【技术实现步骤摘要】
一种基于卷积神经网络的超分辨率图像重建方法
本专利技术涉及图像处理
,具体涉及一种基于卷积神经网络的超分辨率图像重建方法。
技术介绍
神经网络已经成为图像识别和图像分类领域的重要技术手段,且有着壮大的趋势,所以应用超分辨率卷积神经网络技术,将模糊不清的图片重建为高清的图像技术的研究,对计算机的视觉发展及人工智能的发展都具有重要的价值和意义。使用计算机技术对图片、视频、语音等目标进行操作时,由于受限于电脑CPU、GPU等硬件条件的影响,当我们想要更加高效、快速地获得高质量的目标内容时,只能退而求其次地对网络结构(例如:网络模型的框架、上采样方法、网络设计等)进行修改和整合,来尽可能地满足我们的需求。超分辨率图像重建(SuperResolutionImageReconstruction,SRIR)是近年来计算机视觉处理和图像处理领域的一个研究热点,由于其应用场景的广泛和理论价值的实用,超分辨率图像重建技术得到研究者更密切的关注。超分辨率图像重建技术,在本质上讲是由一幅或多幅低分辨率(LowResolution,LR)图像经过网络模型的处理,最终生成具有良好视觉效果且更接近真实图像的高分辨率(HighResolution,HR)图像的技术。在该技术的日常应用中,为了减缓由于传送图像、存储图像所造成的一系列图像质量问题,一般对图像采用下采样的操作来降低图像的质量,但降质操作具有不可逆转性,因此该问题是病态问题。将低分辨率图像重建为高分辨率图像的关键是找到低分辨率和高分辨率图像之间的逼近映射关系。目前主流 ...
【技术保护点】
1.一种基于卷积神经网络的超分辨率图像重建方法,其特征在于,包括以下步骤:/n步骤一、获取训练图像数据集和测试图像数据集;其中,所述图像为低分辨率图像;/n步骤二、设定训练参数和内容损失函数,构建改进的超分辨率卷积神经网络模型;/n步骤三、使用所述训练图像数据集作为所述改进的超分辨率卷积神经网络模型的输入,调整所述训练参数直至所述内容损失函数最小化,获得训练好的超分辨率卷积神经网络模型;/n步骤四、将所述测试图像数据集输入训练好的超分辨率卷积神经网络模型,获得高分辨率图像。/n
【技术特征摘要】
1.一种基于卷积神经网络的超分辨率图像重建方法,其特征在于,包括以下步骤:
步骤一、获取训练图像数据集和测试图像数据集;其中,所述图像为低分辨率图像;
步骤二、设定训练参数和内容损失函数,构建改进的超分辨率卷积神经网络模型;
步骤三、使用所述训练图像数据集作为所述改进的超分辨率卷积神经网络模型的输入,调整所述训练参数直至所述内容损失函数最小化,获得训练好的超分辨率卷积神经网络模型;
步骤四、将所述测试图像数据集输入训练好的超分辨率卷积神经网络模型,获得高分辨率图像。
2.根据权利要求1所述的一种基于卷积神经网络的超分辨率图像重建方法,其特征在于,步骤二中训练参数包括学习率和训练次数;所述内容损失函数为均方误差。
3.根据权利要求2所述的一种基于卷积神经网络的超分辨率图像重建方法,其特征在于,步骤二中所述改进的超分辨率卷积神经网络模型包括特征提取模块、非线性映射模块、上采样模块和特征重组模块,特征提取模块的输出与非线性映射模块的输入相连,非线性映射模块的输出与上采样模块的输入相连,上采样模块的输出与特征重组模块的输入相连;其中,所述特征提取模块用于采用卷积操作从低分辨率图像中提取特征信息;所述非线性映射模块用于将特征信息映射到高维向量上,获得多个高维特征图;所述上采样模块用于对高维特征图进行放大;所述特征重组模块用于将放大后的多个高维特征图重组,获得高分辨率图像。
4.根据权利要求3所述的一种基于卷积神经网络的超分辨率图像重建方法,其特征在于,所述非线性映射模块中加入了跳跃连接的多个残差块,所述残差块的结构依次是卷积、块的标准化、激活函数、卷积、块的标准化、各元素对应乘积后求和,其中,所述激活函数是ReLU函数;所述上采样模块采用亚像素层卷积方法对特征图进行重构,所述亚像素层卷积方法为:将多通道特征图上的单个像素,按一定的组合方式形成一个特征图单位,并且每个特征图上的像素等价于新特征图上的亚像素。
5.根据权利要求4所述的一种基于卷积神经网络的超分辨率图像重建方法,其特征在于,步骤二中所述改进的超分辨率卷积神经网络模型还包括降维模块,所述降维模块用于采用卷积操作将特征图的通道数降为RGB的3维通道。
6.一种基于卷积神经网络的超分辨率图像重建方法,其特征在于,包括以下步骤:
步骤一、获取训练图像数据集和测试图像数据集;其中,所述图像为...
【专利技术属性】
技术研发人员:李鹏飞,李丽丽,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:黑龙江;23
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。