【技术实现步骤摘要】
基于盲超分辨率网络的图像重建方法
[0001]本专利技术属于图像处理
，涉及一种图像重建方法，具体涉及一种基于盲超分辨率网络的RGB图像重建方法，可用于视频监控、遥感成像等领域。
技术介绍
[0002]在成像过程中，由于成像系统各种因素的影响，可能使获得的图像不是真实景物的完善影像。图像在形成、传播和保存过程中使图像质量下降的过程，称为图像退化。图像重建就是重建退化的图像，使其最大限度恢复景物原貌的处理。图像重建只能尽量使图像接近其原始图像，但由于噪声干扰等因素，很难精确还原。而由于成像系统或者传输带宽的限制，获得的图像的分辨率往往较低，图像超分辨率重建就是利用已有的图像重建出更高分辨率的图像。在视频监控、遥感成像等对成像质量有严格要求的领域中，不仅要求图像具有较高分辨率，而且图像结构不应出现结构失真，纹理错误，使目标清晰，容易识别。衡量重建图像质量指标采用峰值信噪比和结构相似度来衡量。在实际情况中，图像退化方式多种多样，一般图像超分辨率重建都假定退化过程已知，但现实世界中的图像退化过程是未知，图像盲超分辨率能够根据不...
【技术保护点】
【技术特征摘要】
1.一种基于盲超分辨率网络的图像重建方法，其特征在于，包括如下步骤：(1)获取训练样本集和测试样本集：(1a)选取K幅RGB图像进行高斯模糊处理，并对每幅高斯模糊处理后的RGB图像进行1/4降采样，得到降采样后的K幅RGB图像；(1b)将每幅RGB图像裁剪为大小为H
×
H的图像块，同时将该幅RGB图像对应的降采样后的RGB图像裁剪为大小为的图像块，并将每幅RGB图像裁剪的图像块作为对应的降采样后裁剪的图像块的标签，然后随机选取其中半数以上的降采样后的图像块及其标签组成训练样本集R1，将剩余降采样后的图像块及其标签组成测试样本集E1，其中，K≥2000，H≥256；(2)构建基于盲超分辨率网络的图像重建模型O：构建由D个图像还原网络和D
‑
1个模糊核估计网络相间排布的盲超分率图像重建网络模型O，O的损失函数L由L1范数损失函数L1和结构相似度损失函数L
SSIM
组成，L＝L1+L
SSIM
，其中，D≥2；图像还原网络包括顺次级联的第一卷积层、R个残差蒸馏模块、上采样模块级；残差蒸馏模块包括级联的V个残差蒸馏单元和第二卷积层，残差蒸馏单元包括顺次级联的第三卷积层、第四卷积层和第一非线性激活层，以及第五卷积层，第五卷积层的输入端同时与第三卷积层和第四卷积层的输出端相连，第五卷积层的输出端与非线性激活层的输出端级联，其中，V≥2，R≥2；模糊核估计网络，包括顺次级联的卷积模块、图像质量回归网络和第一池化层；卷积模块包括两个并行排布的第六卷积层和第七卷积层；图像质量回归网络包括U个级联的图像质量回归模块，图像质量回归模块包括顺次级联的第八卷积层、第二非线性激活层、第九卷积层和通道注意力模块，通道注意力模块包括顺次级联的第二池化层、第十卷积层、第三非线性激活层、第十一卷积层、第四非线性激活层，通道注意力模块的输出与图像注意力模块的输入相加作为标准图像注意力模块的输出；其中，U≥2；(3)对盲超分率图像重建网络模型O进行迭代训练：(3a)随机初始化模糊核为Q，初始化模糊核池为M，初始化模糊核特征向量为T＝M
·
Q，初始化迭代次数为s，最大迭代次数为S，S≥10000，当前重建网络模型为O
s
，O
s
的权值参数、模糊核特征向量分别为ω
s
、T
s
，并令s＝0，O
s
＝O，T
s
＝T，Q
s
＝Q；(3b)将从训练样本集R1中随机且有放回的选取N个训练样本和模糊核特征向量T
s
作图像重建模型O
s
的输入，图像还原网络对训练样本和模糊核特征向量T
s
进行图像重建，得到中间图像，模糊核估计网络对中间图像和训练样本进行模糊核估计，得到模糊核特征向量Q
s
，并采用模糊核损失函数，通过模糊核Q
s
计算损失值L
regularization
，然后求L
regularization
对模糊核参数b的偏导再采用梯度下降法，对模糊核参数b进行更新，最后将更新后模糊核映射回模糊核特征向量T
s
，将更新后的模糊核特征向量T
s
′
与训练样本输入下一个图像还原网络进行图像重建，如此交替往复，最后一个图像还原网络输出该次迭代的重建图像；(3c)采用O的损失函数，并通过重建图像和其对应训练样本标签计算O
s
的损失值L
s
，求
取L
s
对权值参数ω
s
的偏导再采用...
【专利技术属性】
技术研发人员：路文，胡健，孙晓鹏，张立泽，高新波，何立火，
申请(专利权)人：西安电子科技大学，
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。