基于级联网络框架的图像超分辨率方法、级联网络技术

本发明专利技术涉及一种基于级联网络框架的图像超分辨率方法、级联网络，基于基础超分辨率网络，获取目标图像的初步上采样结果；基于细节精修网络，根据初步上采样结果，获取超分辨率图像结果。其两个网络级联，将面向峰值信噪比的任务和面向主观感受的任务分开，由两个模型分别处理，基础超分辨率网络首先完成初步的上采样，这个初步上采样的结果很大程度上和原始高分辨率图像保证了内容一致性，接下来将初步上采样的结果送入精修网络来进一步改善感官损失，精修网络有了初步上采样结果的输入保证了整个超分辨率结果不会过度牺牲内容一致性，并且在初步上采样结果上精修减轻了精修网络和判别器的训练难度加快了训练速度，有效地缓解了现有模型的问题。

【技术实现步骤摘要】
基于级联网络框架的图像超分辨率方法、级联网络
本专利技术属于图像超分辨率
，具体涉及一种基于级联网络框架的图像超分辨率方法、级联网络。
技术介绍
超分辨率是一种从观察到的低分辨率图像重建更高分辨率图像或序列的技术。由于光的衍射特性，成像系统中的感光元件往往无法获得低于可见光波长的细节，这样就限制了单个像素所能蕴含的细节信息，整体来看，一个可见光成像系统可以看作是一个具有一定频率阈值的低通滤波器，所有高于这个阈值的图像信息成像系统都无法有效地记录，超分辨率任务就是利用图像低频信息和高频信息之间的互补能力和相关性来预测频率阈值之上的高频信息。超分辨率重建的可行性建立在图像的信息冗余性和自相似性基础之上。按照输入图像的类型，超分辨率算法可以为多帧超分辨率和单帧超分辨率，如果可以获取具有子像素未对准的相同场景的多个图像，则可以利用它们之间的互补信息来重建更高分辨率的图像或图像序列。然而，由于客观因素限制，多个低分辨率图像有时可能无法同时获得，因此使用有限的分辨率信息来恢复高分辨率图像具有很高的应用价值，通过单个低分辨率图像恢复高分辨率图像的任务又本文档来自技高网...

【技术保护点】
1.一种用于图像超分辨率的级联网络，其特征在于，包括：基础超分辨率网络、细节精修网络；所述细节精修网络与基础超分辨率网络级联；/n所述基础超分辨率网络，用于获取目标图像的初步上采样结果；/n所述细节精修网络，用于根据所述初步上采样结果，获取超分辨率图像结果。/n

【技术特征摘要】
1.一种用于图像超分辨率的级联网络，其特征在于，包括：基础超分辨率网络、细节精修网络；所述细节精修网络与基础超分辨率网络级联；
所述基础超分辨率网络，用于获取目标图像的初步上采样结果；
所述细节精修网络，用于根据所述初步上采样结果，获取超分辨率图像结果。


2.根据权利要求1所述的用于图像超分辨率的级联网络，其特征在于，还包括：判别器网络；所述判别器网络，用于判别所述超分辨率图形结果与原始高分辨率图像的可信程度，根据所述可信程度进行学习，从而实现与所述细节精修网络的对抗式训练。


3.根据权利要求1所述的用于图像超分辨率的级联网络，其特征在于，所述细节精修网络，包括：特征提取器子网络、非线性映射子网络和重建子网络；
所述特征提取器子网络，用于根据初步上采样结果，提取粗特征；
所述非线性映射子网络，用于将所述粗特征，映射到具有高感知效果的特征空间，获取映射后的图像特征；
所述重建子网络，用于根据所述映射后的图像特征，重建获取超分辨率图像。


4.根据权利要求3所述的用于图像超分辨率的级联网络，其特征在于，所述特征提取子网络，用于：从低分辨率图像Il中提取粗特征Fl；所述Fl的提取公式为：
Fl＝H1(H0(Il))
其中，Fl为提取出的粗特征，H1和H0分别为卷积层，Il代表输入的低分辨率图像。


5.根据权利要求3所述的用于图像超分辨率的级联网络，其特征在于，所述非线性映射子网络，用于基于密集连接的通道注意力模块，将特征提取器提取到的粗特征Fl映射到具有高感知效果的特征空间FP；所述FP的计算方式为：
FP＝HDID(FL)
其中，FP是...

【专利技术属性】
技术研发人员：刘庆杰，傅泽华，王蕴红，刘一郎，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：浙江;33