基于残差学习和亚像素重组映射对图像超分辨率重建方法技术

本发明专利技术提供了一种基于残差CNN网络和像素重组映射的图像超分辨率重建方法，构建用于放大图像并恢复图像细节的Pixel

【技术实现步骤摘要】
基于残差学习和亚像素重组映射对图像超分辨率重建方法


[0001]本专利技术属于图像处理方法
，尤其涉及一种基于残差学习和亚像素重组映射对图像超分辨率重建方法。

技术介绍

[0002]近年来，基于图像特征提取和分析的图像处理技术和图像分类技术已成为计算机视觉领域的一个热点卷积神经网络。研究人员提出了许多用卷积神经网络(CNN)构造的端到端模型，该模型可以在训练过程中通过传统的梯度下降法算法学习图像特征。与其他神经网络方法相比，CNN在图像特征学习和映射方面具有优势。目前，CNN已经成为图像处理深度学习模型的基本网络结构，由于其在图像分类方面的巨大成功，CNN得到了爆炸性的普及。然而基于现有的CNN的方法进行图像处理时，对图形的纹理及亮度和细节特征的处理等方面，依旧存在失真的情况，同时在图像重建的时间上，时长较长。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术的目的在于提供一种基于残差学习和亚像素重组映射对图像超分辨率重建方法，以克服目前基于CNN方法下处理图像时由于纹理及亮度带来的失真问题。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于残差学习和亚像素重组映射对图像超分辨率重建方法，其特征在于：包括如下步骤：S1、构建训练数据集；S11、利用高斯滤波器对训练集中的高分辨率图形进行卷积，模拟摄像机的点扩散函数；S12、通过比率因子对图像进行下采样，获得低分辨率图像；S13、将高分辨率图像和低分辨率图像分别进行图像的分割，以构建出成对的高
‑
低分辨率图像块；S2、构建四层的CNN网络，对图像数据进行特征提取；S3、在S2构建的CNN网络的第2层和第3层加入残差网络；通过设置卷积操作参数padding＝“same”对输入数据进行卷积函数操作，在每个卷积层中，选择tanh函数作为模型的激活函数；S4、在第4卷积层后增加像素重组映射层，并通过将rgb图像转换为YC
b
C
r
空间，只训练图像的亮度分量，其他分量通过双三次插值直接插值以提高比例；S5、构建完整的超分重建网络；S6、构建损失函数；S7、训练网络，得到模型参数；S8、用低分辨率图像进行重建测试，将低分辨率图像分成的块，通过网络后得到扩大后的块，将所有图像块按顺序拼接形成最后的超分辨率重建图像。2.如权利要求1所述的基于残差学习和亚像素重组映射对图像超分辨率重建方法，其特征在于：所述S13中原始的高分辨图像和对应的低分辨率图像中分别以(17
‑
∑mod(f,2))
×
r和(17
‑
∑mod(f,2)为步距进行切割，以低分辨率图像块作为输入数据，高分辨率图像块将用来与模型输出的超分辨重建图像块进行损失函数计算，从而调整网络参数。3.如权利要求1所述的基于残差学习和亚像素重组映射对图像超分辨率重建方法，其特征在于：所述S4中重组映射层的构成为：给定一个大小为H
×
W
×
C的低分辨图像，为了将其映射成为一个大小为rH
...

【专利技术属性】
技术研发人员：周娟，
申请(专利权)人：西南政法大学，
类型：发明
国别省市：