一种基于元学习的单幅图像超分辨率重建方法技术

本发明专利技术涉及一种基于元学习的单幅图像超分辨率重建方法，包括以下步骤：预训练；构造元学习数据集；采用元学习方法从外部数据中学习元模型；在实际环境中使用元模型快速生成特定环境中的图像超分辨率重建模型；生成特定环境中低分辨率图像对应的高分辨率图像。本发明专利技术设计合理，充分利用了外部大数据和特定环境中的少量数据，解决了超分辨率重建模型的适用性问题，可以有效地应用于真实环境中。可以有效地应用于真实环境中。可以有效地应用于真实环境中。

【技术实现步骤摘要】
一种基于元学习的单幅图像超分辨率重建方法


[0001]本专利技术属于数字图像处理
，尤其是一种实现单幅图像超分辨率重建的方法。

技术介绍

[0002]从高分辨率图像到低分辨率图像是图像的退化过程。单幅图像超分辨率重建是指从一幅低分辨率图像重建出相应的高分辨率图像，其实质就是从退化的图像中恢复原始的图像。这是一个不完备的逆问题，退化过程中会丢失很多信息，因此从一个退化的低分辨率图像可以生成多个不同的高分辨率图像，没有唯一解。
[0003]在深度神经网络出现后，利用大数据，基于卷积神经网络、生成式对抗网络对高分辨率图像到低分辨率图像退化过程的逆过程进行建模，超分辨率重建技术出现了很大的发展。这些方法借助大规模的外部数据，通过机器学习技术提取外部数据中的有用信息和模式用以指导高分辨率图像的重建。用学习到的模型对低分辨率图像进行重建时，如果该低分辨率图像与模型训练中的外部数据中低分辨率图像是通过相同的退化过程得到的，会取得不错的效果。
[0004]但上述方法在现实环境中应用时存在两个问题：一方面，现实中的低分辨率图像可能是由各种不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的单幅图像超分辨率重建方法，其特征在于包括以下步骤：步骤1、模型预训练，获得对超分辨率重建任务有益的特征表达，即采用现有的图像超分辨率数据集训练一个卷积神经网络以实现超分辨处理；步骤2、选择M个典型的退化类型，每个退化类型包括C个样本，构建由低分辨率图像-高分辨率图像对组成的数据集S；步骤3、构建用于元学习的训练数据集S
meta
，即从数据集S中随机选择N个退化类型，每个类型随机选择P个低分辨率图像-高分辨率图像对并按一定比例划分为支撑集和查询集，从而由N*P个样本构成一个任务，按此方法可以获得由多个任务组成的任务池；步骤4、构建卷积神经...

【专利技术属性】
技术研发人员：任德华，赵婷婷，柳映辉，陈亚瑞，吴超，何海磊，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：