【技术实现步骤摘要】
基于正则化内容模式权重预测的图像超分辨率重建方法
[0001]本专利技术涉及计算机视觉及图像处理
，具体涉及一种基于正则化内容模式权重预测的图像超分辨率重建方法。
技术介绍
[0002]单图像超分辨率重建的目标是从退化的低分辨率图像中重建出质量更好的高分辨率图像。它在航空航天，地物遥感、医学和军事成像、无人值守等方面有着非常广泛的应用。
[0003]传统的基于插值的算法简单快捷，但无法满足人们日益增长的图像质量需要。随着深度学习的蓬勃发展，研究人员将深度学习算法广泛应用到图像超分辨率重构上来并取得优于插值算法的重构结果。但目前主流的方法都是在上采样模块共享卷积核，并没有充分利用不同位置不同的正则化内容模式进行上采样。
技术实现思路
[0004]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于正则化内容模式权重预测的图像超分辨率重建方法。该方法采用正则化内容模式提取网络提取不同位置的正则化内容模式，用于区分不同位置的灰度、梯度和方向信息，然后使用卷积核权重预测网络为不同位置的像素点生成...
【技术保护点】
【技术特征摘要】
1.一种基于正则化内容模式权重预测的图像超分辨率重建方法，其特征在于，所述图像超分辨率重建方法包括以下步骤：S1、将输入图像通过特征提取网络进行低分辨率特征提取；S2、使用正则化内容模式提取网络对低分辨率特征进行正则化内容模式提取；S3、将超分辨率图像上的每一个像素点进行位置映射，确定每一个像素点的位置尺度信息和正则化内容模式；S4、使用卷积核权重预测网络为超分辨率图像上的每一个像素点生成匹配该像素点位置尺度信息和正则化内容模式的卷积核权重；S5、使用超分辨率图像上每一个像素点的卷积核权重对对应位置的低分辨率特征进行重建得到该像素点的RGB值，最后得到完整的超分辨率图像。2.根据权利要求1所述一种基于正则化内容模式权重预测的图像超分辨率重建方法，其特征在于，所述特征提取网络采用与去除上采样模块后的RDN网络相同的网络结构，所述特征提取网络由第一3
×
3卷积层、第二3
×
3卷积层、D个串联的残差稠密块、1
×
1卷积层和第三3
×
3卷积层依次串联而成，D为大于零的正整数；所述残差稠密块由C
′
个串联的后接ReLU激活函数3
×
3卷积层和1
×
1卷积层串联而成，所述后接ReLU激活函数3
×
3卷积层由3
×
3卷积层和ReLU激活函数层串联而成，C
′
为大于零的正整数，残差稠密块特征提取过程的表达式如下：的正整数，残差稠密块特征提取过程的表达式如下：的正整数，残差稠密块特征提取过程的表达式如下：的正整数，残差稠密块特征提取过程的表达式如下：其中，F
in
表示整个残差稠密块的输入特征，和分别表示残差稠密块中第一和第二后接ReLU激活函数3
×
3卷积层的卷积核，σ()为ReLU激活函数，和分别表示第一和第二后接ReLU激活函数3
×
3卷积层的输出，concat()为特征堆叠函数，将多个输入特征堆叠成一个输出特征，和分别表示残差稠密块中第c
‑
2、第c
‑
1和第c后接ReLU激活函数3
×
3卷积层的输出，定义c为取值范围为[3,C
′
]的正整数，和分别表示残差稠密块中第C
′‑
1和第C
′
后接ReLU激活函数3
×
3卷积层的输出，表示残差稠密块中第c后接ReLU激活函数3
×
3卷积层的卷积核，表示残差稠密块中1
×
1卷积层的卷积核，F
out
表示整个残差稠密块的输出特征。3.根据权利要求2所述一种基于正则化内容模式权重预测的图像超分辨率重建方法，其特征在于，所述步骤S1过程如下：定义d为取值范围为[2,D]的正整数，定义特征提取网络中第一残差稠密块使用公式(1)
‑
(4)提取特征过程为函数RDB1()，定义特征提取网络中第d残差稠密块使用公式(1)
‑
(4)提取特征过程为函数RDB
d
()，使用特征提取网络从输入的低分辨率图像中提取出低分
辨率特征，表达式如下：辨率特征，表达式如下：F1＝RDB1(F0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)F
d
＝RDB
d
(F
d
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)F
LR
＝F
‑1+F
GF
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)其中，I
LR
表示输入的低分辨率图像，和分别表示特征提取网络中第一、第二和第三3
×
3卷积层的卷积核，F
‑1和F0分别表示特征提取网络中第一和第二3
×
3卷积层的输出，F1和F2分别表示第一和第二残差稠密块的输出，F
d
‑1和F
d
分别表示第d
‑
1和第d残差稠密块的输出，F
D
‑1和F
D
分别表示第D
‑
1和第D残差稠...
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。