一种基于网络反馈的图像超分辨率学习方法技术

本发明专利技术提供一种基于网络反馈的图像超分辨率学习方法。本发明专利技术首先使用卷积网络对低分辨率图像进行处理，获得浅层特征，然后将获得的低分辨率图像的浅层特征以及前一时刻反馈网络输出的高级特征通过反馈连接作为反馈网络的输入，通过反馈网络将高级特征作为低级特征的一种校正得到一个更高级的特征。最后将反馈网络的输出通过反卷积后再通过卷积得到残差图像，将原图像通过双线性插值上采样得到的图像与残差图像相加得到超分辨率图像。本发明专利技术解决了现有的深度学习方法没有利用人类视觉系统中普遍存在的反馈机制，面对多个高分辨率图像对应同一低分辨率图像，以及超分辨率缩放因子的增大图像细节无法修复的问题。

【技术实现步骤摘要】
一种基于网络反馈的图像超分辨率学习方法
本专利技术涉及本专利技术涉及图像、视频处理
，具体地说是涉及一种基于网络反馈的图像超分辨率学习方法。
技术介绍
图像超分辨率重建(superresolution,SR),是指从观测到的低分辨率图像重建出相应的高分辨率图像,是计算机视觉和图像处理领域里一种重要的图像处理技术,由于图像超分辨率方法能够在一定程度上修正设备或环境对图像造成的损坏，在许多领域有着重要的应用价值，比如目标检测、医学成像、安防监控和卫星遥感等。近年来，随着深度学习的迅速发展，深度学习被应用于各种人工智能任务，比如图像分类和目标检测等，并取得了突破性进展，研究学者们也积极地探索用深度学习来解决超分辨率问题，一种更加有效的方法被广泛用于解决图像超分辨率问题:基于深度学习的图像超分辨率方法。通过训练端到端的网络模型，直接学习低分辨率图像与高分辨率之间的映射关系.随着提出了各种各样的基于深度学习的超分辨率方法，从早期的基于卷积神经网络的方法再到后来的基于生成对抗网络的方法，都展示了很好的性能。然而人类视觉系统中普遍存在的本文档来自技高网...

【技术保护点】
1.一种基于网络反馈的图像超分辨率学习方法，其特征在于，包括以下步骤：/n步骤(1)、使用卷积网络对低分辨率图像进行处理，获得浅层特征；/n将低分辨率图像

【技术特征摘要】
1.一种基于网络反馈的图像超分辨率学习方法，其特征在于，包括以下步骤：
步骤(1)、使用卷积网络对低分辨率图像进行处理，获得浅层特征；
将低分辨率图像输入到一个具有4×m个卷积核大小为3×3以及m个卷积核大小为1×1的卷积网络中得到浅层特征输出作为反馈网络的输入；下一时刻的低分辨率图像由下采样得到，由于为初期重建的超分辨率图像，将重建后图像通过采样得到的图像作为下一时刻迭代的输入，形成反馈提升后期重建效果；
步骤(2)、将获得的低分辨率图像的浅层特征以及前一时刻反馈网络输出的高级特征通过反馈连接作为反馈网络的输入，通过反馈网络将高级特征作为低级特征的一种校正得到一个更高级的特征；具体步骤如下：
(2.1)将浅层特征以及高级特征作为反馈网络输入,通过m个卷积核大小为1×1的卷积层，将与连接并压缩，反馈信息细化输入特征产生细化的输入特征其中为其中卷积核k的大小取决于缩放倍数；
(2.2)将输入特征通过1个由m个卷积核大小为k×k，卷积核数量为m个的反卷积层进行上采样，生成1个高分辨率特征将高分辨率...

【专利技术属性】
技术研发人员：颜成钢，楼杰栋，孙垚棋，张继勇，张勇东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33