【技术实现步骤摘要】
多尺度残差特征判别增强的图像超分辨率重构系统及方法
本专利技术涉及图像复原
，尤其涉及一种多尺度残差特征判别增强的图像超分辨率重构系统及其方法；本专利技术基于深度卷积神经网络，是一种利用多尺度特征判别增强技术的单帧图像超分辨率重构系统及其方法。
技术介绍
单帧图像超分辨率旨在由观测的单帧低分辨率图像重建原始高分辨率图像，其在医学成像、数字摄影和视频监控等领域具有广泛应用。传统的单帧图像超分辨率方法可以为基于插值的方法、基于模型的方法和基于学习的方法。近年来，随着深度学习理论在图像分类识别领域的成功应用，基于深度卷积神经网络的图像超分辨率重构方法研究也得到广泛关注。【参见文献：[1]DongC,LoyCC,HeK,etal.Imagesuper-resolutionusingdeepconvolutionalnetworks[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2016,38(2):295-307；[2]TaiY,YangJ,LiuX,et...
【技术保护点】
1.一种多尺度残差特征判别增强的图像超分辨率重构系统，其特征在于：/n包括浅层特征提取模块（10）、多尺度残差特征判别增强的多级残差特征提取模块（20）、多级特征融合模块（30）、加法器模块（40）和上采样重构模块（50）；/n低分辨率图像（A）、浅层特征提取模块（10）、多级残差特征提取模块（20）、多级特征融合模块（30）、加法器模块（40）、上采样重构模块（50）和高分辨率图像（B）依次交互，浅层特征提取模块（10）分别与多级特征融合模块（30）和加法器模块（40）交互。/n
【技术特征摘要】
1.一种多尺度残差特征判别增强的图像超分辨率重构系统，其特征在于：
包括浅层特征提取模块（10）、多尺度残差特征判别增强的多级残差特征提取模块（20）、多级特征融合模块（30）、加法器模块（40）和上采样重构模块（50）；
低分辨率图像（A）、浅层特征提取模块（10）、多级残差特征提取模块（20）、多级特征融合模块（30）、加法器模块（40）、上采样重构模块（50）和高分辨率图像（B）依次交互，浅层特征提取模块（10）分别与多级特征融合模块（30）和加法器模块（40）交互。
2.按权利要求1所述的图像超分辨率重构系统，其特征在于：
所述的浅层特征提取模块（10）对输入的低分辨率图像进行卷积运算，产生新的特征表示图像；
其工作流程是：从左到右、从上到下依次扫描输入数据块的每一元素直到结束，按顺序每次接收输入的数据块的一个元素及其规定领域范围的元素，与卷积层单元包含的多组尺寸相同的卷积核分别进行卷积和运算，输出一组与输入图像维度相同的特征图像。
3.按权利要求1所述的图像超分辨率重构系统，其特征在于：
所述的多级残差特征提取模块（20）包括依次交互的第1、2……G多尺度特征判别增强单元（21、22……2G），G是自然数，1≤G≤12；
多级残差特征提取模块（20）包含的各级多尺度残差特征判别增强单元，依次接收前一级特征生成单元的输出，通过多层的多尺度特征提取与判别增强，产生新的更高一级的图像特征表示；
所述的多尺度残差特征判别增强单元包括并行的尺度1特征生成单元（201）和尺度2特征生成单元（202）、判别特征提取单元（203）和多尺度特征融合单元（204），尺度1特征生成单元（201）和尺度2特征生成单元（202）接收相同的输入，判别特征提取单元（203）的两个输入端分别与尺度1特征生成单元（201）和尺度2特征生成单元（202）的输出端交互，判别特征提取单元（203）的输出端与多尺度特征融合单元（204）的一个输入端交互，多尺度特征融合单元（204）的另外两个输入端也分别与尺度1特征生成单元（201）和尺度2特征生成单元（202）的输出端交互。
4.按权利要求1所述的图像超分辨率重构系统，其特征在于：
所述的多级特征融合模块（30）对输入的图像的多级特征表示进行融合，产生低分辨率图像的深度残差特征表示；
其工作流程是：首先通过一次的卷积和运算对输入的多路特征进行融合运算...
【专利技术属性】
技术研发人员：熊承义，施晓迪，高志荣，柳霜，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北;42
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。