一种基于多尺度特征表示与权值共享卷积层的图像超分辨率方法技术

本发明专利技术的一种图像超分辨率方法包括：S1、通过卷积层提取输入图像的特征信息，并形成n路不同尺度的特征信息；S2、将n路多尺度特征信息输入多尺度特征表示与权值共享卷积层中进行多尺度特征信息之间的映射和交互，并且其中的相同尺度卷积核均采用相同的权值；S3、将所述多尺度特征表示与权值共享卷积层输出的n路不同尺度的特征信息恢复到原来的尺度并进行融合，以获得最终的输出特征。本发明专利技术的方法通过多尺度的特征表示可以降低运算量，相同尺度间卷积核的权值共享的形式可以降低参数量，同时不同尺度的信息经过相同的非线性映射可以保留不同尺度特征的多样性，而且结构具有即插即用的特性，适用现有的基于卷积神经网络的图像超分辨方法。

【技术实现步骤摘要】
一种基于多尺度特征表示与权值共享卷积层的图像超分辨率方法
本专利技术属于计算机视觉及图像处理
，特别涉及一种基于多尺度特征表示与权值共享卷积层的图像超分辨率方法。
技术介绍
图像超分辨率技术在计算机视觉和图像处理领域拥有重要的学术研究和工业应用价值。图像超分辨率技术的目的就是，根据给定的低分辨率图像去重构出其所对应的高分辨率图像，并且能够得到尽量好的视觉效果和小的重构误差。传统的图像超分辨率技术例如包括：基于插值的图像超分辨率技术，其通过某点与周围点的包括数值和位置在内的关系，根据一定的公式来计算该点的值；基于重建的图像超分辨率技术，例如支持向量回归方法、稀疏表示法、邻域嵌入方法等；以及基于深度学习的图像超分辨率重建技术，其通过各种神经网络学习低分辨率图像和重建的高分辨率图像之间的先验信息，比较前后图像以根据重建效果调节神经网络中的模型和参数。其中，基于深度学习的图像超分辨率重建技术是目前备受关注的技术之一，例如SRCNN基于卷积神经网络的图像超分辨率重建技术等，这些技术比基于插值或者重建的技术的计算效率都高，超分辨效果也本文档来自技高网...

【技术保护点】
1.一种图像超分辨率方法，将低分辨率图像输入到训练好的卷积神经网络以重建获得高分辨率图像，其特征在于，包括如下步骤：/nS1、通过卷积层提取输入图像的特征信息，并形成n路不同尺度的特征信息，其中n大于等于2；/nS2、将n路多尺度特征信息输入多尺度特征表示与权值共享卷积层中进行多尺度特征信息之间的映射和交互；/nS3、将所述多尺度特征表示与权值共享卷积层输出的n路不同尺度的特征信息恢复到原来的尺度并进行融合，以获得最终的输出特征。/n

【技术特征摘要】
1.一种图像超分辨率方法，将低分辨率图像输入到训练好的卷积神经网络以重建获得高分辨率图像，其特征在于，包括如下步骤：
S1、通过卷积层提取输入图像的特征信息，并形成n路不同尺度的特征信息，其中n大于等于2；
S2、将n路多尺度特征信息输入多尺度特征表示与权值共享卷积层中进行多尺度特征信息之间的映射和交互；
S3、将所述多尺度特征表示与权值共享卷积层输出的n路不同尺度的特征信息恢复到原来的尺度并进行融合，以获得最终的输出特征。


2.根据权利要求1所述的方法，其特征在于，所述步骤S1还包括：
将提取的特征信息映射为n路，每路信息的深度为原来的1/n；并且，对第i路特征信息进行i-1次降采样，以获得不同尺度的特征信息，其中i为小于等于n的整数。


3.根据权利要求2所述的方法，其特征在于，所述降采样使得所述特征信息的长和宽均为原来的一半。


4.根据权利要求1所述的方法，其特征在于，在所述步骤S2中，所述多尺度特征表示与权值共享的卷积层具有多个卷积核；
其中，有n个卷积核用于相同尺度特征之间的映射；
此外，有2n-2个卷积核用于不同尺度特征之间的映射。


5.根据权利要求1所述的方法，其特征在于，在所述步骤S2中，所述多尺度特征表示与权值共享的卷积层具有n2个卷积核；
其中，有n个卷积核用于相同尺度特征之间的映射；
此外，有n×(n-1)个卷积核是不同尺度特征之间的映射。

【专利技术属性】
技术研发人员：关伟鹏，冯锐成，董超，乔宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44