【技术实现步骤摘要】
一种基于三级卷积神经网络的单幅图像超分辨率重建方法
[0001]本申请涉及图像高质量重建
,尤其涉及一种基于三级卷积神经网络的单幅图像超分辨率重建方法和系统。
技术介绍
[0002]目前在图像高质量重建
,已有不少现有技术使用卷积神经网络来时先图像的超分辨率图像,例如:
[0003]CN108830790B采用单级精简卷积神经网络,利用多帧来实现视频超分辨率重建方法。
[0004]CN108921789A采用单级递归残差网络来实现超分辨率单幅图像的重建方法。
[0005]CN109064405A构建多尺度超分辨率模型,通过在高层特征提取模块中采用双路径架构以及局部残差学习和层次特征融合,实现单幅图像超分辨率重建。
[0006]CN109767386A专利技术一种基于深度学习的快速图像超分辨率重建方法,采用融合特征抽取与细节重建的卷积神经网络来实现单幅图像超分辨率重建。
[0007]CN109829855A公开了一种基于融合多层次特征图的超分辨率重建方法,类似于CN109767386A,采用融合特征抽取与细节重建的卷积神经网络来实现单幅图像超分辨率重建,只是网络结构不一致。
[0008]以上方法仍然存在部分图像模糊,在高倍数分辨率情况下特定目标图像的重建质量一般的技术问题。
技术实现思路
[0009]有鉴于此,本申请的目的在于提出一种基于三级卷积神经网络的单幅图像超分辨率重建方法和系统,本申请能够针对性的解决现有的问题。
[0010]基 ...
【技术保护点】
【技术特征摘要】
1.一种基于三级卷积神经网络的单幅图像超分辨率重建方法,其特征在于,包括:步骤1.利用下/上采样技术和特征提取方法获取训练样本,训练卷积神经网络模型;步骤2.利用采集的低分辨率图像信息和放大倍数,建立三级分辨率图像模型;步骤3.利用双三次线性插值法将低一级的分辨率图像分别转化为高一级的分辨率图像,利用16个梯度算子对各级分辨率图像提取图像特征;步骤4.逐级利用上采样技术和卷积神经网络来实现图像高质量重建。2.根据权利要求1所述的方法,其特征在于,步骤1所述卷积神经网络模型的训练方法如下:1.1根据放大倍数n及高分辨率图像信息,建立3级分辨率图像模型;1.2采集原始高分辨率图像,利用下/上采样技术,建立3级分辨率清晰图像集和模糊图像集;将高分辨率图像L3级分别利用下采样技术,得到L0,L1,L2级分辨率清晰图像;将L0,L1,L2级分辨率清晰图像,采用上采样技术,得到L1,L2,L3级分辨率模糊图像,由此形成3个图像集{L
i
级分辨率清晰图像,L
i
级分辨率模糊图像},其中i=0,1,2,3;1.3利用16个梯度算子对L
i
级分辨率模糊图像进行卷积,提取16维图像特征,拼接构成三维特征图像,以不重叠方式提取图像块,并转化为特征图像,作为训练的输入特征图集;L
i
级分辨率清晰图像,以不重叠方式提取图像块,转为列向量,构成目标输出向量集;1.4.将输入特征图集和目标输出向量集作为输入数据集和输出目标向量集对卷积神经网络进行训练,获得训练后的卷积神经网络模型。3.根据权利要求1所述的方法,其特征在于,步骤3所述提取图像特征的过程如下:3.1利用16个梯度算子对L
i
级低分辨率图像进行卷积,提取16维特征图像;3.2拼接构成三维特征图像,以不重叠方式提取图像块,并转化为特征图像作为输入特征集。4.根据权利要求1或3所述的方法,其特征在于,步骤3所述16个梯度算子为一组梯度模板,如下:
5.根据权利要求3所述的方法,其特征在于,步骤4所述图像高质量重建的过程如下:4.1将所述输入特征集作为卷积神经网络的输入向量,计算实际输出向量,并转化为图像块;4.2将L
i
‑1级分辨率图像利用双三次线性插值法,转化为L
i
级分辨率图像,以重叠方式提取图像块,并计算其均值,与4.1中对应图像块做平滑处理,形成L
i
级分辨率清晰图像;4.3采用迭代反投影方法来修正重建所得的L<...
【专利技术属性】
技术研发人员:文志强,舒文亮,曾志高,喻芳,
申请(专利权)人:湖南工业大学,
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。