基于dirac残差深度神经网络的超分辨率重建方法技术

本发明专利技术公开了基于dirac残差深度神经网络的超分辨率重建方法，网络输入低分辨率图片，通过多个dirac参数化的残差块学习图像特征，使用亚像素卷积重建出高分辨率图像。网络分为上下两个部分，上部分通过深度dirac残差网络得到LR的高频特征，然后通过亚像素卷积进行重建。下部分直接通过对LR的低频特征进行亚像素卷积来重建图像。之后结合两次重建结构输出重建HR图像。本发明专利技术通过权重参数化来改进残差层，并且缩小激活函数Relu前的卷积特征维度，增加激活函数后的卷积特征维度。同时将输入图像的卷积特征与残差网络学习的特征结合进行重建，在网络深度相同的情况下获得更好的SR效果。

Super-resolution reconstruction method based on Dirac residual depth neural network

【技术实现步骤摘要】
基于dirac残差深度神经网络的超分辨率重建方法
本专利技术涉及基于dirac残差深度神经网络的超分辨率重建方法，属于图像重建

技术介绍
超分辨率重建(Super-resolutionreconstruction，SR)是指通过对同一场景的一个或多个低分辨率(lowresolution，LR)图像进行观测，得到高分辨率(highresolution，HR)图像或者视频的估计。SR通过数字图像处理和机器学习的方法，突破成像系统硬件的限制，得到具有更高空间分辨率，更多细节信息的图像，是目前获取高清晰度图像的高效且低成本的技术手段。SR按不同输入输出方式可以分为三类，分别是单输入单输出(SISO)、多输入单输出(MISO)和多输入多输出(MIMO)，其中MIMO属于视频超分辨率重建。若对其直接进行分类，可分为两大类，即单幅图像的超分辨率重建(SISR)和多图像或多帧超分辨率。SISR是指在无法获取原始图像的情况下，用给定的单个LR图像来估计HR图像。用不同的方法，一幅低分辨率图像可以重建出不同的高分辨率图像。目前SISR常用的方法有解析插值法、基于重建的方法和基于学习的方法。目前本文档来自技高网...

【技术保护点】
1.基于dirac残差深度神经网络的超分辨率重建方法，其特征在于，包括如下步骤：步骤1，构建基于dirac残差的深度神经网络，该网络包括上、下两部分，上部分包括特征提取网络、多个dirac参数化残差块、重建网络，且特征提取网络依次包括卷积层和激活函数层，dirac参数化残差块依次包括第一dirac卷积层、激活函数层、第二dirac卷积层，重建网络依次包括卷积层和亚像素重建层；特征提取网络的输入为原始低分辨率图像，将特征提取网络的输出作为第一个dirac参数化残差块的输入，将前一个dirac参数化残差块的输出作为后一个dirac参数化残差块的输入，最后一个dirac参数化残差块的输出作为重建网络...

【技术特征摘要】
1.基于dirac残差深度神经网络的超分辨率重建方法，其特征在于，包括如下步骤：步骤1，构建基于dirac残差的深度神经网络，该网络包括上、下两部分，上部分包括特征提取网络、多个dirac参数化残差块、重建网络，且特征提取网络依次包括卷积层和激活函数层，dirac参数化残差块依次包括第一dirac卷积层、激活函数层、第二dirac卷积层，重建网络依次包括卷积层和亚像素重建层；特征提取网络的输入为原始低分辨率图像，将特征提取网络的输出作为第一个dirac参数化残差块的输入，将前一个dirac参数化残差块的输出作为后一个dirac参数化残差块的输入，最后一个dirac参数化残差块的输出作为重建网络的输入；下部分包括全局跳过连接网络，且全局跳过连接网络依次包括卷积层和亚像素重建层，将原始低分辨率图像作为下部分卷积层的输入；所述第一dirac卷积层或第二dirac卷积层的输出结果为：其中，y表示第一或第二dirac卷积层的输出，x表示第一或第二dirac卷积层的输入，⊙为卷积操作，表示卷积核参数矩阵，Wnorm为卷积操作参数，I为跳层操作参数，diag(α)、diag(β)均为权重参数；步骤2，将原始高分辨率图像做降采样预处理后，得到低分辨率训练图像，利用低分辨率训练图像对构建的基于dirac残差的深度神经网络进行训练，得到训...

【专利技术属性】
技术研发人员：杨欣，谢堂鑫，朱晨，周大可，李晓川，李志强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32