【技术实现步骤摘要】
本专利技术涉及生命科学、医学和工业检测，具体的，本专利技术涉及一种图像超分辨率重建方法。
技术介绍
1、超分辨率(super resolution,sr)的概念最早由gerchberg提出用于提高超出衍射极限的光学系统的分辨率。随着技术不断发展，超分辨率被定义为从相应的低分辨率(low resolution,lr)图像生成高分辨率hr(high resolution，hr)图像的方法。
2、经典图像插值算法通过增加像素尺寸提高图像分辨率，简单且处理速度快，但是不能突破原有的信息量，而且由于不考虑结构信息，可能会产生伪影。基于学习的sr技术的基本思想是通过学习过程获得先验知识，该方法一般需要较少的lr图像就能得到效果很好的超分辨率图像，但是该算法不能随意改变放大因子。
3、近年来，深度学习在图像处理的许多领域，诸如医学图像处理、工业ct检测图像处理等，都取得了优秀的成果。相比于传统的插值法、重构法和学习法等，基于深度学习的方法获取的重建图像纹理特征连续性好，细节更加清晰且在重建尺寸较大时仍能取得较好的重建效果。
4、但是实际使用中，在训练深度学习模型的时候，由于配对训练数据的采集较为困难等原因，使得深度学习模型输出的超分辨率图像在准确性上有待改进，因此设计了一种图像超分辨率重建方法。
技术实现思路
1、为了克服现有技术方案的不足，本专利技术提供一种图像超分辨率重建方法，主要应用于生命科学、医学和工业检测
，通过建立超分神经网络模型，有效解决了
2、s1、利用设备采集原始图像；
3、s2、将原始图像重建生成普通图像；
4、s3、将普通图像输入超分神经网络模型内，超分神经网络模型输出高分辨率图像；所述高分辨率图像的分辨率高于普通图像；
5、所述超分神经网络模型包括依次连接的第一超分模块与第二超分模块，所述第一超分模块与第二超分模块包含若干个卷积层、上采样模块和下采样模块，所述普通图像数据输入进第一超分模块并输出高分辨率图像辅助数据，第二超分模块最终输出高分辨率图像数据。
6、进一步的，步骤s3中，超分神经网络模型的搭建与训练方法为：
7、s31、训练数据的收集与处理；
8、s311、获取配对的训练用图像数据和无配对的训练用图像数据；其中配对的训练用图像数据的集合dl被表示为dl＝{(xl1，...，xli，...，xln)，(yl1，...，yli，...，yln)}，其中xli和yli是配对的训练用图像数据的集合中第i对匹配的图像数据对，xli是普通图像数据，yli是与xli对应的相同部位的高分辨率图像数据；无配对的训练图像数据的集合du被表示为du＝{(yu1，...，yui，...，yun)}，其中yui是无配对的高分辨率训练用图像数据的集合中第i个高分辨率训练用图像数据；
9、s312、对无配对的高分辨率训练用图像数据yui采用退化操作，获取其配对的普通的训练用图像数据xui；
10、s313、将dl与du执行预处理操作，得到预处理后的所有普通图像数据的集合x′，以及预处理后的所有高分辨率图像数据的集合y′；
11、s314、对预处理操作得到的数据执行数据增广操作；
12、s32、搭建超分神经网络模型；
13、s33、训练超分神经网络模型；将预处理后的普通图像数据x′输入训练好的超分神经网络模型内，输出重建的高分辨率图像数据z，高分辨率图像辅助数据p，利用损失函数分别计算z、p与预处理后的高分辨率图像数据y′之间的差距，并使用优化器指导损失函数迭代优化超分神经网络的权重参数。
14、进一步的，在步骤s312中，所述退化操作包括任意退化操作中的一项或多项的组合。
15、进一步的，步骤s313中，预处理操作公式为：
16、x′＝(x-mean(x))/std(x)；
17、y′＝(y-mean(y))/std(y)；
18、其中，x为全体普通图像数据集合，mean(x)是全体普通图像数据的像素值的平均值，std(x)是全体普通图像数据的像素值的标准方差，x′为预处理后的全体普通图像数据的集合；y为全体高分辨率图像数据的集合，mean(y)是全体高分辨率图像数据像素值的平均值，std(y)是全体高分辨率图像数据像素值的标准方差，y′为预处理后的全体高分辨率图像数据的集合。
19、进一步的，步骤s314中，数据增广操作包括任意数据增广操作中的一项或多项的组合。
20、进一步的，步骤s33中，损失函数包括任意损失计算方法中的一项或多项的组合。
21、进一步的，所述损失函数为：
22、
23、其中，h、w分别是高分辨率图像数据的长度和宽度，ym,n表示高分辨率图像的第m行第n列的像素值，f()是训练后的超分神经网络模型表达式，fk()是f的第k层神经网络层表达式，ck、hk与wk分别是训练后的超分神经网络模型的第k层特征图的通道数、长度和宽度，α是权重参数。
24、进一步的，所述第一超分模块与第二超分模块的每个卷积层还包括操作算子，包括卷积操作、归一化操作、relu激活函数、随机丢弃操作以及门控操作中的一项或多项的组合。
25、进一步的，所述上采样模块包括反卷积层、双线性插值层、反最大池化层以及自注意力机制层，其中，每个自注意力机制层可以包含任意的操作算子，操作算子包括归一化操作、随机丢弃操作、gelu激活函数、矩阵乘法、softmax操作中的一项或多项的组合。
26、进一步的，所述下采样模块包括卷积层、双线性插值层、最大池化层以及自注意力机制层，其中每个自注意力机制层还包括操作算子，归一化操作、随机丢弃操作、gelu激活函数、矩阵乘法以及softmax操作中的一项或多项的组合。
27、与现有技术相对比，本专利技术的有益效果如下：
28、本专利技术通过构建的超分神经网络模型，可将低分辨率的普通图像作为输入，快速获取相应的高分辨率图像，结合深度监督有效避免超分神经网络模型训练时梯度消失和收敛速度过慢等问题，确保了输出的高分辨率准确性，在训练时，有效利用配对的训练数据和无配对的训练数据，加速超分神经网络模型训练。
本文档来自技高网...【技术保护点】
1.一种图像超分辨率重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像超分辨率重建方法，其特征在于，步骤S3中，超分神经网络模型的搭建与训练方法为：
3.根据权利要求2所述的图像超分辨率重建方法，其特征在于，在步骤S312中，所述退化操作包括任意退化操作中的一项或多项的组合。
4.根据权利要求2所述的图像超分辨率重建方法，其特征在于，步骤S313中，预处理操作公式为：
5.根据权利要求2所述的图像超分辨率重建方法，其特征在于，步骤S314中，数据增广操作包括任意数据增广操作中的一项或多项的组合。
6.根据权利要求2所述的图像超分辨率重建方法，其特征在于，步骤S33中，损失函数包括任意损失计算方法中的一项或多项的组合。
7.根据权利要求6所述的图像超分辨率重建方法，其特征在于，所述损失函数为：
8.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述第一超分模块与第二超分模块的每个卷积层还包括操作算子，包括卷积操作、归一化操作、ReLU激活函数、随机丢弃操作以及门控操作中的一项
9.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述上采样模块包括反卷积层、双线性插值层、反最大池化层以及自注意力机制层，其中，每个自注意力机制层可以包含任意的操作算子，操作算子包括归一化操作、随机丢弃操作、GeLU激活函数、矩阵乘法、softmax操作中的一项或多项的组合。
10.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述下采样模块包括卷积层、双线性插值层、最大池化层以及自注意力机制层，其中每个自注意力机制层还包括操作算子，归一化操作、随机丢弃操作、GeLU激活函数、矩阵乘法以及softmax操作中的一项或多项的组合。
...【技术特征摘要】
1.一种图像超分辨率重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像超分辨率重建方法，其特征在于，步骤s3中，超分神经网络模型的搭建与训练方法为：
3.根据权利要求2所述的图像超分辨率重建方法，其特征在于，在步骤s312中，所述退化操作包括任意退化操作中的一项或多项的组合。
4.根据权利要求2所述的图像超分辨率重建方法，其特征在于，步骤s313中，预处理操作公式为：
5.根据权利要求2所述的图像超分辨率重建方法，其特征在于，步骤s314中，数据增广操作包括任意数据增广操作中的一项或多项的组合。
6.根据权利要求2所述的图像超分辨率重建方法，其特征在于，步骤s33中，损失函数包括任意损失计算方法中的一项或多项的组合。
7.根据权利要求6所述的图像超分辨率重建方法，其特征在于，所述损失函数为：
【专利技术属性】
技术研发人员：杨义瑞，
申请(专利权)人：合肥锐视医疗科技有限公司，
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。