[发明专利]基于自适应卷积神经网络的图像超分辨方法

权利要求书

1.一种基于自适应卷积神经网络的图像超分辨方法，其特征在于，包括如下：

(1)对标准数据集中的高分辨率图像HR进行下采样，得到对应的低分辨率图像LR，形成HR-LR图像对；

(2)将HR-LR图像对按指定大小进行分块，对每个LR图像块计算其单位图像大小的信息熵h(X)和总变差tv(X)；

(3)将复杂度划分成三个等级，依次对应简单图，一般图和复杂图，对LR单位图像大小的信息熵和总变差进行归一化处理，并乘以各自权重，得到LR图像块复杂度C(X)，再根据复杂度所属等级制作相应训练集T_i^scale为第i个等级，放大因子为scale的训练集，i＝1,2,3，scale＝2,3,4，/为该训练集中第j个放大因子为scale的HR-LR图像对，j＝1,2,…,N，N为该训练集的样本总数；

(4)构建依次由浅层特征提取、深层特征提取、特征融合和上采样四部分级联，并在全局进行残差学习的自适应密集连接残差网络，其中，深层特征提取部分根据输入图像复杂度的不同包含不同数量的特征消融块，形成不同网络分支；

(5)以设定的概率确定选择哪种等级的训练集T，从所选数据集T中随机获取batch_size个训练数据，并对这些数据随机做水平、垂直翻转和90度旋转操作处理，其中选择简单图像训练集的概率为0.1，选择一般图像训练集的概率为0.3，选择复杂图像训练集的概率为0.6；

(6)将(5)处理后的数据输入到(4)构建的自适应密集连接残差网络中，并根据处理后数据的复杂度等级选择对应的网络进行训练，得到训练好的自适应密集连接残差网络；

(7)按(2)和(3)对待重建图像按指定大小分块，计算每个块的复杂度C_i(X)，i＝1,2,…,M，M为待重建图像所分成的总块数，计算所有块复杂度的平均值，并加上设定的阈值0.25，得到待重建图像的复杂度C(X)；

(8)将待重建图像输入到训练好的自适应密集连接残差网络，根据待重建图像复杂度C(X)自适应选择对应的网络进行重构，得到超分辨后的图像。

2.根据权利要求1所述的方法，其特征在于：(1)中对标准数据集中的高分辨率图像HR进行下采样，是选用DIV2K的训练集，分别按照2倍、3倍、4倍尺寸进行双三次下采样处理，得到自适应密集连接残差网络的训练样本HR-LR图像。

3.根据权利要求1所述的方法，其特征在于：

所述(2)中的指定大小，是指LR图像的大小为32×32，HR图像的大小为(32×scale)×(32×scale)，scale＝2,3,4分别对应2倍放大因子、3倍放大因子和4倍放大因子；

所述(2)中计算每个LR单位图像的信息熵h(X)和总变差tv(X)，其实现如下：

(2a)将RGB通道的LR图像块转换成YCbCr通道的LR图像块，得到Y通道图像，其中转换公式如下：

Y＝0.299×R+0.587×G+0.114×B，

其中R代表红色通道，G代表绿色通道，B代表蓝色通道，Y代表明亮度；

(2b)计算Y通道图像的信息熵H(X)：

H(X)＝-∑p(i)log(p(i))，i＝0,1,…,255，

其中，p(i)表示图像块中灰度值i出现的概率；

(2c)根据信息熵H(X)计算Y通道图像单位图像信息熵h(X)：

(2d)计算Y通道图像的总变差TV(X)：

其中x_i,j为(i,j)位置处的灰度值，x_i,j+1为(i,j+1)位置处的灰度值，x_i+1,j为(i+1,j)处的灰度值；

(2e)根据总变差TV(X)计算Y通道图像单位图像总变差tv(X)：