【技术实现步骤摘要】
一种基于渐进式的深度残差网络的超分辨率图像重建方法
本专利技术属于图像数字化处理
，涉及一种基于渐进式的深度残差网络的超分辨率图像重建方法。
技术介绍
随着图像和视频数字化处理技术的不断进步，人们总是期望得到更高质量的图像。影响图像质量的因素主要分为两大部分，一是前期生成图像过程中的聚焦不准、人为抖动、物体运动等客观因素；二是图像传输和存储过程中可能由于噪声信号处理和欠采样效应等导致的图像质量下降。评价图像质量的重要指标是图像分辨率。当分辨率越高，图片像素密度越大，单位面积上的像素数目越多，所提供的细节信息也就越多，图像的质量也就越好。图像超分辨率重建技术是一种从一幅低分辨率图像或图像序列中恢复出高分辨率图像的技术。随着科学技术的快速发展，图像超分辨率重建技术在诸多领域中都到了广泛应用，例如城市管理领域、军事侦察领域、医疗图像等等。这些应用领域对图像超分辨率重建技术的要求越来越高，如何重建出效果更好的高分辨率图像仍然是一个基础性且亟待解决的任务。近年来，随着深度学习在图像处理领域内表现出巨大的潜力，众多...
【技术保护点】
1.一种基于渐进式的深度残差网络的超分辨率图像重建方法，其特征在于，包括如下步骤：/n步骤1：选择训练数据集和测试数据集，并对训练数据集图像进行旋转和比例缩放处理，扩充训练数据集图像；/n步骤2：将步骤1得到的训练数据集图像进行1/N比例下采样处理，其中N为缩放因子；/n步骤3：将原始训练数据集图像和步骤2得到的低分辨率图像分别裁剪成大小为H×W和H/N×W/N像素的图像块；/n步骤4：将对应相同位置的步骤3原始图像块和低分辨率图像块作为高分辨率/低分辨率样本对，生成格式为HDF5的训练数据集文件；/n步骤5：搭建渐进式的深度残差网络/n5.1设计跳线连接的残差块/n跳线连...
【技术特征摘要】
1.一种基于渐进式的深度残差网络的超分辨率图像重建方法，其特征在于，包括如下步骤：
步骤1：选择训练数据集和测试数据集，并对训练数据集图像进行旋转和比例缩放处理，扩充训练数据集图像；
步骤2：将步骤1得到的训练数据集图像进行1/N比例下采样处理，其中N为缩放因子；
步骤3：将原始训练数据集图像和步骤2得到的低分辨率图像分别裁剪成大小为H×W和H/N×W/N像素的图像块；
步骤4：将对应相同位置的步骤3原始图像块和低分辨率图像块作为高分辨率/低分辨率样本对，生成格式为HDF5的训练数据集文件；
步骤5：搭建渐进式的深度残差网络
5.1设计跳线连接的残差块
跳线连接的残差块是由两个残差单元、一个外卷积层和跳线连接组成；其中，所述残差单元由两个内卷积层、一个激活函数和跳线连接组成，所述残差单元和外卷积层通过λ倍的端对端连接在一起，然后残差单元的输入通过跳线连接与外卷积层的输出合并作为跳线连接的残差块的输出；
5.2设置跳线连接的残差块内部参数
设置参数包括卷积核的数量、卷积核的大小、填充、移动步长和激活函数；
5.3构造深度残差网络
将5个跳线连接的残差块端对端的连接在一起组成一个深度残差网络；
5.4搭建渐进式的深度残差网络
渐进式的深度残差网络分为2级，每一级完成2X缩放因子的超分辨率重建，进而实现4X缩放因子超分辨率重建；上述每一级渐进式深度残差网络是由深度残差网络和亚像素卷积层构成，在每一级渐进式深度残差网络中，先使用深度残差网络对输入的特征图进行特征提取，然后使用亚像素卷积将提取的特征进行上采样；
5.5设置渐进式的深度残差网络的参数
设置参数包括输入卷积层、输出卷积层和亚像素卷积层的卷积核数量、卷积核大小、移动步长以及填充；
步骤6：训练渐进式的深度残差网络
6.1构建均方误差函数作为损失函数；
6.2通过优化算法，更新渐进式深度残差网络的参数；
6.3使用峰值信噪比和结构相似度作为评价指标来客观评价渐进式的深度残差网络模型的重建性能；
6.4设置跳线连接的残差块的λ的参数值，且λ＝0.1,0.2,…，1；
6.5初始化渐进式的深度残差网络的参数和设置训练参...
【专利技术属性】
技术研发人员：宋昭漾，赵小强，惠永永，徐铸业，刘舒宁，张和慧，姚红娟，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：甘肃;62
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。