基于多频层级残差网络的图像超分辨率重建模型构建方法技术

本发明专利技术公开了一种基于多频层级残差网络的图像超分辨率重建模型构建方法，涉及图像超分辨率重建技术领域。该方法包括：划分得到训练集和测试集；将训练集中的低分辨率图像输入至特征提取模块中，获得低分辨率图像的浅层特征；将浅层特征分解为高空间频率组和低空间频率组；将高空间频率组和低空间频率组输入到特征映射模块，输出并将高频特征组和低频特征组使用卷积运算进行高低频特征融合，得到深度特征；将深度特征与浅层特征进行残差学习，进行图像重建，得到高分辨率图像；将高分辨率图像与训练集中高分辨率图像进行对比，求得Loss值，完成训练，得到基于深度学习的单图像超分辨率重建模型。本发明专利技术可有效提高图像超分辨率重建的效果。重建的效果。重建的效果。

【技术实现步骤摘要】
基于多频层级残差网络的图像超分辨率重建模型构建方法


[0001]本专利技术涉及图像超分辨率重建
，具体而言，涉及一种基于多频层级残差网络的图像超分辨率重建模型构建方法。

技术介绍

[0002]图像超分辨率是图像处理的一项重要任务，目的是提高成像系统的分辨率。迄今为止，科研人员已经研究了许多超分辨率方法。SISR(Single Image Super Resolution)是指输入的低分辨率图像数量只有一张，仅使用单个输入图像的信息重建恢复缺失细节，并且总是存在一个原始LR(Low
‑
Resolution)图像对应多个HR(High
‑
Resolution)图像。基于深度学习的图像超分辨率重建方法取得了令人可喜的成绩。基于深度学习的图像超分辨率重建任务通常可分为三个步骤：特征提取、非线性特征映射和图像重建。
[0003]目前基于深度学习的大多数方法在特征映射过程忽略了图像固有的多频率特征，低频信息和高频信息被统一对待，并且单尺度网络模型提取到的上下文信息有限，特征中存在着许多空间冗余。
专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多频层级残差网络的图像超分辨率重建模型构建方法，所述多频层级残差网络包括：特征提取模块、特征分离模块、特征映射模块和特征融合模块，其特征在于，包括以下步骤：将原始高分辨率图像数据集按照预设比例划分得到训练集和测试集；将训练集中的低分辨率图像输入至特征提取模块中，从特征提取网络获得低分辨率图像的浅层特征X；将浅层特征X输入到特征分离模块，将经过卷积运算后的多通道特征输入分解为高空间频率组X
H
和低空间频率组X
L
；将高空间频率组X
H
和低空间频率组X
L
输入到特征映射模块，以得到经过深度特征提取后的特征张量，输出得到Y
H
和Y
L
；其中，Y
H
表示经过深度特征提取后的高频特征组，Y
L
表示经过深度特征提取后的低频特征组；基于特征融合模块将高频特征组Y
H
和低频特征组Y
L
使用卷积运算进行高低频特征融合，得到融合后的深度特征Y；将深度特征Y与浅层特征X进行残差学习，使用上采样卷积将学习到特征张量的空间分辨率与原始高分辨率图像的空间分辨率进行统一，最后使用一个用于重构的卷积层进行图像重建，得到高分辨率图像I
SR；
将高分辨率图像I
SR
与训练集中的原始高分辨率图像进行对比，求得Loss值，进行反向传播更新网络参数，达到预设训练批次完成训练，得到基于深度学习的单图像超分辨率重建模型。2.根据权利要求1所述的一种基于多频层级残差网络的图像超分辨率重建模型构建方法，其特征在于，所述特征分离模块包括两个卷积和一个下采样，其中：下采样和一个卷积负责降低低频特征的空间冗余和低频特征的映射，另一个卷积负责高频特征张量组的映射。3.根据权利要求1所述的一种基于多频层级残差网络的图像超...

【专利技术属性】
技术研发人员：朱庆辉，王飞，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：