一种基于改进的生成对抗网络提高图像分辨率方法技术

本发明专利技术提出一种基于改进的生成对抗网络提高图像分辨率方法。方法具体步骤如下：(1)构建图像高低对应的分辨率数据集；(2)生成器网络中，引入残差密集块替代原始生成对抗网络模型的基本卷积块，去掉了中的批量归一化层，并将亚像素卷积替换为卷积层和双线性插值操作组合去实现上采样；(3)在鉴别器网络中，将VGG网络更改为改进的U

【技术实现步骤摘要】
一种基于改进的生成对抗网络提高图像分辨率方法


[0001]本专利技术属于深度学习图像超分辨率重构领域，涉及一种基于改进的生成对抗网络提高图像分辨率方法。

技术介绍

[0002]随着深度学习理论与实践的结合，图像分辨率重构也取得了快速的发展。图像分辨率重构的目的是提高图像的质量和清晰度，当图像分辨率较低时，图像中的细节和清晰度会受到影响，导致图像看起来模糊或失真。因此，通过图像分辨率重构，可以将图像转换为更高分辨率的版本，从而提高图像的细节和清晰度，使其更具吸引力和可用性。这在很多领域中都有应用，如医学影像、卫星图像、地震资料等。
[0003]基于深度学习的方法是近年来图像提高分辨率领域的重要发展方向，它通过利用卷积神经网络等深度学习模型来实现图像的高效、准确的分辨率提高。基于卷积神经网络的图像超分辨率方法，称为SRCNN；该网络使用了三个卷积层，分别用于提取低、中、高层次的特征，从而更好地捕捉图像的结构信息；还提出了一种新的损失函数，可以更好地优化网络的参数；但该方法的网络结构比较简单，无法充分利用更多的图像信息。基于深度残差网络的图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的生成对抗网络提高图像分辨率方法，其特征在于包括以下步骤：步骤1：使用摄像头获取室外不同场景图像，将这些像素为1024
×
1024的高分辨率图像缩放成256
×
256，即获得对应的低分辨率图像，构建出提高图像分辨率数据集，并将构建的数据集分为训练数据集和验证数据集；步骤2：构建改进的生成对抗网络模型，所述改进的生成对抗网络模型包括基于残差密集块的特征融合生成器模块、编码器
‑
解码器网络的特征融合鉴别器模块和训练图像的生成器损失模块：步骤2.1：构建基于残差密集块的特征融合生成器模块，所述基于残差密集块的特征生成器融合模块包括以下结构：首先使用一个3x3卷积核进行卷积操作，提取输入图像中的边缘、纹理低级特征；再经过6个残差密集块，同时经过1x1深度可分离卷积核的残差块；然后使用最近邻插值法的上采样模块，并且在卷积和激活操作中引入非线性变换；其中，每个残差密集块由三个RDB模块组成，RDB模块是一个密集连接块；它的每个卷积层都使用3x3卷积核，使用LeakyReLU非线性激活函数，并且第一个卷积层的输入通道数为高维特征图的通道数，后面四个卷积层的输入通道数分别为输入特征图的通道数加上中间层的通道数；步骤2.2：构建编码器
‑
解码器网络的特征融合鉴别器模块，所述编码器
‑
解码器网络的特征鉴别器融合模块包括以下结构：步骤2.2.1：编码器结构如下：第一层包含3x3的卷积，使用平均池化进行下采样；注意力机制层接收下采样的结果作为输入，根据输入的特征图动态计算一个权重向量，将这个权重向量与输入的特征图相乘，得到加权的特征图；经过第一层操作后得到h1，通道数由3变为64，像素大小由256
×
256减为128
×
128；第二层首先将h1使用ReLU函数进行激活，加入谱归一化技术，再使用3x3的卷积，并使用平均池化层进行下采样后得到h2；通道数由64变为128，像素大小由128
×
128减为64
×
64；第三、四、五层与第二层操作相同，依次得到h3、h4、h5，通道数由128依次变为256、512、1024，像素大小由64
×
64依次减为32
×
32、16
×
16、8
×
8；步骤2.2.2：解码器结构如下：第一层包含3x3的卷积，ReLU函数进行激活，并进行上采样操作后得到h6，通道数由1024变到512，像素大小由8
×
8增为16
×
...

【专利技术属性】
技术研发人员：罗仁泽，廖波，林虹宇，易玺，曹瑞，赵丹，武娟，刘恒，吴涛，王磊，雷璨如，王清松，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：