一种基于深度学习分步实现超分辨成像的方法技术

本发明专利技术公开了一种基于深度学习分步实现超分辨成像的方法，包括以下步骤：S1、将待处理的低分辨率图像输入到预训练好的神经网络中，得到中间分辨率图像；S2、将所得中间分辨率图像放大k倍后进行切割，使其分辨率与待处理的低分辨率图像的分辨率相匹配；其中，k为待处理的低分辨率图像与中间分辨率图像的像素分辨率的比值；S3、将切割后的图像依次输入到上述预训练好的神经网络中，并将所得图像按照原切割顺序进行拼接，将所得拼接后的图像缩小为原来的1/k，得到高分辨率图像。本发明专利技术通过分块分步的提高图像的分辨率，克服了由于低分辨率图片与高分辨率图片之间差异性过大所导致用于图像转换的神经网络性能较低的问题，所得超分辨率图像效果较好。

【技术实现步骤摘要】
一种基于深度学习分步实现超分辨成像的方法
本专利技术属于图像处理领域，更具体地，涉及一种基于深度学习分步实现超分辨成像的方法。
技术介绍
传统的超分辨成像技术都需要采集大量的数据，用于最终超分辨图像的生成，因此往往存在采集时间长，采集样本多等问题。近些年，随着机器学习技术的快速发展，很多基于深度学习的图像转换技术也被用到超分辨成像的应用中，其可以大幅度地降低所需要采集图片的数量，从而提高超分辨成像的效率，因此研究一种基于深度学习实现超分辨成像的方法存在重要的意义。现有的基于深度学习实现超分辨成像的方法中，其中的神经网络总是通过从输入图片中提取相对应的特征并且与目标图片对比，从而获得可以实现所需类型图像转换的神经网络。但是当输入图片与目标图片之间的关联性和相似度较低时，即当高分辨率图片与低分辨率图片之间差异过大时，超分辨成像效果较差。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供一种基于深度学习分步实现超分辨成像的方法，用以解决现有方法在训练神经网络时未考虑中低分辨率图片与高分辨率图片之间存在较大的差本文档来自技高网...

【技术保护点】
1.一种基于深度学习分步实现超分辨成像的方法，其特征在于，包括以下步骤：/nS1、将待处理的低分辨率图像输入到预训练好的神经网络中，得到中间分辨率图像；/nS2、将所得中间分辨率图像放大k倍后进行切割，使其分辨率与待处理的低分辨率图像的分辨率相匹配；其中，k为待处理的低分辨率图像与中间分辨率图像的像素分辨率的比值；/nS3、将切割后的图像依次输入到上述预训练好的神经网络中，并将所得图像按照原切割顺序进行拼接，将所得拼接后的图像缩小为原来的1/k，得到高分辨率图像；/n其中，所述中间分辨率图像的分辨率大于所述低分辨率图像的分辨率，且小于所述高分辨率图像的分辨率。/n

【技术特征摘要】
1.一种基于深度学习分步实现超分辨成像的方法，其特征在于，包括以下步骤：
S1、将待处理的低分辨率图像输入到预训练好的神经网络中，得到中间分辨率图像；
S2、将所得中间分辨率图像放大k倍后进行切割，使其分辨率与待处理的低分辨率图像的分辨率相匹配；其中，k为待处理的低分辨率图像与中间分辨率图像的像素分辨率的比值；
S3、将切割后的图像依次输入到上述预训练好的神经网络中，并将所得图像按照原切割顺序进行拼接，将所得拼接后的图像缩小为原来的1/k，得到高分辨率图像；
其中，所述中间分辨率图像的分辨率大于所述低分辨率图像的分辨率，且小于所述高分辨率图像的分辨率。


2.根据权利要求1所述的基于深度学习分步实现超分辨成像的方法，其特征在于，所述神经网络为cGAN网络。


3.根据权利要求1所述的基于深度学习分步实现超分辨成像的方法，其特征在于，所述神经网络的训练方法包括：将预设图像集中的图像分别进行处理，得到对应的中间分辨率图像集和低分辨率图像集；以低分辨率图像集为输入，中间分辨率图像集为输出训练神经网络。


4.根据权利要求3所述的基于深度学习分步实现超分辨成像的方法，其特征在于，对预设图像集中的图像，分别采用半径为第一像素和第二像素的高斯模型进行处理，得到低分辨率图像和中间分辨率图像；其中，第一像素大于第二像素。


5.根据权利要求1所述的基于深度学习分步实现超分辨成像的方法，其特征在于，还用于实现时间超分辨成像。


6.一种基于深度学习分步实现超分辨成像的方法，其特征在于，包括：将待处理的低分辨率图像输入到预训练好的神经网络中，得到高分辨率图像；
其中，上述神经网络包括n个级联的神经网络，按照图像输入到输出的方向，分别记为第一至第n神经网络，n为大于等于2的整数；且各神经网络分别进行训练；
第一神经网络用...

【专利技术属性】
技术研发人员：舒学文，邓啟晟，朱泽策，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42