病态问题，并且在超分辨率重建效果上取得重大突破。这些工作大多通过设计先进的网络结构单方面地追求更高的峰值信噪比PSNR和结构相似性SSIM，但是超分辨率最重要的目标是产生具有高视觉质量的目标图像。PSNR和SSIM都是依赖于低层像素间的差异，并不能代表感知质量的效果。目前图像超分辨重建模型大多采用的是对应像素间的误差作为网络学习的损失函数，如MSE损失和L1损失。这类以PSNR为导向的损失函数尽管可以使生成模型恢复图像整体结构，但是却容易产生模糊的纹理细节。为了获得更好的重建的细节和边缘，基于深度特征的感知...
【技术保护点】
1.一种基于无参考质量评价和特征统计的图像超分辨率重建方法，其特征在于，包括如下步骤：步骤S1，设计对抗学习网络模型用于图像超分辨率重建，该网络模型由生成器G和鉴别器D组成，其中生成器包含多层残差网络结构提取图像的深层语义信息，再根据提取到的语义信息结合图像的结构信息，使用亚像素重组提升图像的分辨率，最后采用一个卷积层降维至RGB的维度；步骤S2，取一系列高分辨图像，并将图像长宽裁剪为倍数S的最邻近整倍数作为目标图像数据集，设目标图像尺寸大小为Ch×Cw，将所有目标图像降采样S倍后得到低分辨率图像数据集，图像尺寸大小为
【技术特征摘要】
1.一种基于无参考质量评价和特征统计的图像超分辨率重建方法，其特征在于，包括如下步骤：步骤S1，设计对抗学习网络模型用于图像超分辨率重建，该网络模型由生成器G和鉴别器D组成，其中生成器包含多层残差网络结构提取图像的深层语义信息，再根据提取到的语义信息结合图像的结构信息，使用亚像素重组提升图像的分辨率，最后采用一个卷积层降维至RGB的维度；步骤S2，取一系列高分辨图像，并将图像长宽裁剪为倍数S的最邻近整倍数作为目标图像数据集，设目标图像尺寸大小为Ch×Cw，将所有目标图像降采样S倍后得到低分辨率图像数据集，图像尺寸大小为将两者数据集作为本网络模型的训练数据集；步骤S3，将低分辨率图像和目标图像一一对应，随机取目标图像的某块y及其对应的低分辨率图像块x作为当前图像的训练样本对，设目标块尺寸大小为Ph×Pw，输入块尺寸大小为步骤S4，将S3中得到的图像块输入到对抗学习网络模型中，构建生成器总损失函数和鉴别器损失函数，通过前后向传播算法，逐步更新该网络模型的训练参数，直到整个训练集训练完成，再通过epoch次循环迭代遍历整个训练集，至该网络模型参数、生成器总损失函数和鉴别器损失函数收敛后，保存整个网络的模型参数；步骤S5，输入测试低分辨率图像到训练好的对抗学习网络模型中，通过一次前向传播计算，生成高分辨率图像。2.如权利要求1所述的一种基于无参考质量评价和特征统计的图像超分辨率重建方法，其特征在于：步骤S4中所述总损失函数包括4种，分别为对抗损失函数，图像特征统计损失函数，图像质量评价损失函数和L2损失。3.如权利要求2所述的一种基于无参考质量评价和特征统计的图像超分辨率重建方法，其特征在于：鉴别器损失函数的构建方式如下，将低分辨图像块x输入到生成器G中，经过多层残差提取深层特征后，再通过一个亚像素重组提升特征图的分辨率，最后采用一个卷积层降维至RGB的维度，由此得到尺寸为Ph×Pw高分辨率的生成图像块G(x)；将生成图像块G(x)输入到鉴别器D中，经过一次前向传播后得到该图片鉴别为真实图像的概率D(x,G(x))；再将目标图像块y输入到鉴别器中，经过一次前向传播后得到真实图片被鉴别为真实图像的概率D(x,y)，鉴别器根据以下优化方程进行训练：其中为目标函数的数学期望，x～Pdata(x)、y～Pdata(y)分别指的是低分辨率图像x和目标图...
【专利技术属性】
技术研发人员：田胜，邹炼，范赐恩，陈丽琼，伏媛，杨烨，胡雨涵，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42
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。