[发明专利]一种基于改进的稠密卷积神经网络的超分辨率重建方法

权利要求书

1.一种基于改进的稠密卷积神经网络的超分辨率重建方法，其特征在于，包括以下步骤：

步骤一，数据准备

1)划分数据集：采用公开数据集DIV2K，该数据集包含800张训练图、100张验证图和100张测试图，其中，100张验证图用于测试重建效果，800张训练图和100张验证图都是由高分辨率图像和其相应的低分辨率图像组成，低分辨率图像是高分辨率图像经由降质模型生成的；

2)将800张训练图无重叠的分成96×96大小的图像块，作为网络输入；

步骤二，网络结构搭建

1)将96×96大小的低分辨率图像块输入一个7×7的卷积层，并采用ReLU(RectifiedLinear Units)作为激活函数；

2)7×7卷积层的输出特征图输入多连接结构块，其中，每个多连接结构块均包括一个子块结构和一个恒等映射；

3)堆叠多连接结构块；

4)将最后一个多连接结构块的输出特征图输入一个1×1卷积层，降低特征图的维数；

5)采用一个跳层，将7×7卷积层输出的特征图和1×1卷积层降维后的特征图堆叠起来，共同作为放大模块的输入；

6)采用低分辨率特征图按次序拼接成高分辨率特征图的方法，将低分辨率特征图放大到一定的倍数；

7)采用一个1×1卷积层将特征图限定为RGB三个通道，并采用Tanh激活函数；

步骤三，模型训练

1)学习率设为10^-3，并且每75000次迭代学习率减小一半，直到误差不再减小或者250000次迭代后，停止训练；

2)采用L1范数作为损失函数；

3)采用ADAM优化方法，β₁＝0.9，β₂＝0.999；

步骤四，图像重建

输入任意大小的低分辨率图像，加载训练好的模型，输出重建的高分辨率图像。

2.根据权利要求1所述的基于改进的稠密卷积神经网络的超分辨率重建方法，其特征在于，步骤二中所述子块结构的构建过程：首先，基于稠密卷积神经网络结构的思想，采用1×1卷积层接3×3卷积层的结构，作为子块的基准结构，并且每个卷积层都采用ReLU作为激活函数；然后，在基准结构的基础上，增加一个3×3卷积层，作为子块结构的改进结构；最后，将子块结构的基准结构和改进结构在特征图通道维度进行堆叠，作为子块结构的融合结构。

所述恒等映射的定义：每个多连接结构块中，都包含一个从输入到输出的连接，直接将上一个多连接结构块的输出作为下一个多连接结构块的输入。