【技术实现步骤摘要】
一种基于EDSR网络的红外图像超分辨率重建方法
本专利技术涉及一种基于EDSR网络的红外图像超分辨率重建方法，属于计算机视觉领域。技术背景近些年来，红外与可见光传感器作为两类最常用的图像源，广泛应用于医学、遥感、电力系统、人体探测和追踪等领域。可见光成像系统依靠光的反射成像，能提供背景信息，获得的图像有丰富的色彩、几何、纹理细节信息，但易受光照、烟雾等天气条件的影响。而红外相机依靠目标与背景的温差成像，可在光线不好的情况下检测到目标，但红外图像受探测单元尺寸、探测器阵列采样密度等固有因素的限制，存在分辨率与信噪比较低的特点，有时无法满足实际应用需求。图像超分辨率重建(SRIR，SuperResolutionImageReconstruction)，是指用图像处理的方法，在不改变成像系统的情况下，通过软件算法的方式将已有的低分辨率(LR)图像转换成高分辨率(HR)图像的技术。超分辨率重建有传统的图像超分辨率重建技术和新兴的基于深度学习的超分辨率重建技术。前者通过插值，人工构建LR和SR图像间的映射字典等方法实现重建...
【技术保护点】
1.一种基于EDSR网络的红外图像超分辨率重建方法，其特征在于，包括以下步骤：/n1)构建网络：本网络在EDSR网络结构的基础上，优化了网络深度和残差块的数量，并去除了反卷积层，增加了双损失函数；/n2)训练网络：采用单通道红外图像作为真实图像，并通过双立方插值算法对真实图像下采样构建训练集；采用随机梯度下降算法优化损失函数，加入自适应梯度剪切，保证取得最优解；/n3)重建图像：根据完成训练得到的特征和权重，输入非数据集低分辨率图像，经本网络处理重建，得到边缘清晰的高分辨率输出图像。/n
【技术特征摘要】
1.一种基于EDSR网络的红外图像超分辨率重建方法，其特征在于，包括以下步骤：
1)构建网络：本网络在EDSR网络结构的基础上，优化了网络深度和残差块的数量，并去除了反卷积层，增加了双损失函数；
2)训练网络：采用单通道红外图像作为真实图像，并通过双立方插值算法对真实图像下采样构建训练集；采用随机梯度下降算法优化损失函数，加入自适应梯度剪切，保证取得最优解；
3)重建图像：根据完成训练得到的特征和权重，输入非数据集低分辨率图像，经本网络处理重建，得到边缘清晰的高分辨率输出图像。
2.根据权利要求1所述的基于EDSR网络的红外图像超分辨率重建方法，其特征在于，在所述步骤1)中，构建网络模型的具体步骤为：
1)放大层：采用双立方插值算法将输入低分辨率图像放大到指定倍数(3倍)，放大后的图像为图像质量较低的高分辨率图像，但图像尺寸已经达到了的要求；
2)预处理层：预处理采用去均值操作，各维度都减对应维度的均值，使得输入数据各个维度都中心化；
3)扩展层：提高网络模型性能的最简单方法是增加网络参数；在卷积神经网络中，可以通过多层叠加或者增加滤波器的数目来提高模型的性能；通常具有深度(层数)B和宽度(特征通道数)F的卷积神经网络结构，则其大致拥有O(BF2)个参数，且需要大致占据O(BF)内存；因此，当考虑有限的计算资源时，增加F而不是B可以使模型容量最大化；因此，在扩展层，通过卷积操作，将图像通道数(深度)扩展到适当的数值，增加模型的容量；该层滤波器的大小为3×3，深度为64，边缘处理方式为padding；
4)残差模块：由于输入图像和输出图像有着高度的相似性，所以可以改用学习输出与输入的残差特征取代直接学习全部特征；输入图像是x，f(x)是经过学习得到的残差，r＝y-x是实际的残差；那么损失函数为当损失函数够小时，f(x)+x就能逼近y了；残差学习能提高收敛速度，加速训练过程；
该模块包含两个部分，局部残差和全局残差部分，分别用于学习局部残差和全局残差，并在输出时进行求和；局部残差由多个残差块级联构成，每个残差块的处理过程分为两部分，一部分对输入图像采取卷积、激活和卷积的操作，之后再经过一个缩放层，得到该部分的输出；另一部分则采用跳跃式连接，直接将输入图像作为该部分的输出；在经过求和层对两部分输出求和，即可得到一个局部残差块的输出；全局残差与局部残差类似，一部分同样采用跳跃式连接，将残差模块的输入直接作为输出，另一部分的输出即为局部残差的输出，两部分相加，即得到残差模块的输出；残差块的卷积核的参数为3×3，特征图的数量为64，16个相...
【专利技术属性】
技术研发人员：匡小兵，高辉，冯小军，丁亚杰，李庆武，张志良，余大兵，马云鹏，周亚琴，刘艳，
申请(专利权)人：国网江苏省电力有限公司盐城供电分公司，河海大学，
类型：发明
国别省市：江苏;32
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。