【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种基于变分自编码器的图像超分辨率重建方法。
技术介绍
1、随着电子信息产业的不断进步，图像已经成为获取信息的主要来源。然而，由于各种因素的影响，获取到的图像可能存在分辨率较低的情况。因此，图像超分辨率重建已成为当前一个热门的研究课题。图像超分辨率重建问题中，根据输入和输出的不同，可以分为单图像超分辨率、多图像超分辨率和视频超分辨率。根据技术特点的不同，又可以分为传统方法和基于深度学习的方法，其中传统方法包括：基于插值、基于重建和基于学习的超分辨率方法。
2、在传统方法中，基于插值的方法通过周围像素信息来实现图像超分辨率重建，基于插值的方法仅使用了低分辨率图像自身的信息，因此效果不佳。基于重建的方法把重建过程变成退化过程的反过程，实现图像超分辨率重建，不足是需要先验信息来作为约束条件，因此过程较为复杂。基于学习的方法利用高低分辨率图像对来训练数据，通过网络学习低分辨率和高分辨率之间的关系，来预测低分辨率图像中丢失的高频信息，不足是这种方法需要大量的高低分辨率图像对来训练模型，获取和标注这样的数据集可能非常耗时和昂贵。
3、近年来，随着深度学习在各个领域中的广泛应用，深度学习也逐渐用于图像超分辨率。首先是卷积神经网络被应用于图像超分辨率任务，它取得了前所未有的效果，但是在超分辨率倍数较大的情况下，图像的纹理信息难以恢复。接着，基于生成式对抗网络的图像超分辨率重建方法首次将gan应用在图像超分辨率任务上，srgan使用生成网络来完成图像超分辨率过程，使用判别网络将生成的超分辨率
技术实现思路
1、本专利技术提出了一种基于变分自编码器的图像超分辨率重建方法，以解决上述现有技术中存在的技术问题。
2、为实现上述目的，本专利技术提供了一种基于变分自编码器的图像超分辨率重建方法，包括：
3、获取待重建图像的训练样本，并进行预处理；
4、构建生成式对抗网络和变分自编码器网络，基于预处理后的训练样本对所述生成式对抗网络和变分自编码器网络进行交叉训练，获得图像超分辨率模型；
5、基于所述图像超分辨率模型对待重建图像进行超分辨率重建，获得目标图像。
6、可选地，训练样本的获取过程包括：获取原始高分辨率图像，将所述原始高分辨率图像与模糊核卷积获得模糊图像，对所述模糊图像进行下采样和叠加噪声，获得低分辨率图像，基于所述低分辨率图像构建训练样本。
7、可选地，对训练样本进行预处理的过程包括：对所述训练样本进行旋转和镜像翻转，获得扩充后的训练样本；对扩充后的训练样本添加加性噪声和图像压缩，并进行若干次退化处理，获得退化后的训练样本。
8、可选地，所述生成式对抗网络包括生成器，所述生成器包括浅层特征提取层、深层特征提取层、上采样层和卷积层，对所述生成式对抗网络进行训练的过程包括：基于所述浅层特征提取层提取预处理后的训练样本的浅层特征，然后将所述浅层特征输入到所述深层特征提取层，获得深层特征，然后将所述深层特征输入到上采样层进行插值处理，再将插值处理后的深层特征输入到两层卷积层中进行处理，获得超分辨率图像。
9、可选地，所述变分自编码器网络包括编码器，对变分自编码器网络进行训练的过程包括：将所述超分辨率图像和原始高分辨率图像分别输入到所述编码器中，所述原始高分辨率图像通过卷积层、批归一化层和池化层，获得均值和方差两个潜变量；使所述均值保持不变，对所述方差进行指数处理，并引入噪声向量，然后将均值与经过噪声处理的方差相加输出最终的潜变量，并进行降维处理。
10、可选地，所述变分自编码器网络还包括解码器，对变分自编码器网络进行训练的过程还包括：基于解码器将降维处理后的潜变量经过全连接层映射到一个与编码器输出大小相同的向量上，然后进行转置卷积，获得重建后的原始高分辨率图像，将所述重建后的原始高分辨率图像通过relu层进行升维处理，获得升维后的原始高分辨率图像。
11、可选地，所述生成式对抗网络还包括判别器，对所述生成式对抗网络和变分自编码器网络进行交叉训练的过程包括：将变分自编码器网络应用到判别器，基于所述判别器对变分自编码器网络输出的超分辨率图像和升维后的原始高分辨率图像进行判别处理，进而不断优化生成器。
12、可选地，变分自编码器网络训练过程的损失函数包括：
13、图像重建损失和kl散度损失；
14、生成式对抗网络训练过程的损失函数包括对抗损失；
15、图像超分辨率重建过程的损失函数包括感知损失和像素损失。
16、可选地，获得目标图像的过程包括：基于所述图像超分辨率模型对待重建图像进行超分辨率重建，然后将获得的超分辨率重建图像通过反向传播算法反馈给输入端重复进行分辨处理，在重复过程中使用均方误差作为损失函数，根据均方误差调整所述图像超分辨率模型的参数大小，反复迭代至达到预设要求，获得最终的目标图像。
17、与现有技术相比，本专利技术具有如下优点和技术效果：
18、本专利技术提出一种将生成式对抗网络和变分自编码器网络进行结合的超分辨率模型，利用变分自动编码器来提取图像的均值和方差，即潜变量，让判别器对图像的潜变量信息进行判别，并利用判别结果指导生成器生成效果更好的超分辨率图像。该方法采用变分自编码器和生成式对抗网络交替训练的策略，能够恢复出清晰、真实的高分辨率图像。
19、本专利技术方法可以在提高图像分辨率的同时，增强图像的细节和纹理信息，使图像变得更加清晰和真实。因此，本专利技术能够在许多场景中实现完整、真实的超分辨率重建，具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于变分自编码器的图像超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
3.根据权利要求2所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
4.根据权利要求1所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
5.根据权利要求1所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
6.根据权利要求5所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
7.根据权利要求4所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
8.根据权利要求1所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
9.根据权利要求1所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
【技术特征摘要】
1.一种基于变分自编码器的图像超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
3.根据权利要求2所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
4.根据权利要求1所述的基于变分自编码器的图像超分辨率重建方法，其特征在于，
5.根据权利要求1所述的基于变分自编码器的图...
【专利技术属性】
技术研发人员：徐健，郭嘉瑶，任向勃，牛丽娇，益琛，李莹华，赵凤，雷博，于海燕，
申请(专利权)人：西安邮电大学，
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。