[发明专利]一种RDN超分辨网络的训练方法及图像生成方法

权利要求书

1.一种RDN超分辨网络的训练方法，其特征在于，将RDN超分辨网络放在GAN的框架上进行训练，GAN的框架包括生成器和判别器，生成器为RDN超分辨网络；其步骤包括：

1)将训练所用的每对低分辨率样本图像和高分辨率样本图像进行归一化处理；其中低分辨率图像作为输入，高分辨率图像作为标签数据；

2)将低分辨率样本图像输入到生成器，提取该低分辨率样本图像的浅层信息；

3)提取到的浅层信息输入到生成器的RDB层，提取该低分辨率样本图像的边缘信息；

4)生成器将各RDB层提取的信息在信道维度上叠加在一起，然后进行卷积处理、上采样后重构生成高分辨率图像；

5)将步骤4)生成的高分辨率图像作为假数据，计算该假数据与对应标签数据之间的曼哈顿距离，得到损失值L_sr；

6)利用VGG网络提取该假数据的特征与对应标签数据的特征，然后计算该假数据的特征与对应标签数据的特征之间的损失值L_vgg；

7)将步骤4)生成的高分辨率图像及其多个下采样数据作为假数据，将输入的该低分辨率样本图像对应的标签数据及其多个下采样后的数据作为真实数据，根据该假数据与该真实数据计算生成器中损失函数的损失值；

8)将步骤4)生成的高分辨率图像及其多个下采样数据作为假数据，将输入的该低分辨率样本图像对应的标签数据及其多个下采样后的数据作为真实数据，根据该假数据与该真实数据计算判别器中损失函数的损失值；

9)将步骤5)、6)、7)所得损失值以加权的方式叠加在一起，作为生成器的损失，进行生成器的参数更新；将步骤8)得到的损失值作为判别器的损失，进行判别器参数更新；重复步骤1)～8)的处理，直至达到收敛条件。

2.如权利要求1所述的方法，其特征在于，所述判别器采用结合LSGAN的多尺度判别器。

3.如权利要求2所述的方法，其特征在于，所述RDN超分辨网络采用kaiming初始化方式进行初始化。

4.如权利要求1所述的方法，其特征在于，对每一RDB层的输出进行上采样并将前RDB层的上采样输出作为后一RDB层的条件。

5.如权利要求1所述的方法，其特征在于，以步骤5)得到的损失值L_sr为主，步骤6)、7)所得损失值为辅，以加权的方式叠加在一起，作为生成器的损失值；即L_sr权重大于步骤6)、7)所得损失值的权重。

6.如权利要求1所述的方法，其特征在于，采用公式损失函数计算得到损失值L_vgg；其中，VGG_j是VGG网络第j层的输出，c、w、h是指VGG网络输出矩阵的信道数、列和行，y_g是假数据，y是标签数据。

7.一种高分辨率图像生成方法，其步骤包括：将待处理的低分辨率图像输入到权利要求1所述方法训练的RDN超分辨网络；该RDN超分辨网络提取该低分辨率图像的浅层信息，并将其输入到RDB层进行边缘信息提取，然后将经过不同RDB层提取的边缘信息在通道维度上叠加在一起，再进行卷积处理、上采样后，得到高分辨率图像。