一种基于深度卷积稀疏编码的图像超分辨率重建方法技术

本发明专利技术属于图像超分辨率重构技术领域，公开了一种基于深度卷积稀疏编码的图像超分辨率重建方法，将关于多层卷积稀疏编码模型ML

【技术实现步骤摘要】
一种基于深度卷积稀疏编码的图像超分辨率重建方法


[0001]本专利技术属于图像超分辨率重构
，尤其涉及一种基于深度卷积稀疏编码的图像超分辨率重建方法。

技术介绍

[0002]目前，图像超分辨率重构(SR)是许多数字成像和计算机低层视觉中一个经典的问题，旨在从单输入低分辨率图像(LR)构建高分辨率图像(HR)，并且被广泛应用于各个领域，从安全与监视成像到需要更多图像细节的医学成像和卫星成像。这是由于成像系统、传输介质和记录设备的不完善，影响了图像的视觉效果。因此，以便获得高质量的数字图像，需要对图像进行超分辨率重建处理。
[0003]近年来，图像超分辨率重构方法在计算机视觉中得到了广泛的研究，目前，提出的方法主要分为两类，基于插值的方法和基于模型的方法。基于插值的方法，如双三次插值和Lanzcos重采样法，具有较高的实现效率，但是这些方法会使图像出现过光滑现象。而与它相反的方法是迭代反投影方法(IBP)，可能产生边缘过度锐化的图像。因此，许多图像插值方法被应用于迭代反投影法的后期处理(边缘锐化)阶段。基于模型的方法，是利用低分辨率图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积稀疏编码的图像超分辨率重建方法，其特征在于，所述基于深度卷积稀疏编码的图像超分辨率重建方法包括：将关于多层卷积稀疏编码模型ML
‑
CSC的多层学习迭代软阈值算法ML
‑
LISTA嵌入到深度卷积神经网络DCNN中，利用DCNN的学习能力自适应更新ML
‑
LISTA中的所有参数，构建了可解释的图像超分辨率重构的端到端监督神经网络SRMCSC；引入残差学习，利用ML
‑
LISTA算法提取残差特征，将残差与输入图像结合重构高分辨率图像，加快训练速度和收敛速度。2.如权利要求1所述的基于深度卷积稀疏编码的图像超分辨率重建方法，其特征在于，所述多层卷积稀疏编码模型的构建方法，包括：稀疏编码的目的是从给定的超完备字典A∈R
N
×
M
(M>N)中寻找信号y∈R
N
的最稀疏表示γ∈R
M
，即y＝Aγ；求解γ问题又称为Lasso或者l1‑
正则化BP问题：其中，常量α是用来权衡重建项和正则项；迭代软阈值算法ISTA的更新公式可以写成：其中，γ
i
表示第i次迭代更新，L是Lipschitz常数，Sρ(
·
)是阈值为ρ的软阈值算子；软阈值算子定义如下：3.如权利要求1所述的基于深度卷积稀疏编码的图像超分辨率重建方法，其特征在于，所述多层卷积稀疏编码模型的构建方法，还包括：提出卷积稀疏编码CSC模型，对整个图像进行稀疏编码，并且图像可以由m个局部滤波器d
i
∈R
n
(n＜＜N)和其对应的特征图γ
i
∈R
N
卷积之后线性组合得到的，即对应于方程(1)的CSC模型的优化问题写成：将滤波器转换成带状循环矩阵，构造一个具有特殊结构的全局字典D∈R
N
×
mN
，即x＝Dγ；全局卷积字典D中，每一个小的块都是一个局部字典，在全局范围内具有相同的大小n
×
m个元素，其列是滤波器因此CSC模型(3)可以看作是SC模型(1)的一种特殊形式；ISTA的矩阵乘法(2)被卷积运算取代；类似地，LISTA也可以解决CSC问题(3)。4.如权利要求1所述的基于深度卷积稀疏编码的图像超分辨率重建方法，其特征在于，所述多层卷积稀疏编码模型的构建方法，还包括：提出卷积神经网络(CNN)和CSC的关系，阈值化算子作为CNN和CSC的基础，CNN中的校正线性单元ReLU和软阈值函数进行比较，ReLU和
软阈值函数在非负部分是一致的，针对非负卷积稀疏编码模型，对应的优化问题(1)须添加一个约束来强制结果为正，即：由此产生的一个自然问题是这样的约束是否会影响原始稀疏模型的表达能力；考虑一个信号y＝Dγ，写为：y＝Dγ
+
+(
‑
D)(
‑
γ
‑
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)γ可以分为γ+和γ
‑
，γ+包含正向元素，γ
‑
包含负元素，γ+和
‑
γ
‑
都是非负的；信号y在字典[D
‑
D]上允许非负稀疏表示[γ+
‑
γ
‑
]
T
；因此，每个稀疏编码都可以转化为非负稀疏编码，非负稀疏编码问题(4)也可以通过软阈值算法来解决；定义非负软阈值算子Sρ
+
：同时，设置γ0＝0，这意味着问题(4)中γ的迭代更新写成：非负软阈值算子等价于ReLU函数：因此(6)式等价写为：偏值项b对应于阈值换句话说，α在稀疏编码中是一个超参数，但在CNN中是一个学习参数；同时，字典学习通过D＝W
T
完成；为CSC模型服务的非负软阈值算子与CNN紧密相连。5.如权利要求1所述的基于深度卷积稀疏编码的图像超分辨率重建方法，其特征在于，所述多层卷积稀疏编码模型的构建方法，还包括：提出多层卷积稀疏编码模型，即卷积字典D可以分解为多个矩阵的乘法，即x＝D1D2...D
L
γ
L
；ML
‑
CSC模型被描述为：γ<...

【专利技术属性】
技术研发人员：王建军，陈鸽，景佳，马维军，罗小虎，
申请(专利权)人：西南大学，
类型：发明
国别省市：