一种基于卷积稀疏编码的图像超分辨率重建方法技术

本发明专利技术提供的是一种卷积稀疏编码的超分辨率重建方法，主要包括LR特征提取部分，LR‑HR特征转换部分，HR图像重建部分。其中，LR‑HR特征转换部分采用稀疏编码的方法进行，联合训练LR与HR两个字典，在假定LR特征与HR特征共享相同稀疏编码假设下，即可通过LR‑HR字典对，从LR特征恢复出HR特征，进而重建出HR图像。本发明专利技术综合利用了稀疏理论的可解释性和CNN强大的学习能力，大大提高了超分辨率重建的性能。

A method of image super-resolution reconstruction based on convolutional sparse coding

【技术实现步骤摘要】
一种基于卷积稀疏编码的图像超分辨率重建方法
本专利技术属于图像处理领域，特别涉及用卷积稀疏编码的方法进行图像超分辨率重建。
技术介绍
现实生活中许多应用均需要高分辨率(HR)图像，例如监控领域、图像压缩传输、医学和遥感影像分析等。为了获得HR图像，可以从硬件方向考虑，增加传感器单位面积的像素数量，但是这会大大增加制作成本以及受限于物理成像系统。为了克服硬件限制，超分辨率重建算法被提出，它致力于从低分辨率(LR)图像中恢复出HR图像。目前，超分辨率重建算法主要分为三种：基于插值、基于重建和基于学习的方法。基于插值的方法比较简单，易于实现，但是容易产生伪影和振铃现象，并且重建结果模糊，视觉效果较差。基于重建的方法一般以退化模型为基础，需要引入额外先验，退化模型和先验信息的选择直接影响了重建效果。此外，此类方法重建结果一般较为模糊，放大时尤为明显。基于学习的方法是近些年来研究的热点，包括基于稀疏编码(SC)的方法和基于卷积神经网络(CNN)的方法。SC方法假定LR与HR图像共享稀疏编码，通过训练一对高低分辨率字典，即可从LR图本文档来自技高网...

【技术保护点】
1.一种基于卷积稀疏编码的图像超分辨率重建方法，其特征在于，包括如下步骤：/n步骤1，根据已有HR图像，预处理得到对应LR图像，将每对LR-HR图像作为一个训练样本对，建立训练集；/n步骤2，网络模型构建，具体包括如下子步骤，/n步骤2a，构建LR特征提取模块，包括两个卷积层和两个ReLU层，实现对LR图像的特征提取，用于后续字典学习；/n步骤2b，构建CNN特征转化模块，包括两个卷积层，四个全连接层，两个全局池化函数，三个ReLU激活函数，两个sigmoid激活函数，用于将上述LR特征转换为HR特征，具体实现方式如下，/n以卷积方式求解如下最小化问题；/n

【技术特征摘要】
1.一种基于卷积稀疏编码的图像超分辨率重建方法，其特征在于，包括如下步骤：
步骤1，根据已有HR图像，预处理得到对应LR图像，将每对LR-HR图像作为一个训练样本对，建立训练集；
步骤2，网络模型构建，具体包括如下子步骤，
步骤2a，构建LR特征提取模块，包括两个卷积层和两个ReLU层，实现对LR图像的特征提取，用于后续字典学习；
步骤2b，构建CNN特征转化模块，包括两个卷积层，四个全连接层，两个全局池化函数，三个ReLU激活函数，两个sigmoid激活函数，用于将上述LR特征转换为HR特征，具体实现方式如下，
以卷积方式求解如下最小化问题；






其中，为卷积操作，y为LR特征，为一滤波器组，实际含义为一个LR字典，记为Dy，c为分解的通道数，为待求解的卷积稀疏编码，w＝[w1,w2,...,wc]为L1范数加权系数，λ为稀疏惩罚系数；求解出最优卷积稀疏编码z*后，通过一个HR字典Dx，恢复出HR特征x；
步骤2c，构建HR图像重建模块，包括一个ReLU层和一个卷积层，用于将HR特征重建为HR图像；
步骤3，利用步骤1中构建的训练集对网络模型进行训练，
步骤4，将待测试的LR图像输入到训练好的网络...

【专利技术属性】
技术研发人员：余磊，何敬伟，袁琼雯，罗美露，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42