【技术实现步骤摘要】
基于改进的深度卷积神经网络的图像超分辨率重建方法
[0001]本专利技术涉及图像处理领域，尤其涉及基于改进的深度卷积神经网络的图像超分辨率重建方法。
技术介绍
[0002]高分辨率图像较低分辨率图像含有更多的细节信息量，即高分辨率具有更高的图像分辨率。通常在实际应用中由于摄像机和环境的限定，只能得到低分辨率的图像，因此需要引用图像超分辨率技术由获取的低分辨率图像生成高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建，超分辨率复原即通过复原算法由退化的图像估计出原始图像，在复原前需要估计出退化过程的点扩散函数；超分辨率重建即使用已经获取的一副或多幅低分辨率图像的信息生成一幅或多幅高分辨率的图像。
[0003]传统方法实现SISR主要通过对大量的高
‑
低分辨率图像的匹配对的学习而得到，如迭代反投影算法、最大后验概率方法。但是这些算法并不能有效学习高低分辨率图像间的映射关系，特别是在数据量剧增的时代，算法的性能并不会随着数据量的提升而进一步提高，因此传统方法并不适用于物联网时代。为此，我们提出基...
【技术保护点】
【技术特征摘要】
1.基于改进的深度卷积神经网络的图像超分辨率重建方法，其特征在于，包括如下步骤：A、多层次特征提取卷积神经网络：多层次特征提取卷积神经网络由两列卷积神经网络组成，每列卷积神经网络均由具有相同结构、参数各异的8层单元组成，其中每个单元由CNN、偏置Bias、参数化的ReLU和Dropout组成，多层次特征提取卷积神经网络由两列卷积神经网络组成，每列卷积神经网络的初始卷积单元参数不同，保证得到的卷积特征的全面性，每个卷积单元均使用跳连接与全连接处理保持连接，全连接将所有卷积单元的输出进行串接，最终得到局部和全局图像特征；B、图像重建卷积神经网络：得到输入图像特征后即可通过图像重建卷积神经网络和双线性插值算法得到高分辨率图像，其中输入图像特征经过图像重建卷积神经网络得到残差值，此残差值与低分辨率图像经过双线性插值后得到的插值图像相加即可得到高分辨率图像。2.根据权利要求1所述的基于改进的深度卷积神经网络的图像超分辨率重建方法，其特征在于：所述步骤A中单个单元的CNN和偏置Bias联合处理使用滤波器内核对...
【专利技术属性】
技术研发人员：冯蕾，黄菊秀，赵冉冉，杨景娜，
申请(专利权)人：中国标准化研究院，
类型：发明
国别省市：
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。