【技术实现步骤摘要】
基于任务解耦的双分支超分辨率网络的图像超分辨率方法
[0001]本专利技术涉及单图像超分辨率
,特别涉及一种基于任务解耦的双分支超分辨率网络的图像超分辨率方法。
技术介绍
[0002]大数据时代,高分辨率图像在各个领域得到了越来越广泛的应用。在社媒领域,高分辨率图像可以提高用户的使用体验;在医疗领域,高分辨率图像可以帮助专业人士做出正确判断;在安防领域,高分辨率图像可以帮助有关部门维护社会治安。然而,由于设备成本、自然环境等因素的限制,往往导致采集到的图像分辨率较低、质量较差且纹理模糊。因此,单图像超分辨率(Single Image Super
‑
Resolution,SISR)技术对各个领域都具有非常重要的研究意义。
[0003]单图像超分辨率是使用低分辨率(Low
‑
Resolution,LR)图像生成高分辨率(High
‑
Resolution,HR)图像的一种技术。传统的单图像超分辨率基于插值策略,其代表性算法为最近邻插值算法(Nearest Neighbor Interpolation)、双线性插值算法(Bilinear Interpolation)和双三次插值算法(Bicubic Interpolation)。然而,这些算法所使用的简单插值函数难以反映LR图像与HR图像之间复杂的映射关系,导致它们重建的超分辨率(Super
‑
Resolution,SR)图像质量较差。
[0004]近年来,卷积神经网络(Convol
【技术保护点】
【技术特征摘要】
1.一种基于任务解耦的双分支超分辨率网络的图像超分辨率方法,其特征在于:包括如下步骤:获取LR
‑
HR图像对作为训练样本;搭建由结构提取分支和颜色提取分支构成的双分支超分辨率网络,利用训练样本对网络进行训练得到训练后的双分支超分辨率网络;将待处理图像作为LR图像导入到训练后的双分支超分辨率网络中,网络输出的结果即为HR图像。2.如权利要求1所述的基于任务解耦的双分支超分辨率网络的图像超分辨率方法,其特征在于:所述的获取LR
‑
HR图像对作为训练样本包括如下步骤:获取准备作为训练样本的HR图像;对HR图像进行剪裁得到剪裁后的图像I
HR
;对剪裁后的图像I
HR
按如下公式进行下采样得到LR图像I
LR
:I
LR
=imresize(crop(I
HR
,k),method=
′
bicubic
′
),其中,imresize()代表MATLAB软件中的imresize函数,crop(I
HR
,k)代表将训练样本I
HR
的h和w调整为k的整数倍,method代表下采样所使用的插值函数;将图像I
LR
和I
HR
组成图像对,并转换为张量形式;将张量形式的图像对进行封装得到训练样本。3.如权利要求1所述的基于任务解耦的双分支超分辨率网络的图像超分辨率方法,其特征在于:所述的双分支超分辨率网络包括浅层特征提取模块、结构提取分支、颜色填充分支、超分辨率重建模块,双分支超分辨率网络的表达式如下:I
SR
=H
RM
(H
SE
(H
SFEM
(I
LR
)),H
CF
(H
SFEM
(I
LR
))),其中,I
LR
和I
SR
分别代表双分支超分辨率网络的输入和输出,H
SFEM
、H
SE
、H
CF
与H
RM
分别代表浅层特征提取模块、结构提取分支、颜色填充分支和超分辨率重建模块的函数。4.如权利要求3所述的基于任务解耦的双分支超分辨率网络的图像超分辨率方法,其特征在于:所述的浅层特征提取模块包括第一卷积层,其表达式如下:F
shallow
=C1(I
LR
),其中,F
shallow
代表该模块从其输入中提取的浅层特征,C1代表第一卷积层的函数。5.如权利要求4所述的基于任务解耦的双分支超分辨率网络的图像超分辨率方法,其特征在于:所述的结构提取分支包括1个编码器和1个解码器,其表达式如下:F
struct
=H
DE
(H
EN
(F
shallow
)),其中,F
struct
代表该分支从其输入中提取的含有结构信息的特征,H
EN
和H
DE
分别代表编码器和解码器的函数。6.如权利要求5所述的基于任务解耦的双分支超分辨率网络的图像超分辨率方法,其特征在于:所述的编码器由3个编码块组成;每个编码块由1个残差块和1个上下文归因池化层组成,其表达式如下:F
en
=H
CRPL
(H
RB
(F
...
【专利技术属性】
技术研发人员:翁士状,施金鹏,吕雯冰,陶文韬,孙浩宸,张巧巧,梁栋,郑玲,赵晋陵,黄林生,
申请(专利权)人:安徽大学,
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。