一种基于深度学习的图像超分辨率重建方法技术

图像分辨率的降低会导致图像质量严重下降，极大地影响人们的视觉体验，针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种新型的基于深度学习的图像超分辨率重建方法，该方法中生成器部分由全局多路径残差块构成，由密集残差块和边缘分支组成，提高图像信息的提取效率。采用了GN层和Randomized LeakyReLU激活函数，通过改进的网络模型，极大的改善了图像的视觉质量，本发明专利技术用于超分辨率图像重建，极大的提高了恢复图像的质量问题。

【技术实现步骤摘要】
一种基于深度学习的图像超分辨率重建方法
本专利技术涉及图像处理领域，具体涉及了一种基于深度学习的图像超分辨率重建方法。
技术介绍
伴随着科学技术的发展和互联网的普及，海量的信息被呈现在人类面前。作为信息传递的主要载体，图像、视频和音频的信息量均以爆炸性的速度增长。相关研究指出人类最终所接受的媒体信息，通过视觉获取的占60％～80％，因此图像成为人类获得信息的重要方式之一。但在实际生活中，图像的质量往往受到成像系统等硬件设备和图像传输过程中带宽的约束，使得最终呈现细节缺失的低分辨率图像。图像分辨率的降低会导致图像质量严重下降，极大地影响人们的视觉体验，更无法满足工业生产中对图像质量的性能指标要求。由此可见，提高图像分辨率以获得高质量图像已成为研究界急需解决的问题。目前提升图像分辨率主要有硬件和软件两种途径。第一种是从升级图像传感器和光学器件等硬件设备入手，这种方式成本过高，在实际应用中很难得到推广。另一种是利用软件来提高图像的分辨率，通过采用一些机器学习算法和数字图像处理技术对低分辨率图像进行处理，也就是图像超分辨率重建技术。这种软件技术本文档来自技高网...

【技术保护点】
1.一种基于深度学习的图像超分辨率重建方法，其特征是，包括以下步骤：/n(1)使用来自ImageNet数据库的35万张图像的随机样本，其中图像包括动物、建筑物、食物、景观、人、植物等，利用下采样将HR图像转换成LR图像，生成训练对。/n(2)将样本图像分成小批次，使用小批次的样本数据用于训练目标网络。/n(3)将LR图像输入到设计的生成器上，经过多路径残差块提取更多的图像细节。/n(4)通过卷积核进行降维操作，最后连接一层全连接层压平维度，输出生成的伪图像。/n(5)为了区分真实的HR图像和生成的SR样本，设计一个鉴别器，将原始高分辨率图像与步骤4中生成的伪图像输入到鉴别器。/n(6)使用VG...

【技术特征摘要】
1.一种基于深度学习的图像超分辨率重建方法，其特征是，包括以下步骤：
(1)使用来自ImageNet数据库的35万张图像的随机样本，其中图像包括动物、建筑物、食物、景观、人、植物等，利用下采样将HR图像转换成LR图像，生成训练对。
(2)将样本图像分成小批次，使用小批次的样本数据用于训练目标网络。
(3)将LR图像输入到设计的生成器上，经过多路径残差块提取更多的图像细节。
(4)通过卷积核进行降维操作，最后连接一层全连接层压平维度，输出生成的伪图像。
(5)为了区分真实的HR图像和生成的SR样本，设计一个鉴别器，将原始高分辨率图像与步骤4中生成的伪图像输入到鉴别器。
(6)使用VGG网络进行特征提取对比，条纹卷积来降低图像分辨率，以获得样本分类的概率。
(7)训练生成模型G，其目的是欺骗可区分的鉴别器D，该鉴别器被训练以区分超分辨图像和真实图像，通过这种方法，我们的生成器可以学习创建与真实图像高度相似的解决方案。


2.根据权利要求1所述的一种基于深度学习的图像超分辨率重建方法，其特征是：所述步骤(1)具体为：
(1.1)将数据集里的高分辨率图像进行降率操作，下采样HR图像(BGR，C＝3)来获得LR图像具有下采样因子r＝4的双三次核。


3.根据权利要求1所述的一种基于深度学习的图像超分辨率重建方法，其特征是：所述步骤(2)具体为：
(2.1)每个小批量，裁剪16个不同训练图像的随机96×96HR子图像，分别输入到生成器模型与判别器当中用于模型训练，其训练主要公式为



其中，训练一个生成函数G，对于一个给定的输入图像LR,能够估计出对应的HR图像，为了实现这个效果，需要将生成网络训练成一个前馈卷积神经网络G，这θG＝{W1:L；b1:L}里表示一个L层深度网络的权重和偏置，它可以通过优化关于SR的损耗函数lSR获得，训练高分辨率图像为以及其对应的低分辨率图像


4.根据权利要求1所述的一种基于深度学习的图像超分辨率重建方法，其特征是：所述步骤(3)具体为：
(3.1)两层卷积层分别设置64个5*5的卷积核和64个3*3的卷积核，两层卷积层的激活函数分别设为随机纠正线...

【专利技术属性】
技术研发人员：王启龙，曹宇彤，张宏，
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