[发明专利]一种多尺度空洞卷积神经网络超分辨率重构方法及装置

权利要求书

1.一种多尺度空洞卷积神经网络超分辨率重构方法，其特征在于：包括：

对原始图像进行多尺度数据增强，得到增强图像；

对增强图像进行数据预处理，得到预处理图像；

构建空洞卷积超分辨率网络，利用所述空洞卷积超分辨率网络对所述预处理图像进行超分辨率重构，其中，卷积操作公式如下：

F₁(Y)＝max(0,W₁*_l Y+B₁)

其中，W₁和B₁表示空洞卷积核的权重和偏置变量，*_l表示空洞卷积；W₁对应于大小为c×f₁×f₁的n₁个滤波器，c为输入图像的维度，f₁为滤波器的大小；

定义离散函数：F:Z²→R，假设Ωr＝[-r,r]²∩Z²,K:Ω→R是大小为(2r+1)²的离散滤波器，则离散卷积操作*的定义为：

(F*k)(p)＝∑_s+t＝p

空洞卷积一般形式表示为：

(F*_l k)(p)＝∑_s+lt＝p

其中l为空洞因子，*_l表示空洞卷积，当l＝1时，为普通离散卷积操作*，基于空洞卷积的网络支持感受野指数增长，不丢失分辨率信息，记F₀,F₁,...,F_n-1:Z²→R为离散函数，k₀,k₁,...,k_n-1:Ω→R是离散的3x3滤波器，采用指数增长卷积核后，

F_i+1＝F_i*_2i k_i,当i＝0,1,...,n-2

定义F_i+1中的元素P感受野为：F₀中可以改变F_i+1(p)值的元素集；F_i+1中P感受野大小即为这些元素集数目，得到F_i+1中各元素感受野大小为(2ⁱ⁺²-1)×(2ⁱ⁺²-1)；

所述空洞卷积超分辨率网络中需要不断更新的参数为Θ＝{W₁,W₂,W₃,B₁,B₂,B₃}，其中W₁和B₁表示空洞卷积核的权重和偏置变量，W₂包含了n₂个大小为n₁×f₂×f₂的卷积核，B₂是一个大小为n₂维的向量，W₃对应于c个大小为n₂×f₃×f₃的卷积核，B₃是一个c维的向量；重建的图像为F(Y；Θ)，且对应的原始图像为X；用均方误差作为损失函数即：

其中，n是训练样本的个数；

损失函数用随机梯度下降法进行权值更新，公式为：

其中，l∈{1,2,3}，i是层数和迭代次数，η是学习速率。

2.根据权利要求1所述的一种多尺度空洞卷积神经网络超分辨率重构方法，其特征在于：所述对原始图像进行多尺度数据增强，得到增强图像，包括：

把原始图像作为初始训练集；

对所述初始训练集中的每幅图像分别进行不同尺度的缩放，并结合原始图像形成中间训练集；

对所述中间训练集中的每幅图像分别进行不同角度的旋转，并结合所述中间训练集中的每幅图像形成处理训练集，所述处理训练集中的图像即为所述的增强图像。