【技术实现步骤摘要】
图像超分辨率重建方法
[0001]本专利技术涉及一种超分辨率重建方法,更具体的说是涉及一种图像超分辨率重建方法。
技术介绍
[0002]最近,生成对抗网络(GAN)由于广泛用来合成图像的真实高频细节,因此在超分辨率重建(SR)中使用GAN得到了快速发展。然而GAN的训练过程具有不稳定性,主要原因是GAN中的判别器在整个学习过程中对生成样本的正负(真假)判别标准一直保持不变,没有考虑生成样本的质量逐渐提高甚至比真实样本更逼真的情况。
技术实现思路
[0003]针对现有技术存在的不足,本专利技术的目的在于提供一种训练过程更加稳定的图像超分辨率重建方法。
[0004]为实现上述目的,本专利技术提供了如下技术方案:一种图像超分辨率重建方法,其特征在于:包括如下步骤:
[0005]步骤一,将LR图像x输入生成器网络,并使用a
‑
Charbon正则化保存生成图像的良好、清晰可区分的局部结构,获得相应的重建图像G(x),然后,使用Charbon惩罚函数计算真实HR图像y与重建图像G(x)的内容损失;
[0006]步骤二,将真实HR图像y和重建图像G(x)导入VGG,提取各自的高层次特征φ(y)和φ(G(x)),使用Charbon惩罚函数计算高层次特征φ(y)和φ(G(x))的内容损失;
[0007]步骤三,将提取的高层次特征φ(y)和φ(G(x))输入到判别器网络,并且基于PU分类正则化得到对抗损失,确定最终目标损失函数为内容损失和对抗损失的加权和;
[00 ...
【技术保护点】
【技术特征摘要】
1.一种图像超分辨率重建方法,其特征在于:包括如下步骤:步骤一,将LR图像x输入生成器网络,并使用a
‑
Charbon正则化保存生成图像的良好、清晰可区分的局部结构,获得相应的重建图像G(x),然后,使用Charbon惩罚函数计算真实HR图像y与重建图像G(x)的内容损失;步骤二,将真实HR图像y和重建图像G(x)导入VGG,提取各自的高层次特征φ(y)和φ(G(x)),使用Charbon惩罚函数计算高层次特征φ(y)和φ(G(x))的内容损失;步骤三,将提取的高层次特征φ(y)和φ(G(x))输入到判别器网络,并且基于PU分类正则化得到对抗损失,确定最终目标损失函数为内容损失和对抗损失的加权和;步骤四,利用自适应的a
‑
Charbon方法和PU分类正则化实现网络反向传播,计算各层梯度,根据训练策略,通过更新判别器网络和生成器网络的参数θ
d
和θ
G
来迭代优化网络;步骤五,重复步骤一至步骤四,直至损失函数值最小后结束。2.根据权利要求1所述的图像超分辨率重建方法,其特征在于:所述步骤三中的PU框架如下:其中,P
data
表示真实样本的分布情况,Z是从先验分布P
z
中采样的随机噪声,D(x)是由判别器预测x为真实数据的概率,f1(
·
)是将输入分类为真实样本的损失,f2(
·
)是将输入分类为生成样本的损失,π是先验知识,即生成样本中高质量样本所占的比例。3.根据权利要求1或2所述的图像超分辨率重建方法,其特征在于:所述步骤四中的a
‑
Charbon的自适应演化方程如下:式中,y为估计出高分辨率图像,b
k
表示扭曲、模糊和抽取运算的变换矩阵,X
k
表示低分辨率图像序列,γ1是正则化参数,γ2(y
‑
y0)是数据保真项,其中,就是a
‑
Charbon正则化项。4.根据权利要求1或2所述的图像...
【专利技术属性】
技术研发人员:许淑华,齐鸣鸣,张谦,孙亚新,
申请(专利权)人:温州理工学院,
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。