一种超分辨率图像重建系统技术方案

本发明专利技术公开了一种超分辨率图像重建系统,包括：图像获取模块、图像分解模块、图像融合模块和图像重建模块，所述图像获取模块、所述图像分解模块、所述图像融合模块和所述图像重建模块连接；所述图像获取模块，用于获取若干幅低分辨率图像；所述图像分解模块，用于对所述低分辨率图像进行分解；所述图像融合模块，用于将分解后的结果进行融合；所述图像重建模块，用于对融合后的图像进行重建，获得高分辨率图像。本发明专利技术提高图像分辨率。本发明专利技术提高图像分辨率。本发明专利技术提高图像分辨率。

【技术实现步骤摘要】
一种超分辨率图像重建系统


[0001]本专利技术属于图像重建
，尤其涉及一种超分辨率图像重建系统。

技术介绍

[0002]随着人们对图片像素的要求也越来越高，传统的做法选择高像素的相机拍摄得到高分辨率的照片，并不能满足需求，需要将低分辨率的图片转换为超高分辨率的图片，相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。这种高分辨率图像可以提供更多内容和细节，不仅满足了人们的日常生活中对于高清晰度视觉效果的需要，更有助于其他领域的相关研究进行深入发展。但在实际上中，受硬件设施限制、网络带宽不够、存储空间不足等诸多因素的约束，我们通常并不能直接得到具有边缘锐化、无成块模糊的理想高分辨率图像。现有技术中超分辨率图像重建技术已经成为了一种能够有效提升图像分辨率的新兴技术，但是现有技术中仍然存在不足，本专利技术能够在保有低分辨率模糊图像的情况下，通过采用构建模型和卷积神经网络方法，将低分辨率图像进行重构，从而获取图像的高分辨率空间中的清晰图像。

技术实现思路

[0003]本专利技术的目的在于提出一种超分辨率图像重建系统，提高分辨率。
[0004]为实现上述目的，本专利技术提供了一种超分辨率图像重建系统，包括：图像获取模块、图像分解模块、图像融合模块和图像重建模块，所述图像获取模块、所述图像分解模块、所述图像融合模块和所述图像重建模块连接；
[0005]所述图像获取模块，用于获取若干幅低分辨率图像；
[0006]所述图像分解模块，用于对所述低分辨率图像进行分解；
[0007]所述图像融合模块，用于将分解后的结果进行融合；
[0008]所述图像重建模块，用于对融合后的图像进行重建，获得高分辨率图像。
[0009]可选的，所述图像获取模块与所述图像分解模块连接，所述图像分解模块用于将所述低分辨率图像采用分解算法分解为结构部分和纹理部分，获得低分辨率结构图像和低分辨率纹理图像。
[0010]可选的，所述图像分解模块与所述图像融合模块连接，所述图像融合模块包括图像训练单元、图像重构单元和图像融合单元，
[0011]所述图像训练单元，用于将所述低分辨率结构图像和所述低分辨率纹理图像进行训练，构建超分辨率图像重构模型；
[0012]所述图像重构单元，用于基于卷积神经网络对所述超分辨率图像重构模型中的图像信息进行重构；
[0013]所述图像融合单元，用于将重构后的图像进行特征融合，获得融合高分辨率图像。
[0014]可选的，所述图像训练单元具体包括：将所述低分辨率结构图像和所述低分辨率纹理图像输入基于残差结构的多层卷积神经网络进行学习，并获得超分辨率图像重构模
型；
[0015]所述基于残差结构的多层卷积神经网络包括至少七层结构。
[0016]可选的，所述图像重构单元具体包括：对所述基于残差结构的多层卷积神经网络输入的所述低分辨率结构图像和所述低分辨率纹理图像使用一个卷积层，再进行上采样获得重建后的超分辨率结构图像和超分辨率纹理图像；
[0017]将所述超分辨率结构图像和所述超分辨率纹理图像与标准的高分辨率结构图像和高分辨率纹理图像计算范数的损失函数，并利用反向传播算法更新所述超分辨率图像重构模型的参数；
[0018]通过不同的高低分辨率图像继续更新所述超分辨率图像重构模型参数。
[0019]可选的，所述图像融合单元具体包括：将所述低分辨率结构图像与所述高分辨率结构图像进行融合，获得第一融合结果；
[0020]将所述低分辨率纹理图像与所述高分辨率纹理图像进行融合，获得第二融合结果；
[0021]将所述第一融合结果和所述第二融合结果通过融合的方法，获得融合高分辨率图像。
[0022]可选的，所述图像融合模块与所述图像重建模块连接，所述图像重建模块包括图像修正单元、最优模型单元和图像等级单元，
[0023]所述图像修正单元，用于采用迭代反投影法对所述融合高分辨率图像进行若干次修正，获得修正图像；
[0024]所述最优模型单元，用于将所述修正图像输入构建的最优模型中进行若干次优化，获得优化图像；
[0025]所述图像等级单元，用于将所述优化图像进行等级划分。
[0026]可选的，所述系统还包括图像放大模块，用于将所述高分辨率图像按照若干种比例放大，并与所述低分辨率图像进行比较，与所述低分辨率图像内容一致。
[0027]本专利技术技术效果：本专利技术公开了一种超分辨率图像重建系统，通过将获得的低分辨率图像进行分解获得分解后的结构部分和纹理部分，进而获得了低分辨率结构图像和低分辨率纹理图像，通过图像融合模块将获得的低分辨率结构图像和低分辨率纹理图像进行训练获得超分辨率图像重构模型，利用基于卷积神经网络对超分辨率图像重构模型的图像信息进行重构，并将重构后的图像进行融合，将融合的结构进行修正、选优和等级划分能够获得清晰的高分辨率图像，最后对结果图像进行放大，与初始图像进行比较，结构保持一致，很大程度上推进了超分辨率图像重建技术的发展。
附图说明
[0028]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0029]图1为本专利技术实施例超分辨率图像重建系统的结构示意图。
具体实施方式
[0030]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相
互组合。下面将参考附图并结合实施例来详细说明本申请。
[0031]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0032]如图1所示，本实施例中提供一种超分辨率图像重建系统，包括：图像获取模块、图像分解模块、图像融合模块和图像重建模块，所述图像获取模块、所述图像分解模块、所述图像融合模块和所述图像重建模块连接；
[0033]所述图像获取模块，用于获取若干幅低分辨率图像；
[0034]所述图像分解模块，用于对所述低分辨率图像进行分解；
[0035]所述图像融合模块，用于将分解后的结果进行融合；
[0036]所述图像重建模块，用于对融合后的图像进行重建，获得高分辨率图像。
[0037]进一步优化方案，所述图像获取模块与所述图像分解模块连接，所述图像分解模块用于将所述低分辨率图像采用分解算法分解为结构部分和纹理部分，获得低分辨率结构图像和低分辨率纹理图像。通过图像分解，将输入图像分解成结构部分和纹理部分，其中结构部分相对平滑，并且具有锐利的边缘，而纹理部分包含图像的纹理和细。
[0038]进一步优化方案，所述图像分解模块与所述图像融合模块连接，所述图像融合模块包括图像训练单元、图像重构单元和图像融合单元，所述图像训练单元，用于将所述低分辨率结构图像和所述低分辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超分辨率图像重建系统，其特征在于，包括：图像获取模块、图像分解模块、图像融合模块和图像重建模块，所述图像获取模块、所述图像分解模块、所述图像融合模块和所述图像重建模块连接；所述图像获取模块，用于获取若干幅低分辨率图像；所述图像分解模块，用于对所述低分辨率图像进行分解；所述图像融合模块，用于将分解后的结果进行融合；所述图像重建模块，用于对融合后的图像进行重建，获得高分辨率图像。2.如权利要求1所述的超分辨率图像重建系统，其特征在于，所述图像获取模块与所述图像分解模块连接，所述图像分解模块用于将所述低分辨率图像采用分解算法分解为结构部分和纹理部分，获得低分辨率结构图像和低分辨率纹理图像。3.如权利要求2所述的超分辨率图像重建系统，其特征在于，所述图像分解模块与所述图像融合模块连接，所述图像融合模块包括图像训练单元、图像重构单元和图像融合单元，所述图像训练单元，用于将所述低分辨率结构图像和所述低分辨率纹理图像进行训练，构建超分辨率图像重构模型；所述图像重构单元，用于基于卷积神经网络对所述超分辨率图像重构模型中的图像信息进行重构；所述图像融合单元，用于将重构后的图像进行特征融合，获得融合高分辨率图像。4.如权利要求3所述的超分辨率图像重建系统，其特征在于，所述图像训练单元具体包括：将所述低分辨率结构图像和所述低分辨率纹理图像输入基于残差结构的多层卷积神经网络进行学习，并获得超分辨率图像重构模型；所述基于残差结构的多层卷积神经网络包括至少七层结构。5.如权利要求4所述的超分辨率图像重建系统，其...

【专利技术属性】
技术研发人员：李天宇，刘强，吕晓倩，张长海，张正奇，张语骅，李鑫，姚文龙，李艾鑫，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：