一种基于CNN进行插值的图像超分辨率重建算法制造技术

本本发明专利技术属于图像增强技术领域，具体为一种基于CNN进行插值的图像超分辨率重建算法。本发明专利技术采用卷积神经网络进行二维信号插值，并实现图像的超分辨率重建。负责插值的卷积神经网络，同时接收一个宽高为4x4的二维信号以及1x2的向量；通过两层全连接层将1x2的向量变为1x16的向量，再变形为4x4的向量与另外一个4x4的输入合并，使得空间信息以及坐标信息可以共同被卷积层处理，从而完成插值任务。本发明专利技术算法可实现任意比例超分辨率重建，完美解决了传统线性插值算法在高频细节损失严重、现有基于卷积神经网络的算法只能实现整数倍的超分辨率重建的问题。

【技术实现步骤摘要】
一种基于CNN进行插值的图像超分辨率重建算法
本专利技术属于图像增强
，具体涉及图像超分辨率重建算法。
技术介绍
随着多媒体技术的发展，人们越来越关注图像的清晰度。图像超分辨率(SR)是指通过算法从低分辨率图像重建高分辨率图像的技术。在遥感图像、医学图像处理和消费电子等领域，需要高分辨率图像。由于光学系统或拍摄条件的限制，在很多情况下获得的图像分辨率不能满足要求，只能通过后期的技术处理来提高图像分辨率。因此，超分辨率在计算机视觉和数字图像处理领域非常重要。早期的超分辨率方法主要使用经典的插值算法，包括最近邻插值，双线性插值，双三次插值和高阶插值。为了提高效果，研究人员还提出了一些改进的插值算法，例如样条插值算法，winscale算法等。插值算法的优点是易于实现，但是由于滤波器的带宽有限，严重丢失了重建图像的高频细节，其质量不令人满意。随着深度学习技术的发展，研究人员也将其引入了超分辨率重建技术中。在基于深度学习的超分辨率技术中，通常使用去卷积层来获得放大的图像。因此，特定的反卷积层需要以不同的放大倍数进行训练，并且无法实现本文档来自技高网...

【技术保护点】
1.一种CNN进行插值的图像超分辨率重建的算法，其特征在于，具体步骤为：/n(1)确定目标图像的尺寸；/n(2)对于某一目标图像上的像素，由特定坐标映射关系确定其在源图像上对应的小数坐标，坐标映射关系为：/n

【技术特征摘要】
1.一种CNN进行插值的图像超分辨率重建的算法，其特征在于，具体步骤为：
(1)确定目标图像的尺寸；
(2)对于某一目标图像上的像素，由特定坐标映射关系确定其在源图像上对应的小数坐标，坐标映射关系为：






其中，x与y分别为源图像中的像素的插值坐标，itarget与jtarget分别为目标图像中的像素行列索引，h×w为源图像宽高，H×W为目标图像的宽高；
(3)根据以下公式分别提取x，y的整数部分ix、iy，以及小数部分fx、fy：
ix＝[x]
iy＝[y]
fx＝x-ix
fy＝y-iy
(4)在源图像上提取x，y邻近的4x4区块即横坐标从ix-1到ix+2，纵坐标从iy-1到iy+2，连同fx，fy一起输入负责插值的卷积神经网络，由卷积神经网络预测插值结果并赋值给目标图像上的像素值；
其中，所述的卷积神经网络的结构共包含三个全连接层、一个拼接层以及三个卷积层，各层的结构为：
全连接层FC1和FC2：两个全连接层的卷积核大小分别为2x8、8x16；其功能是将2x1的坐标值转换成16x1的一个向量，再变形为4x4后与图像块拼接去执行后面的卷积操作；全连...

【专利技术属性】
技术研发人员：范益波，池俊，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31