【技术实现步骤摘要】
本专利技术属于图像超分辨率领域，具体涉及一种集成小波变换与生成对抗网络增强高频信息实现图像超分辨率的方法。
技术介绍
1、超分辨率技术是模式识别领域广泛应用的技术之一，其能够将尺寸较小、模糊不清的图像转化为尺寸更大、更为清晰的高分辨率图像。超分辨率技术的核心思想是通过算法和深度学习模型，将低分辨率图像经过转换，呈现出更加详细和清晰的图像效果。这种技术的应用提升了图像的质量，在医学成像、图像处理等多个领域中展现出广泛用途。
2、目前，以生成对抗网络为基础，srgan和esrgan等经典模型，通过更新损失函数和采用更深的网络结构来推动超分辨率技术的发展。real-esrgan将关注点集中在合成更贴近真实世界的数据集上，以适应各种场景和图像特征。然而，这种方法在处理数据集上需花费大量时间，同时忽略了对高频信息的有效保护。real-world super-resolution采用了两个分支的不同鉴别器，以提升整体性能。然而，这种方法在训练难度上面临较大的挑战，并且同样未充分注重对图像高频信息的保护。gac采用将srgan与自行设计的...
【技术保护点】
1.集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在于该实现图像超分辨率的方法按照以下步骤实现：
2.根据权利要求1所述的集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在于分量增强网络由第一卷积神经网络层、批量归一化处理层、Relu激活函数层和第二卷积神经网络层依次相连。
3.根据权利要求2所述的集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在于第一卷积神经网络层的输入通道数为32，第二卷积神经网络层的输入通道为数32。
4.根据权利要求1所述的集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在...
【技术特征摘要】
1.集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在于该实现图像超分辨率的方法按照以下步骤实现：
2.根据权利要求1所述的集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在于分量增强网络由第一卷积神经网络层、批量归一化处理层、relu激活函数层和第二卷积神经网络层依次相连。
3.根据权利要求2所述的集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在于第一卷积神经网络层的输入通道数为32，第二卷积神经网络层的输入通道为数32。
4.根据权利要求1所述的集成小波变换与生成对抗网络实现图像超分辨率的方法，其特征在于连接增强网络由批量归一化处理层、第三卷积神经网络层、relu激活函数层和第四卷积神经网络层依次相连。
5.根据权利要求4所述的集成小波变换与生成对抗网络实现图像超分辨率的...
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。