基于深度递归卷积网络的单张图像超分辨率重建方法技术

本发明专利技术公开了一种基于深度学习网络的单张图像超分辨率重建方法。包括以下步骤：使用两个卷积层，用于从原始的低分辨率图像中提取低层次的特征；六个级联的残差单元用来提取高层次的特征，密集连接可以加强信息的重利用并且能够降低计算的复杂度；每个残差单元后1×1的卷积层用来控制前一状态需要保留的特征图的维度；一个反卷积操作用来恢复特征从而获得残差图像；上采样的低分辨率图像和高分辨率残差图像经过一个求和操作得到最终的高分辨率输出图像。本发明专利技术中采用密集连接将低层次特征和高层次特征结合起来，从而为重建高分辨率图像提供更多信息，同时采用残差学习的方式来解决梯度消失或梯度爆炸的问题。

【技术实现步骤摘要】
基于深度递归卷积网络的单张图像超分辨率重建方法
本专利技术属于图像处理领域，特别涉及一种基于深度递归卷积网络的单张图像超分辨率重建方法。
技术介绍
从低分辨率版本中恢复高分辨率图像的过程称为单张图像的超分辨率重建，近几十年来备受关注。单张图像超分辨率重建的方法包括基于插值的、基于重建的以及基于学习的。最近，一类基于前馈神经网络的单张图像超分辨率重建方法成为了一种引人注目并且有效的方法。2014年Dong等人提出了一种具有三个卷积层的卷积神经网络(SRCNN)，直接学习低分辨率图像和高分辨率图像之间的映射。2016年Kim等人提出了一种非常深的网络(VDSR)，通过采用高学习率去提高收敛速度，同时采用残差学习和梯度裁剪的方式解决了梯度爆炸的问题。同时，Kim等人提出了一种深度递归卷积网络(DRCN)去解决由于网络层数加深而引起的参数增加的问题。2017年Tai等人提出了一种深度递归残差网络(DRRN)，将全局残差学习、局部残差学习以及递归结构引入到网络中，加快了网络训练速度并且减少了参数。然而上述的方法都将插值放大的图片作为输入，其意味着本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的单张图像超分辨率重建方法，其特征在于：包括以下步骤：/n使用两个卷积层，用于从原始的低分辨率图像中提取低层次的特征；/n六个级联的残差单元用来提取高层次的特征，密集连接可以加强信息的重利用并且能够降低计算的复杂度；/n每个残差单元后1×1的卷积层用来控制前一状态需要保留的特征图的维度；/n一个反卷积操作用来恢复特征从而获得残差图像；/n上采样的低分辨率图像和高分辨率残差图像经过一个求和操作得到最终的高分辨率输出图像。/n

【技术特征摘要】
1.一种基于深度学习网络的单张图像超分辨率重建方法，其特征在于：包括以下步骤：
使用两个卷积层，用于从原始的低分辨率图像中提取低层次的特征；
六个级联的残差单元用来提取高层次的特征，密集连接可以加强信息的重利用并且能够降低计算的复杂度；
每个残差单元后1×1的卷积层用来控制前一状态需要保留的特征图的维度；
一个反卷积操作用来恢复特征从而获得残差图像；
上采样的低分辨率图像和高分辨率残差图像经过一个求和操作得到最终的高分辨率输出图像。


2.根据权利要求1所述的基于深度学习网络的单张图像超分辨率重建方法，其特征在于：
所述两个卷积层构成初步特征提取网络，每个卷积层都使用64个大小为3×3的卷积核去提取低层次的特征；分别定义初步特征提取网络的输入图像为x，初步特征提取网络的输出图像为y；对于初步特征提取网络，两个卷积层用来提取低层次的特征，该过程表示为：
D0＝f0(x)；
其中，f0为初步特征提取网络中的特征提取函数，D0为初步特征提取网络提取的特征。


3.根据权利要求2所述的基于深度学习网络的单张图像超分辨率重建方法，其特征在于：
所述六个卷积层构成残差单元，每个卷积层都使用大小为3×3的卷积核去提取高层次的特征；密集连接被用来连接低层次和高层次的特征，；每个残差单元都包括第一模块和第二模块；对于第一模块，包括四个3×3的卷积层；对于第二模...

【专利技术属性】
技术研发人员：曹飞龙，陈白洁，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33