[发明专利]一种基于卷积神经网络的超分辨率图像重建方法

说明书

一种基于卷积神经网络的超分辨率图像重建方法，属于图像处理技术领域，用以解决现有的超分辨率卷积神经网络的运行速度慢、得到的图像质量不理想、图像分辨率较低、训练网络梯度易消失等问题。本发明的技术要点包括：对现有超分辨率卷积神经网络模型进行改进，包括：使缩放图像发生在模型后段进行后上采样操作；后上采样为基于学习的上采样‑亚像素方法；加深了网络层数，并在网络中加入了残差网络；并进一步将经过上述改进的超分辨率卷积神经网络模型作为生成对抗网络中的生成网络，并和对抗网络相整合，进一步提高图像重建效率。本发明可广泛应用于超分辨率图像重建研究领域。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于卷积神经网络的超分辨率图像重建方法。

背景技术

神经网络已经成为图像识别和图像分类领域的重要技术手段，且有着壮大的趋势，所以应用超分辨率卷积神经网络技术，将模糊不清的图片重建为高清的图像技术的研究，对计算机的视觉发展及人工智能的发展都具有重要的价值和意义。使用计算机技术对图片、视频、语音等目标进行操作时，由于受限于电脑CPU、GPU等硬件条件的影响，当我们想要更加高效、快速地获得高质量的目标内容时，只能退而求其次地对网络结构(例如：网络模型的框架、上采样方法、网络设计等)进行修改和整合，来尽可能地满足我们的需求。

超分辨率图像重建(Super Resolution Image Reconstruction,SRIR)是近年来计算机视觉处理和图像处理领域的一个研究热点，由于其应用场景的广泛和理论价值的实用，超分辨率图像重建技术得到研究者更密切的关注。超分辨率图像重建技术，在本质上讲是由一幅或多幅低分辨率(Low Resolution，LR)图像经过网络模型的处理，最终生成具有良好视觉效果且更接近真实图像的高分辨率(High Resolution，HR)图像的技术。在该技术的日常应用中，为了减缓由于传送图像、存储图像所造成的一系列图像质量问题，一般对图像采用下采样的操作来降低图像的质量，但降质操作具有不可逆转性，因此该问题是病态问题。将低分辨率图像重建为高分辨率图像的关键是找到低分辨率和高分辨率图像之间的逼近映射关系。

目前主流的超分辨率重构技术可大致分为基于插值、基于重建和基于学习三类方法。其中基于插值的方法(例如最近邻域插值和双三次插值)，能够简单且有效地增强图像的分辨率，但会出现图像部分边缘模糊。而基于重建的方法能够恢复简单图像丢失的高频信息，且该方法操作简单、工作量低，但该方法不能很好地处理结构较复杂的图像信息。基于学习的方法是近年来的主流方法，该类方法旨在通过对大量数据样本的学习，建立低分辨率图像和高分辨率图像之间的逼近映射关系。其中，基于深度学习的超分辨率重建相比于只能由人工提取特征的传统技术进行的简单函数拟合的浅层卷积网络学习来说，深度学习可以自动学习得到不同层次化的特征表示，实现更加复杂的非线性函数模型逼近，有更强的实用价值。因此，基于深度学习的算法在性能上超越了以前的很多经典算法。但是现有的基于卷积神经网络的超分辨率图像重建方法存在参数较多、计算量较大、训练时间较长、图像纹理模糊等问题，难以有效获得高质量重建图像。

发明内容

鉴于以上问题，本发明提出一种基于卷积神经网络的超分辨率图像重建方法，用以解决现有的超分辨率卷积神经网络的运行速度慢、得到的图像质量不理想、图像分辨率较低、训练网络梯度易消失等问题。

根据本发明一方面，提出一种基于卷积神经网络的超分辨率图像重建方法，该方法包括以下步骤：

步骤一、获取训练图像数据集和测试图像数据集；其中，所述图像为低分辨率图像；

步骤二、设定训练参数和内容损失函数，构建改进的超分辨率卷积神经网络模型；

步骤三、使用所述训练图像数据集作为所述改进的超分辨率卷积神经网络模型的输入，调整所述训练参数直至所述内容损失函数最小化，获得训练好的超分辨率卷积神经网络模型；

步骤四、将所述测试图像数据集输入训练好的超分辨率卷积神经网络模型，获得高分辨率图像。