【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法。
技术介绍
1、单图像超分辨率(sr)是一种从低分辨率(lr)图像重建高分辨率(hr)图像的低级计算机视觉任务。盲sr就是为了解决在图像降质过程未知的情况下实现sisr。因此，与非盲的sr不同，盲sr需要估计模糊核。传统的流行的盲sr方法通常将sr任务分成两个子问题：核估计和利用估计的核恢复hr图像。最经典的是gu等人提出的迭代核校正ikc框架，该方法利用核不匹配所导致的规则伪影(如过度锐化或过度平滑)来纠正不准确的估计核。另外cornillere等人通过生成对抗网络来估计模糊核和重建高分辨率图。liang等人提出了一种用于估计空间可变模糊核的互仿射网络manet，以处理具有空间可变退化的lr图像。
2、此类方法通常将模糊核信息直接融入重建网络，会产生以下两个问题：1)从任意lr图像估计正确的模糊核并不是一件容易的事，如果估计的模糊核与真实核有偏差，重建的hr图像将会受到严重影响，导致sr模型性能下降；2)即使模糊核估计准确，用单个的卷积神经网络也很难拟合不同降质过程得到的低分辨率图像空间和高分辨率图像空间之间复杂的非线性关系。针对这个问题，luo等人通过交替优化方案联合训练重建网络和核估计网络，形成了一个端到端可训练的深度交替网络dan。在该方法中，核估计网络可以同时利用lr图像和重建图像的信息，并且重建网络是用核估计网络估计的核进行训练，因此重建网络对核估计网络的估计误差更宽容。传统方法中的核估计网络通常为单个低分
技术实现思路
1、针对现有技术存在的缺陷和不足，引入基于不确定性的损失用于核估计使得能够自动区分模糊核的高频或低频信息，有助于准确的核估计。本专利技术的目的在于提供一种基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法，该方法有利于重建出更加清晰的高分辨率图像。
2、本专利技术具体采用以下技术方案：
3、一种基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法，其特征在于：将不确定性学习引入到图像盲超分辨率重建的模糊核估计的过程中，以提高核估计的准确度；再将低分辨率图像与估计的模糊核一起输入到基于纹理感知的盲超分辨率重建网络，以输出重建的高分辨率图像。
4、进一步地，所述盲超分辨率重建网络分为核估计网络与图像重建网络两个部分；所述核估计网络由卷积层与残差块组成；所述图像重建网络由卷积层、动态卷积层以及纹理感知增强模块组成；
5、所述核估计网络首先使用一个3×3的卷积提取模糊核的浅层特征，然后使用6个resnet残差块提取深层的模糊核特征，最后，通过两个3×3的卷积层同时学习预测模糊核的均值和方差；
6、所述图像重建网络使用一个3×3的卷积提取低分辨图像的浅层特征；为了使sr网络可以灵活的处理各种退化类型的图像，通过动态卷积ddc来使用模糊核引导sr；使用纹理感知模块tab，共包含10个ddc和10个tab；最后通过上采样以及残差连接重建出高分辨图像。
7、进一步地，当提供一组训练数据集其中i为训练数据集中图像的数量，yi和xi分别为训练集中第i个低分辨率图像和高分辨率图像，则图像重建网络的损失函数表示为：
8、
9、其核估计网络的损失函数表示为：
10、
11、其中，
12、是yi输入到图像重建网络得到的输出图像，是yi输入到核估计网络得到的模糊核，ki是真实的模糊核；训练结束后，得到训练好的网络参数，直接用于图像超分辨率重建。
13、一种基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上所述的步骤。
14、与现有技术相比，本专利技术及其优选方案提出了一种核的不确定性损失用于训练模糊核估计网络，重点关注模糊核中具有较高不确定性(方差)的区域以提高核估计的精度。此外，还提出了一种模糊核引导的纹理感知sr网络,通过使用gumbel softmax技巧以及通道选择机制来更好的捕捉图像特征。使网络对图像纹理复杂的区域赋予更多的注意力，以提高sr的性能。本方法可以实现复杂的超分辨率重建的功能，从而得到高质量的高分辨率图像。
本文档来自技高网...【技术保护点】
1.一种基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法，其特征在于：将不确定性学习引入到图像盲超分辨率重建的模糊核估计的过程中，以提高核估计的准确度；再将低分辨率图像与估计的模糊核一起输入到基于纹理感知的盲超分辨率重建网络，以输出重建的高分辨率图像。
2.根据权利要求1所述的基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法，其特征在于：
3.根据权利要求2所述的基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法，其特征在于：
4.一种基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-3其中任一所述的步骤。
【技术特征摘要】
1.一种基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法，其特征在于：将不确定性学习引入到图像盲超分辨率重建的模糊核估计的过程中，以提高核估计的准确度；再将低分辨率图像与估计的模糊核一起输入到基于纹理感知的盲超分辨率重建网络，以输出重建的高分辨率图像。
2.根据权利要求1所述的基于不确定性学习的模糊核估计和基于纹理感知的盲超分辨率重建方法，其...
【专利技术属性】
技术研发人员：曾坤，赵婷婷，全力，滕升华，李佐勇，
申请(专利权)人：闽江学院，
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。