基于半耦合深度卷积字典学习的图像超分辨率重建方法技术

本发明专利技术公开了一种基于半耦合深度卷积字典学习的图像超分辨率重建方法，包括：准备输入的训练集数据；构建半耦合深度卷积字典学习模型；构建和训练求解该模型的深度神经网络，得到训练好的系数映射网络、字典和系数；利用训练好的系数映射网络、字典和系数重建低分辨率图像得到高分辨率图像。本发明专利技术充分利用深度学习的学习能力和字典学习的可解释性，对低分辨率图像进行超分辨率重建，提升图像的分辨率，进而增强图像的显示效果。进而增强图像的显示效果。进而增强图像的显示效果。

【技术实现步骤摘要】
基于半耦合深度卷积字典学习的图像超分辨率重建方法


[0001]本专利技术属于图像处理
，具体涉及一种基于半耦合深度卷积字典学习的图像超分辨率重建方法。

技术介绍

[0002]研究表明，人类活动中绝大部分的信息是通过视觉系统进行感知的。图像作为记录和传递视觉信息的载体，具有形象直观、信息量大、通俗易懂等优点，在天文观测、定位跟踪、医学成像、交通监控等诸多领域均有着极为重要的应用。随着移动互联网时代的到来以及信息技术的推陈出新，人们对图像质量和分辨率的需求日益增长，这使图像的数据量也呈指数式上升。一方面，拍摄图像的分辨率越来越高，若不采用高效的图像压缩技术，将大大加重存储空间和带宽的压力，导致可存储的图像数量急剧下降。另一方面，在图像采集与传输过程中，压缩后的图像可能存在压缩失真、分辨率低等问题，不利于图像的后续处理，达不到实际应用的要求，使现有的技术和设备面临着巨大的挑战。
[0003]超分辨率(Super Resolution，SR)重建通过软件技术将已有的低分辨率图像进行重建处理，在提升图像分辨率的同时恢复图像丢失的高频细节，具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半耦合深度卷积字典学习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，准备输入的训练集数据：对HR图像进行降质退化处理得到对应的LR图像，构建训练集{X
i
，Y
i
}，其中X
i
为LR图像，Y
i
为HR图像，下标i表示LR图像或HR图像中的第i个；LR表示低分辨率，HR表示高分辨率；S2，构建半耦合深度卷积字典学习模型：式(1)中，X和Y表示LR图像和HR图像，D
x
和D
y
分别是LR图像和HR图像的字典，A
x
、A
y
是LR图像和HR图像对应的表示系数，为表示系数的先验信息，φ(
·
)为字典的先验信息，*表示卷积，λ表示正则化参数，σ
x
、σ
y
、为各项系数，f
y
(
·
)为LR图像和HR图像表示系数之间的系数映射函数；S3，构建和训练求解半耦合深度卷积字典学习模型的深度神经网络，深度神经网络包括Net
‑
X、Net
‑
Y、Net
‑
F、Hyper
‑
Net四个模块，其中Net
‑
X用于学习LR图像的表示系数A
x
和LR图像对应的字典D
x
，Net
‑
Y用于学习HR图像的表示系数A
y
和HR图像对应的字典D
y
，Net
‑
F用于训练学习A
x
到A
y
的系数映射函数f
y
(
·
)，Hyper
‑
Net用于在每个迭代阶段学习模型中的超参数，利用系数映射损失函数约束映射后的表示系数和HR图像的表示系数之间的差异，并利用重建损失函数约束预测的重建图像和原始HR图像之间的差异，不断调整网络模型参数，直到T个迭代阶段后模型收敛，完成模型的训练，得到训练好的系数映射网络、字典和系数；S4，将一幅待超分辨率的LR图像输入到训练好的模型中得到第T个迭代阶段LR图像的表示系数再经过训练好的系数映射函数映射后与训练好的进行卷积，得到最终重建的高分辨率图像为2.根据权利要求1所述的基于半耦合深度卷积字典学习的图像超分辨率重建方法，其特征在于，步骤S1中，准备输入数据的过程包括以下子步骤：S11，采用下述公式对HR图像进行降质退化处理得到对应的LR图像：X＝(Y*k)
↓
s
+n其中，X为LR图像，Y为HR图像，*为卷积运算，k为模糊核，
↓
s
表示s倍的下采样，n为加性高斯白噪声；S12，将降质退化处理得到的LR图像进行空值上采样，使其与对应HR图的大小一致；S13，将HR图像和LR图像分割为大小为预设大小的图像块，将分割后的图像进行集合，得到训练集，利用训练集分批次训练网络，图像块大小和批次样本数量与网络载体的设备性能相关。3.根据权利要求1所述的基于半耦合深度卷积字典学习的图像超分辨率重建方法，其特征在于，引入辅助变量并利用半二次分裂算法迭代求解式(1)，在第t个迭代阶段中，式(1)的求解过程为按顺序依次计算式(2)至式(10)：
其中其中其中其中其中其中其中其中其中构建深度神经网络Net
‑
F，并根据式(3)和式(5)求出的A
x
和A
y
训练学习映射函数使得其中，α
x
，α
y
，β
x
，β
y
，为通过网络Hyper
‑
Net学习得到的超参数，vec表示向量化操作，即把矩阵转换为列向量，vec
‑1表示反向量化操作，unf表示将卷积运算中的矩阵展开成乘积运算的矩阵形式，F(
·
)和F
‑1(
·
)分别表示2D傅里叶变换和反变换，表示2D傅立叶变换的复共轭，表示逐元素相乘，涉及的除法也为逐元素相除，式(3)、式(5)中的中的表示通过构建深度神经网络Net
‑
A来求解式(7)、式(9)中的表示通...

【专利技术属性】
技术研发人员：王力谦，李东升，邵文泽，葛琦，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：