【技术实现步骤摘要】
一种基于可变形残差卷积神经网络的图像超分辨率重建方法
[0001]本专利技术属于图像处理
,特别涉及一种基于可变形残差卷积神经网络的图像超分辨率重建方法。
技术介绍
[0002]随着数字多媒体技术的快速发展,数字图像成为信息传达的重要表现形式。图像分辨率的高低、携带有用信息量的多少直接关系到人们对信息认知程度的深浅,然而,在实际获取数字图像的过程中,往往会受到诸多因素的影响而导致获取的图像质量下降,例如成像系统内外各种噪声,再加上一些特殊场合需要对数据进行传输、保存、下采样或者压缩,使图像的分辨率及质量进一步恶化,导致人们获取的有价值的图像细节信息大大减少。所以如何有效地提高图像的分辨率及质量以满足应用需求是需要解决的一个问题。
[0003]一般地,可通过提高硬件性能来提升图像的分辨率,方式有两种:一是通过制造工艺的更新换代,二是通过扩大成像芯片的尺寸来增大传感元件的绝对数目。但这两种方式都存在着瓶颈。而且从商业角度考虑,市场上高精度光学设备和高质量的传感器价格较高,大大增加了企业的生产成本。
[0004]为了打破在硬件方面的局限,国内外的许多研究学者从算法入手来提高图像的分辨率。目前,图像的超分辨率重建算法可以分为三类:基于插值的超分辨率算法、基于重建的超分辨率算法以及基于学习的超分辨率算法。基于学习的超分辨率重建算法可获得相对较好的重建效果,已经成为当前超分辨率重建研究的热点,但传统的基于学习的超分辨率重建算法在特征提取与表达能力有限,导致重建得到的图像效果不佳,不能满足人们对高质量图像的要 ...
【技术保护点】
【技术特征摘要】
1.一种基于可变形残差卷积神经网络的图像超分辨率重建方法,其特征在于:包括以下步骤:图像预处理:S1:将训练使用的高分辨率图像I
H
分别按照不同缩放尺度的因子进行下采样,得到不同模糊程度的低分辨率图像I
L
;S2:将低分辨率图像按照同一步长不重叠裁剪出子图像块,再将I
H
不重叠裁剪成相对应的子图像块作为标签;S3:将相对应的子图像块对,作为卷积神经网络输入层的数据,训练时交叉输入模型;图像特征提取:S1:输入的图像通过第一层卷积层,再进入DeRCB_1模块;S2:进入DeRCB_1模块后,采用含有可变形卷积层进行特征提取,再采用密集连接的方式进行模块之间的对称残差链接,实现不同阶段的特征相互融合,输出特征图Feature_DeRCB_1;S3:将特征图Feature_DeRCB_1输入到DeRCB_2模块中,重复S2中学习步骤,将得到的特征图记为Feature_DeRCB_2,再将其输入到下一个DeRCB模块中;S4:最终经过16个DeRCB模块后,DeRCB_16模块获得特征图与第一层卷积层提取的特征图进行残差链接得到特征图DeRCB_16_Sum;图像重建:将得到的特征图DeRCB_16_Sum输入到Upscale模块进行上采样纹理细化,得到特征图Feature_Upscale,最终重建出最终的高分辨率图像。2.如权利要求1所述的基于可变形残差卷积神经网络的图像超分辨率重建方法,其特征在于:图像预处理步骤中,S1:将训练集中的高分辨率I
H
分别按照缩放尺度为
×
2、
×
3、
×
4的因子进行下采样得到不同模糊程度的低分辨率图像,分别记为I
L2
、I
L3
、I
L4
;S2:将I
L2
、I
L3
、I
L4
不重叠裁剪为41
×
41大小的子图像块,分别记为I
L2
‑
sub
、I
L3
‑
sub
、I
L4
‑
sub
;再将I
H
不重叠裁剪成与I
L2
‑
sub
、I
L3
‑
sub
、I
L4
‑
sub
相对应的子图像块作为标签,分别记为I
H2
‑
sub
、I
H3
‑
sub
、I
H4
‑
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。