【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于对抗生成网络的超分辨率图像重建和增强方法及系统。
技术介绍
1、超分辨率图像重建是指从低分辨率的图像中恢复出高分辨率的图像，从而提高图像的清晰度和质量。这是一种重要的计算机视觉任务，有着广泛的应用场景，如医学成像、遥感、视频监控等。
2、传统的超分辨率方法主要基于插值或基于样本的方法，它们通常快速而简单，但在大尺度放大时会导致图片过度平滑和缺乏细节。近年来，基于深度学习的方法取得了显著的进展，它们利用卷积神经网来学习从低分辨率到高分辨率的非线性映射，能够生成更加清晰和自然的图像。然而，基于深度学习的方法也存在一些问题：首先它们通常使用均方误差或峰值信噪比作为优化目标和评价指标，这些指标与人类视觉感知的质量并不完全一致，因此可能会忽略纹理、对比度、锐度等重要的感知信息；其次，它们通常使用确定性的模型来生成单一的输出，但超分辨率问题本身具有不确定性和多样性的特点，即同一个低分辨率图像可能对应多个合理的高分辨率图像。
3、为了解决上述问题，一些研究者引入了对抗生成网络来进行超分辨率图像重建和增强。对抗生成网络是一种基于博弈论的生成模型，由一个生成器和一个判别器组成。生成器负责从低分辨率图像生成高分辨率图像，判别器负责判断生成的图像是否真实。通过对抗训练，生成器可以学习到更加逼真和多样化的图像分布，判别器可以提供更加符合人类视觉感知的反馈。
4、基于对抗生成网络的超分辨率方法有很多变体和改进，其中比较有代表性和影响力的有以下几种：
5、srgan 1
6、esrgan 2：这是对srgan的改进工作，它从三个方面对模型进行了优化：网络结构、对抗损失和感知损失。网络结构方面，它引入了残差密集块和残差缩放来增强网络的容量和稳定性，并去掉了批量归一化层，以避免损失低频信息。对抗损失方面，它使用了相对判别器来比较生成图像和真实图像之间的相对真实性，而不是绝对真实性。感知损失方面，它使用了激活前的vgg特征，以提供更强的亮度一致性和纹理恢复的监督。。
7、srflow 3：这是一种基于正向传播的对抗生成网络模型，它能够同时实现超分辨率和图像增强。它使用一个可逆的生成器来建立低分辨率图像和高分辨率图像之间的双向映射，并使用一个条件判别器来提供对抗反馈。由于生成器是可逆的，它能够从一个随机噪声向量出发，生成多个不同风格的高分辨率图像，并且能够计算出精确的数据似然，从而提供更好的优化目标。srflow能够在保持高分辨率的同时，增强图像的对比度、饱和度、锐度等视觉属性。
8、因此，如何提供一种基于对抗生成网络的超分辨率图像重建和增强方法及系统是本领域技术人员亟需解决的问题。
技术实现思路
1、本专利技术的一个目的在于提出一种基于对抗生成网络的超分辨率图像重建和增强方法及系统，本专利技术通过对抗生成网络从低分辨率图像中生成高分辨率图像，同时保证图像的真实性和多样性，以及增强图像的感知质量和视觉效果。
2、为了实现上述目的，本专利技术采用了如下技术方案：一种基于对抗生成网络的超分辨率图像重建和增强方法及系统，包括：
3、s11、输入一个低分辨率图像，并通过一个可逆的生成器，得到一个高分辨率图像和一个随机噪声向量；
4、s12、将生成的高分辨率图像和真实的高分辨率图像分别输入一个条件判别器，得到两个真假概率；
5、s13、基于生成的高分辨率图像、真实的高分辨率图像、随机噪声向量、真假概率，计算出三个损失函数：对抗损失函数、感知损失函数和数据似然损失函数；
6、s14、反向传播算法根据三个损失函数更新生成器和判别器的参数，使得生成器能够生成更加逼真和多样化的高分辨率图像。
7、在上述方案的基础上，所述s11中具体包括：
8、低分辨率图像,指在空间域或频域上具有较少像素或频率分量的图像，它们通常具有模糊、失真、噪声的不良效果，影响图像的视觉质量和信息量；
9、生成器，由多个残差密集块和残差缩放组成，用于实现从低分辨率到高分辨率的双向映射，并保留图像的低频信息；
10、可逆的生成器，用于从低分辨率图像生成高分辨率图像或高分辨率图像恢复低分辨率图像的神经网络。
11、在上述方案的基础上，所述s12中具体包括：
12、判别器，由多个卷积层和全连接层组成，用于判断生成的图像是否与真实的图像匹配，并提供对抗反馈；
13、条件判别器，根据给定的条件信息，用来判断输入的图像是否真实且与条件匹配的神经网络。
14、在上述方案的基础上，所述s13中具体包括：
15、对抗损失函数，指生成器生成的高分辨率图像与真实的高分辨率图像在判别器中的产生的相对真实性差异，用于反映生成器能否欺骗判别器的能力：
16、
17、其中，x是真实的高分辨率图像，z是随机噪声向量，d是判别器，g是生成器，d(x)和d(g(z))是判别器输出的真假概率；
18、感知损失函数，指生成器生成的高分辨率图像与真实的高分辨率图像之间在激活前的vgg特征空间中的差异，主要反映生成器能否保留和恢复图像的感知信息，如纹理、对比度、锐度：
19、
20、其中，x是真实的高分辨率图像，z是随机噪声向量，g是生成器，phi是预训练好的vgg网络中第i层巻积层的特征提取函数，c，w、h分别是特征图的通道数、宽度和高度；
21、数据似然损失函数，指根据可逆性原理计算出的数据概率，用于反映生成器能否保证低分辦率图像和高分辨率图像之间具有相同的信息量和维度：
22、
23、其中，z是随机噪声向量，g是生成器，g-1是生成器的逆映射函数，px是低分辩率图像空间上的概率密度函数。
24、在上述方案的基础上，所述反向传播算法根据三个损失函数更新生成器和判别器的参数，具体包括：
25、首先，初始化生成器和判别器的参数，并设置学习率和迭代次数，对每个训练样本，然后执行以下步骤：
26、s141、输入一个低分辨率图像，并通过一个可逆的生成器，得到一个高分辨率图像和一个随机噪声向量；
27、s142、将生成的高分辨率图像和真实的高分辨率图像分别输入一个条件判别器，得到两个真假概率；
28、s143、基于生成的高分辨率图像、真实的高分辨率图像、随机噪声向量、真假概率，计算出三个损失函数：对抗损失函数、感知损失函数和数据似然损失函数；
29、s144、反向传播算法根据三个损失函本文档来自技高网...
【技术保护点】
1.一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述S11中具体包括：
3.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述S12中具体包括：
4.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述S13中具体包括：
5.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述反向传播算法根据三个损失函数更新生成器和判别器的参数，具体包括：
6.一种基于对抗生成网络的超分辨率图像重建和增强系统，其特征在于，包括：
7.根据权利要求6所述的一种基于对抗生成网络的超分辨率图像重建和增强系统，其特征在于，所述输入部件具体包括：
8.根据权利要求6所述的一种基于对抗生成网络的超分辨率图像重建和增强系统，其特征在于，所述输出部件具体包括：
9.根据权利要求6所述的一种基于对抗生成网络
10.根据权利要求6所述的一种基于对抗生成网络的超分辨率图像重建和增强系统，其特征在于，所述处理部件具体包括：
...【技术特征摘要】
1.一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述s11中具体包括：
3.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述s12中具体包括：
4.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述s13中具体包括：
5.根据权利要求1所述的一种基于对抗生成网络的超分辨率图像重建和增强方法，其特征在于，所述反向传播算法根据三个损失函数更新生成器和判别器的参数，具体包...
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。