【技术实现步骤摘要】
图像重建模型训练方法、图像超分辨率重建方法及装置
本专利技术属于图像超分辨率
,更具体地,涉及一种图像重建模型训练方法、图像超分辨率重建方法及装置。
技术介绍
图像分辨率泛指成像或显示系统对细节的分辨能力,表示图像中存储的信息量,通常表示为“水平像素数×垂直像素数”。通常情况下,图像的分辨率越高表示图像包含的细节越多,提供的信息量越大。图像超分辨率技术(ImageSuper-Resolution,简称SR),是根据单张或多张低分辨率(LowResolution,简称LR)图像来重建高分辨率(HighResolution,简称HR)图像的技术,该技术能够提供更加丰富的视觉信息,是计算机视觉领域中的经典问题。单幅图像超分辨率(SingleImageSuper-Resolution,简称SISR),是指根据给定的低分辨率图像信息恢复出有良好视觉体验的高分辨率图像。图像超分辨率技术主要研究的问题是如何将低分辨率图像重建为高分辨率图像,该技术重点关注图像的细节,即图像的高频信息。目前,传统的图像超分辨率重建方法主要包括插值方法和稀疏表示方法。其中,插值方法是一种简单的图像处理方式,利用目标周围的像素按照一定的公式算法完成插值,常用的插值方法有最邻近元法、双线性内插法和双三次内插法;最邻近元法直接将与目标像素最近像素替换目标像素的像素值,实现起来简单,计算复杂度小,但是生成的图像在像素值上分布不连续,通常会呈现锯齿形状(锯齿效应);双线性内插法利用目标像素的周围最近的四个互相垂直的像素完成线性插值,生成图像的像素值分布更连续,但会导致生成图像过于平滑,图像的轮廓 ...
【技术保护点】
1.一种图像重建模型训练方法,其特征在于,包括:(1)对标准图像库中的图像进行预处理,以得到低分辨率的图像分块,从而得到由所有图像分块及其对应的标准图像所构成的样本集;(2)建立图像重建模型,用于对单幅低分辨率图像进行超分辨率重建以得到高分辨率图像;所述图像重建模型包括特征提取网络、m个残差网络、m个注意力网络、放大网络、插值层以及第一融合层;所述特征提取网络用于提取所述低分辨率图像的特征,以得到粗糙特征图;所述m个残差网络依次级联;第一个残差网络用于对由所述特征提取网络输出的粗糙特征图进行特征提取后与该粗糙特征图进行叠加,以得到残差特征图;第2~m个残差网络分别用于对由前一个残差网络输出的残差特征图进行特征提取后与该残差特征图进行叠加,以得到新的残差特征图;所述m个注意力网络分别用于从m个残差网络输出的残差特征图中提取出感兴趣区域的图像;所述放大网络用于融合由所述m个注意力网络输出的感兴趣区域的图像以及由第m个残差网络输出的残差特征图,并对融合结果进行放大,以得到第一重建图像;所述插值层用于对所述低分辨率图像进行双三次插值放大,以得到第二重建图像;所述第一融合层用于融合所述第一重建图 ...
【技术特征摘要】
1.一种图像重建模型训练方法,其特征在于,包括:(1)对标准图像库中的图像进行预处理,以得到低分辨率的图像分块,从而得到由所有图像分块及其对应的标准图像所构成的样本集;(2)建立图像重建模型,用于对单幅低分辨率图像进行超分辨率重建以得到高分辨率图像;所述图像重建模型包括特征提取网络、m个残差网络、m个注意力网络、放大网络、插值层以及第一融合层;所述特征提取网络用于提取所述低分辨率图像的特征,以得到粗糙特征图;所述m个残差网络依次级联;第一个残差网络用于对由所述特征提取网络输出的粗糙特征图进行特征提取后与该粗糙特征图进行叠加,以得到残差特征图;第2~m个残差网络分别用于对由前一个残差网络输出的残差特征图进行特征提取后与该残差特征图进行叠加,以得到新的残差特征图;所述m个注意力网络分别用于从m个残差网络输出的残差特征图中提取出感兴趣区域的图像;所述放大网络用于融合由所述m个注意力网络输出的感兴趣区域的图像以及由第m个残差网络输出的残差特征图,并对融合结果进行放大,以得到第一重建图像;所述插值层用于对所述低分辨率图像进行双三次插值放大,以得到第二重建图像;所述第一融合层用于融合所述第一重建图像和所述第二重建图像,以完成对所述低分辨率图像的超分辨率重建,从而得到所述高分辨率图像;(3)利用所述样本集对所述图像重建模型进行训练和测试,以得到训练好的图像重建模型。2.如权利要求1所述的图像重建模型训练方法,其特征在于,所述步骤(1)包括:将所述标准图像库中的每一幅图像均按照不同的规格进行下采样,以得到每一幅标准图像所对应的多幅低分辨率图像;将每一幅低分辨率图像进行分割,从而得到低分辨率图像块;由所有图像分块及其对应的标准图像构成样本集。3.如权利要求1所述的图像重建模型训练方法,其特征在于,所述特征提取网络包括两个卷积层。4.如权利要求1所述的图像重建模型训练方法,其特征在于,所述残差网络包括第一卷积层、第一激活函数层、第二卷积层以及第二融合层;所述第一卷积层用于对输入图像进行卷积操作;所述第一激活函数层用于利用LeakyReLu激活函数对所述第一卷积层的输出图像进行激活处理;所述第二卷积层用于对经过所述第一激活函数层处理之后的图像进行卷积操作;所述第二融合层用于将所述输入图像与所述第二卷积层的输出图像进行叠加,以得到新的残差特征图;其中,所述输入图像为由所述特征提取网络输出的粗糙特征图,或者由前一级残差模块输出的残差特征图。5.如权利要求4所述的图像重建模型训练方法,其特征在于,所述第二卷积层的卷积核大小为1×1。6.如权利要求1所述的图像重建模型训练方法,其特征在于,所述注意力网络包括特征提取层、映射层、构造层、第二激活函数层以及区域提取层;所述特征提取层为一个卷积层,用于通过卷积操作对输入的残差特征图进行特征提取;所述映射层包...
【专利技术属性】
技术研发人员:陈进才,卢萍,黄振兴,柳栋栋,王少兵,赵晓宁,熊阳,冯恩淼,
申请(专利权)人:华中科技大学,
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。