【技术实现步骤摘要】
一种基于深度先验的盲图像超分辨率方法
[0001]本专利技术涉及图像超分辨率领域，更具体地说，涉及一种基于深度先验的盲图像超分辨率方法。
技术介绍
[0002]在视频监控、手机摄像、医学成像、遥感成像和视频捕获等图像获取过程中，由于成像机理、成像环境或成像设备的限制，通常无法获取高分辨率图像。高分辨率的图像能够提供更多的细节信息，有利于图像判读等分析与理解任务。从硬件质量方面提高获取图像的分辨率存在成本以及工艺等问题，在无法改变硬件条件的前提下，图像超分辨率方法通过图像处理的手段，突破传感器固有采样频率的限制，实现低分辨率图像在空间分辨率或截止频率上的拓展，达到提升图像空间分辨率的目的。单幅图像超分辨率仅利用单幅低分辨率图像重建高分辨率图像，恢复降采样过程中损失的高频成分，提高图像的有效分辨率。
[0003]成像设备获取图像的过程可以看作由高分辨率图像到低分辨率图像的降质过程，图像超分辨率重建则是该降质过程的逆过程，即通过低分辨率观测图像重建高分辨率图像的过程，这是一个病态逆问题，解不惟一，因此需要图像先验约束可行解...
【技术保护点】
【技术特征摘要】
1.一种基于深度先验的盲图像超分辨率方法，其特征在于，包含以下5个步骤：步骤1.构建图像生成网络模型使用DIP
‑
Net作为图像生成网络实现随机向量z到高分辨率图像x的映射x＝f(z；θ)，利用网络本身抑制噪声，隐式地建模平滑性约束先验项；DIP
‑
Net网络输入z为区间(0，1)上均匀分布的随机向量，即z～U(0，1)；随机初始化一组网络参数，以降质图像作为自监督信号，利用梯度下降法更新参数使损失函数收敛；将非局部约束引入DIP
‑
Net中，通过相似图像块间的相互约束显式地获取相似图像块蕴含的附加信息；非局部运算定义为如下所示形式：式中，x
i
为待处理的特征，为输出特征，x
j
为x
i
的邻域特征，ρ(x
i
，x
j
)为相似度函数，用于度量x
i
和x
j
之间的相关性，g(
·
)为特征提取函数，C(x)为归一化参数；其中，相似度函数通常具有高斯函数、嵌入式高斯函数、内积与级联四种形式；在非局部运算的基础上非局部注意力模块定义为如下形式：非局部注意力模块使用残差连接“x
i
+”，使其可以嵌入到任何预训练的网络中，且不会影响网络的任务，即当W
z
＝0时，网络保持原有结构；使用的图像生成网络DIP
‑
Net具有U型编解码结构，包含五组下采样和上采样卷积结构，其中网络的第三、四、五组下采样层特征加入非局部注意力模块；每一组卷积操作均通过跨层连接将下采样层的特征与对应相同维数的上采样层特征进行融合，跨层连接的通道数固定为16；网络输入z为服从均匀分布的随机向量，其尺寸与高分辨率图像一致，通道数一般设置为8或16，设置为8；步骤2.初始化网络参数随机初始化图像生成网络的参数θ0，即可得高分辨率图像的初始估计x0＝f(z；θ0)；设置学习率η、降采样因子a、模糊核尺寸s、网络输入随机向量z、模糊核正则化参数λ
h
、最大迭代次数K；由于盲超分辨率方法不知道模糊核的真实尺寸，在重建高分辨率图像时需要估计模糊核尺寸，或者预先设定模糊核尺寸；步骤3.估计模糊核固定网络参数θ
k
‑1，用下式估计模糊核h
k
：式中，表示傅里叶变换，表示傅里叶逆变换，表示傅里叶变换的复共轭，
⊙
a
表示对a
×
a个图像块进行元素点乘运算，...
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。