[发明专利]一种基于超分辨率重建的显示画质优化方法及系统

权利要求书

1.一种基于超分辨率重建的显示画质优化方法，其特征在于，包括超分辨率重建过程和对比度增强过程，所述超分辨率重建过程采用基于生成对抗网络GAN的网络框架对输入的低分辨率图像进行超分辨率重建；所述GAN网络框架由生成器和判别器两部分组成，所述生成器包括16个卷积模块，其后设置3个亚像素卷积层和1个升采样层，以得到一个四倍放大率的输出图像；所述判别器采用8个卷积模块，使用Leaky ReLU作为激活函数；预训练网络以首先针对PSNR进行优化，然后对其进行微调；所述对比度增强过程采用基于CLAHE的对比度增强算法对超分辨率重建得到的图像进行对比度增强；

采用基于CLAHE的对比度增强算法对超分辨率重建得到的图像进行对比度增强，包括以下步骤：

S1、将输入图像按给定参数分成均等大小的子区域，并假设各子区域内包含的像素值和为S；

S2、计算图像的直方图；用U_xy(k)表示各个子区域的直方图，其中k表示局部子区域的灰度级数，取值范围为[0,N-1]，N为该子区域的最大灰度级数；计算受限值β：

其中，α表示截断系数；l_max为最大斜率，取值范围为[1,4]，l_max的取值决定对比度增强的幅度；

S3、重新分配像素点对于每块子区域的β，截取该子区域的直方图U_xy(k)，得到截取总数为：

E_x＝U_xy(k)-β

并将其平均分配到直方图的各灰度级中，计算平均分配的像素数为：

a_v＝E_x/N

计算分配剩余像素数步长：

L＝L_s/E_x

其中，L_s为灰度范围长度；

然后循环检测直方图中各灰度级数大小，当其值小于该区域内受限值β时，为其分配平均像素数a_v，重复分配操作，直至截取的像素总数被分配完成；

S4、应用双线性插值进行灰度值重构；

假设函数f(x)有4个已知点的值分别为Q11(x1，y1)、Q12(x1，y2)、Q21(x2，y1)、Q22(x2，y2)，则在函数f(x)上的任意点p＝(x，y)通过线性插值近似求出；在x方向上进行线性插值，得到：

同理，对y方向进行线性插值，得到：

其中，f(Q11)、f(Q12)、f(Q21)和f(Q22)表示经过直方图均衡化后，4个相邻区域中直方图的灰度值；利用上述方法，计算输出图像各点的灰度值，并根据灰度值重建图像。

2.根据权利要求1所述的一种基于超分辨率重建的显示画质优化方法，其特征在于，所述生成器中的卷积模块由SRGAN中的卷积模块改进得到，其使用多个密集连接的conv层和Leaky ReLU层。

3.根据权利要求1所述的一种基于超分辨率重建的显示画质优化方法，其特征在于，所述判别器中的卷积模块，每个卷积模块由conv层、BN层和Leaky ReLU层组成；在运算过程中，网络的特征图由64层增加到512层，每层特征图的增长采用步长为2的卷积核，以减少输出尺寸；最后利用两个全连接网络和一个sigmoid激活函数，来获得样本分类的概率，以此判别真伪。

4.根据权利要求1所述的一种基于超分辨率重建的显示画质优化方法，其特征在于，所述判别器采用相对生成对抗网络的判别网络设计，让判别器判断相对真实度而不是绝对值；

将相对平均判别器RaD记为D_Ra，则标准鉴别器表示为：

D(x)＝σ(C(x))

其中，σ()为sigmoid函数，C(x)为非变换判别器输出；RaD表示为：

其中，表示对一次批处理中所有假数据取平均值的操作；此时，判别网络的损失定义为：

生成网络的对称性对抗性损失为：

其中，x_f＝G(x_i)和x_i表示输入的低分辨率图像。