【技术实现步骤摘要】
基于三通道卷积神经网络的单幅图像超分辨率重建方法
本专利技术涉及图像处理领域，特别指一种基于三通道卷积神经网络的单幅图像超分辨率重建方法。
技术介绍
图像是传递信息最为方便和快捷的载体之一，具有信息量大、直观、可保存的特点，因此在医学、公共安全、遥感、国防等领域被广泛应用。但是由于成像设备和环境因素的限制，降低了获取图像的质量，不利于信息传递的准确性和完整性，所以如何提升图像质量显得很重要。图像分辨率是衡量图像质量的重要指标，从主观视觉上表现为图像边缘、纹理细节的清晰和丰富程度；客观上表现为图像总像素量，或者说是单位面积内的像素密度。由于更高分辨率的图像包含更多的有用信息，因此越来越多的图像应用中，都期望获得高分辨率的图像。在图像成像系统中，决定图像分辨率的核心是图像传感器。传感器主要是由感光元器件排列构成，将光学场景转化为电信号，并形成最终获取的图像。提高图像分辨的方法，有以下两种方式：其一是增加图像传感器的尺寸，减少图像传感器中感光元件大小，进而增加单位面积上感光元件的密度；其二是对成像系统获取的图像进行处理，通...
【技术保护点】
1.一种基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：包括如下步骤：/n步骤S10、获取图像的数据集，并基于所述数据集创建复数张高分辨率图像以及高分辨率图像所对应的低分辨率图像；/n步骤S20、创建三通道卷积神经网络模型，并利用所述三通道卷积神经网络模型对各高分辨率图像和低分辨率图像进行训练，并生成低分辨率图像与高分辨率图像的映射关系；/n步骤S30、利用均方误差损失函数对所述映射关系进行优化；/n步骤S40、基于优化后的所述映射关系，将待重建的低分辨率图像输入所述三通道卷积神经网络模型，输出重建后的高分辨率图像。/n
【技术特征摘要】
1.一种基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：包括如下步骤：
步骤S10、获取图像的数据集，并基于所述数据集创建复数张高分辨率图像以及高分辨率图像所对应的低分辨率图像；
步骤S20、创建三通道卷积神经网络模型，并利用所述三通道卷积神经网络模型对各高分辨率图像和低分辨率图像进行训练，并生成低分辨率图像与高分辨率图像的映射关系；
步骤S30、利用均方误差损失函数对所述映射关系进行优化；
步骤S40、基于优化后的所述映射关系，将待重建的低分辨率图像输入所述三通道卷积神经网络模型，输出重建后的高分辨率图像。
2.如权利要求1所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S10具体包括：
步骤S11、获取图像的数据集，并基于所述数据集创建复数张高分辨率图像；
步骤S12、设定一尺度因子，将各所述高分辨率图像分别基于尺度因子向下采样得到低分辨率图像；
步骤S13、将各所述高分辨率图像以及低分辨率图像进行随机翻转和90度旋转，用于增加训练数据。
3.如权利要求1所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S20具体包括：
步骤S21、基于PyTorch框架创建三通道卷积神经网络模型；
步骤S22、设置训练参数，基于所述训练参数，将所述低分辨率图像作为三通道卷积神经网络模型的输入，将所述高分辨率图像作为三通道卷积神经网络模型的输出，进行训练生成低分辨率图像与高分辨率图像的映射关系。
4.如权利要求1所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S...
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。