[发明专利]一种基于深度反投影网络的高效超分辨率方法

说明书

本发明公开一种基于深度反投影网络的高效超分辨率方法，包括以下步骤：(1)获取总训练集和测试集；(2)对总训练集进行预处理完成数据增强；(3)对总训练集中的图像进行不同尺度的缩放；(4)基于卷积神经网络实现图像超分重建，卷积神经网络共包含27个卷积层，具体包括特征提取、误差反投影和图像重建三部分。本发明利用组卷积和1×1卷积的组合代替传统卷积重新设计迭代子模块，该策略可有效减少模型参数量，提高模型效率；且每个迭代子模块包含误差反馈机制，及时进行误差校正；另外，本发明引用了通道加权模块，可进一步提升模型效率。

技术领域

本发明属于计算机图像处理领域，特别是涉及一种基于深度反投影网络的高效超分辨率方法。

背景技术

图像所包含的信息量大小在很大程度上取决于图像分辨率的大小，提高图像的分辨率，能够改善图像视觉效果，使其更符合人类和计算机的处理要求，在视频监控、医学影像、生物信息识别等领域有着广泛的应用。

现有的单幅图像超分辨率(Single Image Super Resolution,SISR)方法可分为插值法、基于重建的方法和基于学习的方法。基于插值的方法主要有最近邻算法，双三次插值等；该类方法简单且易实时处理，但重建的图像边缘模糊、超分能力有限。基于重建的方法主要有迭代反投影法^[1]，凸集投影法[2]等，该类方法能够缓解插值方法所产生的模糊或者锯齿现象，但重建过程中能够使用的先验知识太少，重建效果不太理想。基于学习的方法通过对大量样本学习建立低分辨率图像和高分辨率图像之间的映射关系，典型方法有邻域嵌入算法^[3]，固定邻域回归方法^[4]，A+^[5]，稀疏编码算法^[6]等。目前，基于深度学习的方法成为SISR的主流研究方向，包括SRCNN^[7]，VDSR^[8]，EDSR^[9]等，其大多基于卷积神经网络(CNN)学习低分辨率图像到高分辨率图像之间的映射关系，得到较好的超分辨率重建效果。但是，现有深度超分网络存在网络层数深、参数量大、运行速度慢等问题。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于深度反投影网络的高效超分辨率方法。本发明基于反投影网络，提出了一种轻量快速的超分辨率网络，参数量大大减少，运算速度大幅提升，且可获得更佳的超分辨率重建性能。

本发明的目的是通过以下技术方案实现的：

一种基于深度反投影网络的高效超分辨率方法，包括以下步骤：

(1)获取训练集和测试集；训练集是选自超分辨率网络训练集DIV2K中800张自然场景的图片；设置四组测试集分别为：Set5、Set14，B100，Urban100，其中Set5，Set14，B100分别包含5张、14张、100张不同尺寸的自然图片，Urban100是100张不同的城市场景图片。

(2)对训练集进行预处理完成数据增强；对训练集每一张训练图片进行90°，180°，270°的旋转以及镜像翻转，即经数据增强后得到5张图片，则训练集大小为800×5＝4000图片。

(3)对训练集和测试集中的图像进行不同尺度的缩放；在训练阶段，训练集中的图片大小为H×W，采用双三次线性插值方法分别进行不同尺度s缩小，得到的缩小后的图片大小为sH×sW，按步长16切割成一系列32×32像素大小的子图像块，将子图像块保存为HDF5格式作为卷积神经网络训练阶段的输入；在测试阶段，测试集同样采用双三次线性插值方法分别进行不同尺度s缩小，作为卷积神经网络测试阶段的输入。