基于改进ESRGAN的图像超分辨重建方法技术

本发明专利技术公开一种基于改进ESRGAN的图像超分辨重建的方法，其步骤为：建立超分辨图像数据集；构建基于改进ESRGAN的图像超分辨重建深度学习模型；训练改进ESRGAN的图像超分辨重建深度学习模型；测试模型的性能；评估模型；判断模型评估结果；修正基于改进ESRGAN的图像超分辨重建深度学习模型的参数；调用模型进行检测。本发明专利技术通过在ESRGAN的生成器（G）中加入胶囊网络，使其更能“理解”图像，表达能力较强，通过胶囊建立了图像三维之间的关系，输出的向量也可以反应图像状态。通过加入残差注意力机制，使模型生成的特征更具判别度，能持续提高模型的性能。模型的性能。模型的性能。

【技术实现步骤摘要】
基于改进ESRGAN的图像超分辨重建方法


[0001]本专利技术涉及图像超分辨
，更进一步涉及一种基于改进ESRGAN的图像超分辨重建方法。本专利技术可用于低分辨率图像的恢复。

技术介绍

[0002]图像超分辨率(Super
‑
Resolution)重建技术是利用一组低质量、低分辨率图像(或运动序列)通过硬件或软件的方法来产生相对应的高质量、高分辨率图像。图像超分辨率重建应用领域较为宽广，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前景。超分辨率重建的技术手段大致可以分为以下三类：(1)基于插值的方法(2)基于重建的方法(3)基于学习的方法。基于插值的方法是先估计各帧图像之间的相对运动信息，获得高分辨率图像在非均匀间距采样点上的像素值，接着通过非均匀插值得到高分辨率图像栅格上的像素值，最后采用图像恢复技术来去除模糊和降低噪声。基于重建的方法是通过研究图像的高分辨率细节在低分辨率下的表现形式，建立两者之间的对应关系，并利用某种模型来刻画这种映射关系。基于学习的方法是采用大量的高分辨率图像构造学习库产生学习模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进ESRGAN的图像超分辨重建方法，其特征在于，包括以下步骤：步骤1：建立超分辨图像数据集；步骤1.1：使用可见光摄像机随机拍摄若干张高分辨率图像I
HR
；步骤1.2：将步骤1.1获取的若干张高分辨率图像I
HR
，经过退化处理得到相对应的低分辨率图像I
lR
；步骤1.3：将步骤1.1所述的高分辨率图像I
HR
和步骤1.2退化处理得到的低分辨率图像I
LR
构成总样本数据集，其中，步骤1.1所述的高分辨率图像I
HR
做为网络的基准图像，步骤1.2退化处理得到的低分辨率图像I
LR
作为训练的输入图像；且把总样本80％作为训练样本集，总样本20％作为测试集；步骤2：构建基于改进ESRGAN的图像超分辨重建深度学习模型，具体包括以下步骤：步骤2.1：构建基于改进ESRGAN的图像超分辨重建深度学习模型的生成器(G)网络，具体的：步骤2.1.1：拓展生成器(G)网络中密集连接网络的厚度，提取目标图像在深层的细节特征；步骤2.1.2：引入胶囊网络模块，用于建立图像三维之间的关系，反映更多的图像向量信息；步骤2.1.3：引入注意力机制模块，用于加强网络特征提取过程中图像特征的提取；步骤2.1.4：在生成器(G)网络的注意力机制模型之后增加一个卷积核为9*9，通道为3、步长为1的卷积层，生成器(G)网络最终输出I
sR
图像；步骤2.2：构建基于改进ESRGAN的图像超分辨重建深度学习模型的辨别器(D)网络，具体的包括以下步骤：步骤2.2.1：拓展辨别器(D)网络中卷积层的厚度，卷积层由原来的6个增加到8个卷积层，进行有效的特征的提取；步骤2.2.2：拓展全连接层厚度，全连接层由原来的2个增加到4个卷积层，从全连接层输出经过Sigmod函数得到预测自然图像的概率；步骤3：采用步骤1所得到的训练样本集对改进ESRGAN的图像超分辨重建网络进行训练；步骤3.1：设置学习率(I
r
)、batch size、ep...

【专利技术属性】
技术研发人员：李永军，李孟军，李耀，李莎莎，张大蔚，
申请(专利权)人：河南大学，
类型：发明
国别省市：