融合互信息的深度神经网络的图像超分辨率方法技术

本发明专利技术公开一种融合互信息的深度神经网络的图像超分辨率方法，包括：将图像数据库中的图像数据预处理操作；利用预处理操作后形成的图像数据进行模型训练，通过训练得到能对低分辨率图像进行超分辨到高分辨率图像的深度神经网络模型；使用训练好的深度神经网络模型，对测试数据集中的低分辨率图像进行超分辨处理。本发明专利技术通过融合互信息的图像超分辨率模型，可生成在感知上效果非常好的图像。

Image Super-resolution Method Based on Depth Neural Network Fusing Mutual Information

【技术实现步骤摘要】
融合互信息的深度神经网络的图像超分辨率方法
本专利技术涉及计算机视觉、计算机图像学、机器学习
，特别是涉及一种融合互信息的深度神经网络的图像超分辨率方法。
技术介绍
图像超分辨率，指的是从一张低分辨图像中推理恢复出对应的高分辨图像(一般研究单张图像的超分辨率，即只有一张低分辨率图像作为参考)。图像超分辨率是计算机视觉和图像处理中一个重要任务。在现实世界的很多场景下都能够看到广泛的应用，比如医疗摄影、监控和安防等等。除了提高图像的视觉质量外，图像超分辨率还为其他的计算机视觉和图像处理任务提供帮助，比如人脸识别、上妆和转脸等。所以图像超分辨率具有重要研究意义。但这个问题仍然具有挑战性，因为这是一个典型的病态问题，即给定一张低分辨率的图像，可能存在多张对应的高分辨率图像。之前存在着许多传统的方法来解决图像超分辨这个方法，比如基于稀疏表示的方法、基于边缘的方法和基于统计的方法。近年来随着硬件算力的大幅度上升和其价格的大幅度下降，机器学习以深度学习为基础开始了又一次复兴。各种基于深度学习的算法如春笋般浮现，在图像超分辨率领域，研究人员也提出了大量的基于深度学习的方法，这些方法都取得了令人本文档来自技高网...

【技术保护点】
1.融合互信息的深度神经网络的图像超分辨率方法，其特征在于，包括：S1.将图像数据库中的图像数据进行预处理操作：包括将训练数据集中的原始高分辨图像降采样生成低分辨图像；以及将高分辨图像和低分辨图像打包成h5py格式；S2.通过训练得到能对低分辨率图像进行超分辨到高分辨率图像的深度神经网络模型，包括：利用步骤S1形成的低分辨率图像和对应的高分辨图像作为生成网络对输入，真实高分辨图像作为GroundTruth，训练深度神经网络模型中的生成网络和互信息网络，完成深度神经网络模型的训练。S3.使用训练好的深度神经网络模型，对测试数据集中的低分辨率图像进行超分辨处理。

【技术特征摘要】
1.融合互信息的深度神经网络的图像超分辨率方法，其特征在于，包括：S1.将图像数据库中的图像数据进行预处理操作：包括将训练数据集中的原始高分辨图像降采样生成低分辨图像；以及将高分辨图像和低分辨图像打包成h5py格式；S2.通过训练得到能对低分辨率图像进行超分辨到高分辨率图像的深度神经网络模型，包括：利用步骤S1形成的低分辨率图像和对应的高分辨图像作为生成网络对输入，真实高分辨图像作为GroundTruth，训练深度神经网络模型中的生成网络和互信息网络，完成深度神经网络模型的训练。S3.使用训练好的深度神经网络模型，对测试数据集中的低分辨率图像进行超分辨处理。2.根据权利要求1所述的融合互信息的深度神经网络的图像超分辨方法，其特征在于，步骤S2中，在训练深度神经网络模型时，是通过生成网络对低分辨率图像处理，得到与GroundTruth大小一致的生成的高分辨率图像，与真实的高分辨率图像进行生成网络的损失函数L2的计算，通过互信息网络对输入的全局特征和局部特征做互信息网络损失函数Lmutual的计算，通过感知网络对真实的高分辨图像和生成的高分辨图像做感知损失函数Lperceptual的计算，模型迭代多次达到稳定后完成模型的训练。3.根据权利要求2所述的融合互信息的深度神经网络的图像超分辨方法，其特征在于，步骤S2中，具体的步骤如下：使用标准高斯分布随机初始化生成网络和互信息网络的权重参数，各个网络的损失函数分别为，生成网络的损失函数L2，感知损失函数Lperceptual和互信息网络的损失函数Lmutal；对于图像超分变率任务，将生成网络的输出分别作为感知网络和生成网络损失函数的输入，将从生成网络中提取出来的全局特征和局部特征作为互信息网络的输入，依次迭代使得互信息网络的损失函数Lmutual、感知损失函数Lperceptual和生成网络的损失函数L...

【专利技术属性】
技术研发人员：马鑫，侯峦轩，赫然，孙哲南，
申请(专利权)人：天津中科智能识别产业技术研究院有限公司，
类型：发明
国别省市：天津,12