[发明专利]一种基于深度学习的图像超分辨率方法

权利要求书

1.一种基于深度学习的图像超分辨率方法，其特征在于，步骤如下：

步骤1、采集不同分辨率的图像构建判别图像数据库，基于该图像数据库训练一个判别图像分辨率高低的图像分辨率判别模型；

步骤2、选取多组图像构建超分辨率图像数据库，每组图像包含一张高分辨率图像，以及与该高分辨率图像相对应的一张低分辨图像；

步骤3、利用步骤2中的高分辨率图像以及对应的低分辨率图像，基于深度卷积构建模型，训练超分辨率图像生成模型；

步骤4、利用步骤1的图像分辨率判别模型判断待处理图像是否为低分辨率，如是，利用步骤3的超分辨率图像生成模型，生成超分辨率图像，如否，则不作处理。

2.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤1中图像分辨率判别模型，模型设计采用改造后的resnet50，并采用全卷积方法进行模型构建。

3.根据权利要求2所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤1中图像分辨率判别模型，同时引入2个单独的分支，分别对低分辨与高分辨做特征提取，并对特征进行融合处理，分类函数使用center_loss分类函数。

4.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，图像分辨率判别模型对图像进行图像分辨率辨别，将低分辨率和高分辨率图像进行分类，高分辨率图像无需进行超分辨率处理，对低分辨率图像作进一步的超分辨率处理。

5.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤3中，超分辨率图像生成模型构建与训练，采用基于U-Net的结构，在中间层设计时增加多组输出，使得模型可以输出多组超分数据结果。

6.根据权利要求5所述的一种基于深度学习的图像超分辨率方法，其特征在于，去除batchNorm结构，增加weight_norm，加快模型的收敛能力，并在损失函数上使用L1_loss。

7.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤3中，超分辨率图像生成模型的模型训练过程采用多阶段分步训练，先从输出较小尺寸的超分辨开始训练，逐渐训练到较大超分辨率尺寸，整个训练完成后，再进行fintnue操作，增强模型的训练效果。

8.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤4中，利用超分辨率图像生成模型生成若干个不同分辨率或不同尺寸的结果图像。