基于深度学习的图像超分辨率重建制造技术

本发明专利技术提供了一种基于深度学习的图像超分辨率重建方法。具体步骤为：(1)图像的超分辨率重构。利用卷积神经网络(CNN)，从大量的训练数据中学习，得到低清晰度图片与高清晰度图片中的映射关系模型，使用映射关系模型，对测试集中图像进行基于CNN的超分辨率重构处理。(2)完成步骤(1)后，得到重构后的图像，再使用其作为低清晰度图像，采用Keras深度学习框架来定义生成器网络和判别器网络并且以VGG19预训练模型进行特征提取来构建SRGAN模型，最后对测试集中图像进行基于SRGAN的超分辨率重构处理。(3)完成步骤(2)即可实现基于深度学习的图像超分辨率重建。本发明专利技术方法使用方便、响应速度快、测量精度高、结构简单，并提高了现场检测速度。速度。速度。

【技术实现步骤摘要】
基于深度学习的图像超分辨率重建


[0001]本专利技术涉及一种在数字图像处理领域，图像超分辨率重建应用领域及其宽广，在军事，医学，公共安全，计算机视觉等方面都存在着重要的应用。

技术介绍

[0002]超分辨率这项技术的概念提出最早是在光学领域中，它指的是人们尝试复原衍射极限之外的数据的一个过程。但进入数字时代的当下，我们与消费电子产品的关系越来越紧密。
[0003]与从前不同的是，我们接触图片、视频这类感觉媒体时通过的是现代成熟的消费电子产品，而不是肉眼观察一个个现实中的光学物体。
[0004]因而由于媒介的限制，我们接触到的数字媒体质量会受到种种因素的影响。如收到传输带宽、采样设备性能、绘制的原始分辨率过低等限制，只能获取低于观看设备显示分辨率的低清晰度图像，这些低清晰度的图像往往无法满足我们对观看体验的需求。如在公安系统中视频侦查的应用中，由于种种原因图像质量退化，但在侦察任务中高清晰度的图像往往是警务人员获取关键信息的基础。而作为多数普通人的大家，最常面对的就是用于观看的显示设备分辨率与媒体内容分辨率不匹配的情况。如今消费电子领域的飞速发展，人们使用的TV、高解析度的显示器、轻薄本、ipad、乃至手中小小的手机的屏幕，显示分辨率都已经达到了非常高的水平，8k、4k等流媒体的出现也一定程度的推动了这些显示设备朝着高分辨率方向的发展。但实际上由于传输带宽，服务器容量等限制，提供的通常仍是较低分辨率的媒体图像。过小的图片分辨率对于高清的显示设备来说观看体验是相当糟糕的。在单位像素密度高的显示设备中，低分辨率图像所显示的物理尺寸将小到不便观察。
[0005]图像超分辨率技术正是为满足上述需求而引入的有效技术手段。图像超分辨率技术尝试将数字图像的尺寸扩大一定倍数，通过不同的算法与数学手段对放大后缺失的像素信息进行拟合，补全新增像素的信息，从而得到一定程度上显示效果优于低分辨率原始图像的超分辨率图像来满足人们的需求。

技术实现思路

[0006]本专利技术的目的是克服现有方法的不足，提供一种基于深度学习的图像超分辨率重建方法。
[0007]具体步骤为：
[0008](1)图像的超分辨率重构，本质上是利用先验关系来对未知信息拟合。利用卷积神经网络(CNN)，从大量的训练数据中学习，得到低清晰度图片与高清晰度图片中的对应关系，即映射关系的模型。使用映射关系模型，对测试集中图像进行基于CNN的超分辨率重构处理。
[0009](2)完成步骤(1)后，得到基于卷积神经网络超分辨率重构后的图像，再使用其作为低清晰度图像，采用Keras深度学习框架来定义生成器网络和判别器网络并且以VGG19预
训练模型进行特征提取来构建SRGAN模型，最后对测试集中图像进行基于SRGAN的超分辨率重构处理。
[0010](3)完成步骤(2)即可实现基于深度学习的图像超分辨率重建。
[0011]本专利技术方法简单便捷，且所用的方法使用方便、响应速度快、测量精度高、结构简单，本方法从根本上解决了地下管道缺陷特征提取繁琐的难题，并大大地提高了现场检测速度。
附图说明
[0012]图1为SRCNN整体流程图。
[0013]图2为SRCNN三层网络结构图。
[0014]图3为经典算法与SRCNN结果对比图。
[0015]图4为SRGAN方法模型构建流程图。
[0016]图5为结合CNN与GAN的结果图。
具体实施方式
[0017]提出的地下污水管道裂缝特征提取的框架详见说明书附图所示。本文算法包含三个部分：(1)利用卷积神经网络(CNN)，从大量的训练数据中学习，得到低清晰度图片与高清晰度图片中的对应关系，先对图像进行一次超分辨率重构(2)将步骤(1)的高清晰结果输出作为步骤(2)的低分辨率输入(3)采用Keras深度学习框架来定义生成器网络和判别器网络并且以VGG19预训练模型进行特征提取来构建SRGAN模型，最后对测试集中图像进行基于SRGAN的超分辨率重构处理。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的图像超分辨率重建，其具体步骤为：(1)图像的超分辨率重构，本质上是利用先验关系来对未知信息拟合；利用卷积神经网络(CNN)，从大量的训练数据中学习，得到低清晰度图片与高清晰度图片中的对应关系，即映射关系的模型；使用映射关系模型，对测试集中图像进行基于CNN的超分辨率重构处理；(2)完成步骤(1)...

【专利技术属性】
技术研发人员：陆绮荣，吴止境，卢子任，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：