The invention relates to a single frame image super-resolution reconstruction method based on multiple differential consistency constraints and symmetric redundant network, including: S1 establishes the consistency correspondence between low-resolution image and high-resolution image, respectively establishes the observation model about structure, edge and texture, i.e. consistency constraint model by obtaining 0-order gradient, 1-step degree and 2-step degree; S2: according to The types of reconstruction images are needed, and the corresponding training sets in structure, edge and texture level are constructed between high-resolution image and low-resolution image; S3: the training model based on symmetric redundant depth neural network is established to obtain the mapping relationship between high-resolution image and low-resolution image. S4: the consistency constraint model of step S1 and the prior constraint of step S3 are used to build the super-resolution reconstruction model, and the solution is carried out to get the reconstructed super-resolution image.
【技术实现步骤摘要】
基于多重微分一致性约束和对称冗余网络的单帧图像超分辨率重建方法
本专利技术涉及基于多重微分一致性约束和对称冗余网络的单帧图像超分辨率重建方法,属于计算机图像处理领域。
技术介绍
获取高分辨率图像是计算机视觉和后续相关领域的重要基础。目前的超分辨率重建方法可以广义得分为单帧重建算法和多帧重建算法。单帧重建算法是指利用一幅受到噪声、模糊、降采样等降质因素影响的低分辨率图像来重建出其对应的高分辨率图像所需的算法。具体参见文献W.Shi,J.Caballero,F.Huszar,J.Totz,A.P.Aitken,R.Bishop,D.Rueckert,Z.Wang,Real-TimeSingleImageandVideoSuper-ResolutionUsinganEfficientSub-PixelConvolutionalNeuralNetwork.IEEEConferenceonComputerVisionandPatternRecognition,1874-1883,LasVegas,NV,UnitedStates,2016及文献Y.Zhang,Q.Fan,F.Bao,Y.Liu,C.Zhang,Single-ImageSuper-ResolutionBasedonRationalFractalInterpolation.IEEETransactionsonImageProcessing,27(8):3782-797,2018。多帧图像重建算法是指利用同一场景下的多帧有相对位移的低分辨率图像(受到噪声、模糊、降采样等降质因素影响的降质图像)来重建一帧高分 ...
【技术保护点】
1.基于多重微分一致性约束和对称冗余网络的单帧图像超分辨率重建方法,其特征在于,包括步骤如下:S1:建立低分辨率图像和高分辨率图像之间的一致性对应关系,通过获取0阶梯度、1阶梯度和2阶梯度,分别建立关于结构、边缘和纹理的观测模型,从而获得新的数据保真模型,即一致性约束模型;S2:根据所需重建图像的种类,构建高分辨率图像和低分辨率图像之间在结构、边缘和纹理层面上的对应训练集;S3:建立基于对称冗余深度神经网络的训练模型,通过该训练模型训练步骤S2获取的高分辨率图像和低分辨率图像之间在结构、边缘和纹理层面上的对应训练集中的数据,获得高分辨率图像和低分辨率图像之间的映射关系,即外部信息,所述映射关系也被称为先验约束;S4:利用半二次迭代方法将步骤S1的一致性约束模型和步骤S3的先验约束建立超分辨率重建模型,并进行求解,得到重建后的超分辨率图像。
【技术特征摘要】
1.基于多重微分一致性约束和对称冗余网络的单帧图像超分辨率重建方法,其特征在于,包括步骤如下:S1:建立低分辨率图像和高分辨率图像之间的一致性对应关系,通过获取0阶梯度、1阶梯度和2阶梯度,分别建立关于结构、边缘和纹理的观测模型,从而获得新的数据保真模型,即一致性约束模型;S2:根据所需重建图像的种类,构建高分辨率图像和低分辨率图像之间在结构、边缘和纹理层面上的对应训练集;S3:建立基于对称冗余深度神经网络的训练模型,通过该训练模型训练步骤S2获取的高分辨率图像和低分辨率图像之间在结构、边缘和纹理层面上的对应训练集中的数据,获得高分辨率图像和低分辨率图像之间的映射关系,即外部信息,所述映射关系也被称为先验约束;S4:利用半二次迭代方法将步骤S1的一致性约束模型和步骤S3的先验约束建立超分辨率重建模型,并进行求解,得到重建后的超分辨率图像。2.根据权利要求1所述的基于多重微分一致性约束和对称冗余网络的单帧图像超分辨率重建方法,其特征在于,步骤S1中,构建的一致性约束模型如式(I)所示:式(I)中,F(x,y)表示本发明建立的基于低分辨率图像y和高分辨率图像x之间的多重微分一致性约束函数,i的取值分别为0,1,2,分别用来标记0阶梯度,1阶梯度,2阶梯度,λi为第i阶梯度的权重参数,ψ0为恒等变换,ψ1为1阶梯度算子,ψ2为2阶梯度算子,ψi(y)表示对低分辨率图像y求第i阶梯度,ψi(Wx)表示对拟合的低分辨率图像Wx求第i阶梯度。3.根据权利要求1所述的基于多重微分一致性约束和对称冗余网络的单帧图像超分辨率重建方法,其特征在于,所述步骤S2,包括:构建高分辨率图像集和对应的低分辨率图像集i为样本序号,n为训练样本库大小;xi表示训练样本库中第i帧高分辨率图像,yi表示训练样本库中与xi相对应的第i帧低分辨率图像。4.根据权利要求1所述的基于多重微分一致性约束和对称冗余网络的单帧图像超分辨率重建方法,其特征在于,所述步骤S3,基于对称冗余深度神经网络的训练模型是一个对称模型,包括编码部分和对称的解码部分,编码部分包括5个一样的功能模块,每一个功能模块包括卷积、归一化和激活操作;对称的解码部分也包括5个功能模块,每一个功能模块包括反卷积、归一化和激活操作;编码部分的从左往右的5个功能模块的通道数量分别为...
【专利技术属性】
技术研发人员:赵盛荣,梁虎,董祥军,
申请(专利权)人:齐鲁工业大学,
类型:发明
国别省市:山东,37
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。