[发明专利]基于小卷积递归神经网络的单帧超分辨重建方法

摘要

本发明公开了一种基于小卷积递归神经网络的单帧超分辨重建方法，包括如下步骤：建立线性激活函数的递归卷积神经网络，其输入为图像某个像素点的一块小邻域，输出为该像素位置的对应临时输出结果；利用建立的递归卷积神经网络，输入一张低分辨图像，经过一定次数的迭代，输出最终的超分辨成像结果。本发明相比较现有的基于统计学习的图像超分辨方法，具有几乎可以忽略不计的模型复杂度和计算量，同时内部的参数有着更加明确的物理意义。又因为引入了外部数据辅助对相应的模型参数进行学习，本发明可以取得较好的超分辨重建效果。

主权项

1.一种基于小卷积递归神经网络的单帧超分辨重建方法，其特征在于，该方法包括以下步骤：(1)建立线性激活函数的递归卷积神经网络，其输入为图像某个像素点的一块邻域，输出为该像素位置的对应临时超分辨输出结果；该递归卷积神经网络的数学定义如下：oj(x,y)＝cj(x,y)  (3)其中，ij(x,y)为第j次迭代的坐标为(x,y)的网络像素输入，cj(x,y)为第j次迭代的坐标为(x,y)的网络内存,oj(x,y)为第j次迭代的坐标为(x,y)的网络输出；卷积核的大小为(2S+1)×(2S+1)，W(m,n)为卷积核在(m,n)位置的数值，X0(x,y)为初始高分辨图像X0坐标为(x,y)位置的像素值，f(A)为对输入A进行重采样的固定操作；ij(m,n；x,y)表示输入矩阵ij(x,y)在(m,n)的数值；(2)在训练阶段，利用步骤(1)建立的递归卷积神经网络，输入一张低分辨图像，经过若干次迭代输出最终的超分辨成像结果，与样本图像的计算残差利用反向传递算法对网络完成训练；在测试阶段，利用步骤(1)建立的递归卷积神经网络，输入一张低分辨图像，经过若干次迭代输出最终的超分辨成像结果。