[发明专利]一种基于矢量图与深度学习的超分辨率方法

说明书

本发明提供一种基于矢量图与深度学习的超分辨率方法，涉及计算机视觉技术领域。本发明通过将低分辨率图像矢量化并放大位图化之后，预估了高分辨率图像边缘的位置，为深度学习模型提供了其难以预测的边缘信息，帮助模型更好地估计边缘的位置以提升模型性能。同时添加更多的信息为模型假设空间提供了更过的限制，帮助模型更快地向局部最低点移动，以更快收敛。通过这样的模型设计，本发明可以很好地提取低分辨率图像的边缘信息，并将这些信息用于还原高分辨率图像，提高了图像的分辨率，完善了图像的高频信息，使得图像获得更好地观感，以便其他相关任务的使用。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于矢量图与深度学习的超分辨率方法。

背景技术

超分辨率是指从一幅低分辨率图像或一系列低分辨率图像中重建出高分辨率图像，是计算机视觉领域的传统问题，主要用于解决由成像设备的局限性而导致图像分辨率过低的问题。由于该问题是病态问题即低分辨率图像可以由数张高分辨率图像经由不同的下采样得到。所以传统的方法都是基于加强先验信息来得到超分辨率图像的。

由于深度学习技术在计算机视觉领域的巨大成功，基于学习的单幅图像超分辨率(SISR)算法成为一种具有广阔应用前景的算法，相较于传统的超分辨率算法，其在训练过程中自行学习由低分辨率图像映射到高分辨率图像的函数，取得了超越传统方法的结果。自卷积神经网络在图像领域得到广泛应用以来，由于其高效的局部特征提取能力，在高层次图像任务中取得了很大的成就。将卷积神经网络应用于超分辨率算法取得优异性能后，该模型又证明了卷积神经网络在细节恢复方面具有较好的性能。

目前基于深度学习的超分辨率算法主要分为两个部分：特征提取与超分辨率图像重建。前一部分旨在帮助模型更好地识别低分辨率图像的边缘及纹理，后一部分旨在计算新增的像素值。目前主流的研究重心都放在了第一部分特征提取上，残差结构，紧密连接，通道间注意力机制，非局部的空间注意力机制在特征提取这一任务中都分别取得的很好的效果。

由于超分辨率旨在解决病态问题，想要通过深度学习网络寻找合适的由低分辨率图像映射到高分辨率图像的函数是很困难的。其假设空间非常大以至于要通过很深的网络以及长时间的反向传播训练都不一定能得到良好的非线性映射结果。为此，倘若我们可以为这个映射添加限制条件，它就可以很好地缩小假设空间的大小以及促使函数更快收敛。

其次，不同于高级视觉任务，像超分辨率这种低级视觉任务更注重细节及边缘信息的复原，这是作为卷积神经网络很难提取到的信息。目前高效的超分辨率算法的模型都是基于残差结构或紧密连接结构的模型。这两种结构都是在高级视觉任务中大放异彩而被运用到低级视觉任务中的。而目前的低级视觉任务模型大都是基于这两种结构的。目前优秀的超分辨率算法基本上是对模型的修改即对卷积神经网络的使用，但是其对高频信息特征也就是低级特征的提取效果捉襟见肘，为此，提出一个针对于边缘信息的网络结构会对超分辨率方法有很大帮助。

发明内容

针对现有技术的不足，本发明提供一种基于矢量图与深度学习的超分辨率方法。

一种基于矢量图与深度学习的超分辨率方法，包括以下步骤：

步骤1：制作特征图数据集；

取公开数据集DIV2K数据集中的全部训练图像，通过双三次插值得到低分辨率图像；将低分辨率图像随机剪裁为相同大小的图像块，并且裁取相同位置范围的高分辨率图像块，然后对裁剪后的图像块以50％概率分别选取顺时针旋转90度，逆时针旋转90度以及沿对角线翻转的数据增强操作，形成特征图；

步骤2：构建RCAB模块；