基于对抗网络和最大互信息优化的图像超分辨率重建方法技术

本发明专利技术公开了一种基于对抗网络和最大互信息优化的图像超分辨率重建方法，包括步骤：一、获取低分辨率的输入图像；二、将低分辨率的输入图像输入基于对抗网络的图像超分辨率重建模型中训练；重建模型的训练过程为：搭建基于对抗网络的图像超分辨率重建模型；采用最大互信息损失和对抗损失构建图像超分辨率重建模型的损失函数；选取训练样本并采用损失函数训练图像超分辨率重建模型，得到训练好的图像超分辨率重建模型；三、低分辨率的输入图像经过图像超分辨率重建模型处理，输出高分辨率的图像。本发明专利技术能够有效提高重建图像的质量,增强网络训练的稳定,能够完善图像的细节信息，提升重建图像的视觉效果。提升重建图像的视觉效果。提升重建图像的视觉效果。

【技术实现步骤摘要】
基于对抗网络和最大互信息优化的图像超分辨率重建方法


[0001]本专利技术属于图像处理
，具体涉及一种基于对抗网络和最大互信息优化的图像超分辨率重建方法。

技术介绍

[0002]图像分辨率是反映图像中蕴含图像细节信息丰富程度的一种参数，体现了成像设备实际所能反映物体细节信息的能力。相较较低分辨率的图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。高分辨率的图像在军事，医学，公共安全，计算机视觉等方面都存在着重要的应用前景。虽然可以通过提高设备性能获取高分辨率的图像，但是受到采集环境、网络传输、图像退化等因素的影响，获取的图像通常会受到噪声、边缘锐化、无成块模糊干扰，从而影响图像中的细节信息。最直接提升图像分辨率的方法是改进图像采集系统中的硬件设备，但是由于目前硬件设备制造工艺的技术评级和制造成本的高昂，因此物理上解决图像低分辨率问题往往代价太大。随着计算机技术和人工智能技术的发展，越来越多的研究开始将计算机视觉的方法引入到图像重建领域，通过特定的计算机算法可以使图像实现从检出水平向识别水平的转化，或更进一步实现向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗网络和最大互信息优化的图像超分辨率重建方法，其特征在于，该方法包括以下步骤：步骤一、获取低分辨率的输入图像I
LR
；步骤二、将低分辨率的输入图像I
LR
输入基于对抗网络的图像超分辨率重建模型中训练；其中，所述图像超分辨率重建模型的训练过程为：步骤201、搭建基于对抗网络的图像超分辨率重建模型；所述图像超分辨率重建模型包括生成器模型和连接在生成器模型输出端的判别器模型；步骤202、采用最大互信息损失和对抗损失构建图像超分辨率重建模型的损失函数；步骤203、选取训练样本并采用损失函数训练图像超分辨率重建模型，得到训练好的图像超分辨率重建模型；步骤三、低分辨率的输入图像I
LR
经过图像超分辨率重建模型处理，输出高分辨率的图像I
SR
。2.按照权利要求1所述的基于对抗网络和最大互信息优化的图像超分辨率重建方法，其特征在于：步骤201中所述生成器模型采用包括深度残差模型和子像素卷积模型的编码器
‑
解码器结构，所述判别器模型包括VGG网络中的8个卷积核大小为3
×
3的卷积层，以及两个全连接层和一个sigmoid激活函数。3.按照权利要求2所述的基于对抗网络和最大互信息优化的图像超分辨率重建方法，其特征在于：所述深度残差模型包括2个卷积核大小为3
×
3的卷积层，所述子像素卷积模型包括4个卷积层和ReLU激活函数。4.按照权利要求2所述的基于对抗网络和最大互信息优化的图像超分辨率重建方法，其特征在于：所述判别器模型包括的VGG网络中的8个卷积层中，第1个卷积层输出接有LeakyReLU激活函数，第2
‑
7个卷积层输出均依次接有标准化层BN和LeakyReLU激活函数。5.按照权利要求1所述的基于对抗网络和最大互信息优化的图像超分辨率重建方法，其特征在于：步骤202中所述采用最大互信息损失和对抗损失构建图像超分辨率重建模型的损失函数时，所述损失函数表示为：其中，为最大互信息损失，为对抗损失；两个图像X和Y的最大互信息损失函数定义...

【专利技术属性】
技术研发人员：刘亮亮，常靖，王颖，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：