【技术实现步骤摘要】
一种基于深度学习的带噪图像超分辨率重建方法
本专利技术涉及计算机视觉图像处理的
，尤其涉及一种基于深度学习的带噪图像超分辨率重建方法。
技术介绍
近年来，随着技术的发展，人们获取信息的方式呈现多元化。其中图像作为信息传递的主要载体和媒介，是我们认知世界的一大重要来源。图像分辨率越高，其中蕴含的信息相对更加丰富。然而现实生活中，图像或视频分辨率过低往往会带来视觉体验与相关设备性能的降低，如观看的电视剧分辨率过低会降低娱乐性，安防场景下的低分辨率会造成警力的浪费。因此，提高图片的分辨率显得尤为重要。一方面，物理现实中采集设备的性能受限会制约图像的质量效果；另一方面，存储空间也直接影响图片的像素范围。从硬件角度，提升采集和存储设备的质量将从源头上提升图像的可视化效果，但是随之而来的是硬件成本的大量增加。从软件角度，可以采用各类图像超分辨率的算法提高成像质量，通过学习从低分辨率到高分辨率变化映射关系，实现低分辨率图像的清晰化过程。软件层次上的图像超分，降低成本的同时拥有更高的可行性。早期有基于频率域的、基于插值...
【技术保护点】
1.一种基于深度学习的带噪图像超分辨率重建方法，其特征在于：包括以下步骤，/n步骤1，从公开数据集中的高分辨率图像进行降采样和加噪声处理，生成模拟低分辨率晰度图像和模拟相机图像，并低分辨率晰度图像将作为整体网络的输入图像数据，将输入图像数据与原始的高分辨率图像组成图像数据对并对模型进行训练，在训练的过程中同时进行数据增强；/n步骤2，采用生成对抗网络系列结构作为整体网络的主体并对所述步骤1获得的低分辨率模拟相机加噪图像进行超分重建；为了得到更好的生成效果，此处采用增强型超分辨率生成对抗网络，初始化网络参数，监督信息为高分辨率图像数据，对模型进行端到端训练，当训练损失下降收敛...
【技术特征摘要】
1.一种基于深度学习的带噪图像超分辨率重建方法，其特征在于：包括以下步骤，
步骤1，从公开数据集中的高分辨率图像进行降采样和加噪声处理，生成模拟低分辨率晰度图像和模拟相机图像，并低分辨率晰度图像将作为整体网络的输入图像数据，将输入图像数据与原始的高分辨率图像组成图像数据对并对模型进行训练，在训练的过程中同时进行数据增强；
步骤2，采用生成对抗网络系列结构作为整体网络的主体并对所述步骤1获得的低分辨率模拟相机加噪图像进行超分重建；为了得到更好的生成效果，此处采用增强型超分辨率生成对抗网络，初始化网络参数，监督信息为高分辨率图像数据，对模型进行端到端训练，当训练损失下降收敛并且图像视觉指标PSNR上升稳定后保存网络模型；
步骤3，对所述增强型超分辨率生成对抗网络网络的输出端添加Patch-GAN结构作为整体网络，从而减少重建后的噪声，对整体网络完成初步训练；
步骤4，对未加噪声的低分辨率晰度图像利用边缘提取算子提取边缘部分，选择边缘图块的模和大于阈值部分进入新训练数据集，利用边缘很丰富的图像块微调整体网络，使得整体网络可以关注细节纹理。
2.如权利要求1所述的基于深度学习的带噪图像超分辨率重建方法，其特征在于：所述步骤1还包括以下步骤，
步骤1-1:选取公开数据集DIV2K，对数据集中的高分辨率图像进行降采样得到低分辨率晰度图像；
步骤1-2:在低分辨率晰度图像上添加相机存在的散粒噪声、暗噪声和读出噪声三种噪声，模拟出更接近相机生成的模拟相机噪声图像；
步骤1-3：对模拟相机噪声图像进行进一步加噪处理，得到模拟相机加噪图像，此处所加噪声为高斯噪声；
步骤1-4：对低分辨率模拟相机加噪图像进行数据增强，从而增加训练数据量，数据增强方式包括翻转和裁剪。
3.如权利要求1或2所述的基于深度学习的带噪图像超分辨率重建方法，其特征在于：所述步骤2还包括以下步骤，
步骤2-1：对网络参数进行初始化；
步骤2-2:在网...
【专利技术属性】
技术研发人员：杨绿溪，胡欣毅，惠鸿儒，韩志伟，李春国，黄永明，
申请(专利权)人：东南大学，
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。