[发明专利]一种基于深度学习的图像超分辨率方法

说明书

本发明涉及服装时尚与智能图像技术领域，具体涉及一种基于深度学习的图像超分辨率方法。该方法为：步骤1、构建判别图像数据库，训练图像分辨率判别模型；步骤2、构建超分辨率图像数据库；步骤3、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。该方法构建了自动判别图像分辨的模型，针对低分辨率图像进行超分辨率处理，本算法支持原始尺寸低分辨图像输入，不需要做差值放大到超分辨率后的尺寸，节省了计算资源，计算速度更快；并且支持多尺度超分辨输出，按实际需要选取不同的超分辨率效果。

技术领域

本发明涉及服装时尚与智能图像技术领域，具体涉及一种基于深度学习的图像超分辨率方法。

背景技术

图像超分辨率是指由一幅低分辨率图像恢复出高分辨率图像。要获得高分辨率图像，最直接的方法是采用高分辨率的相机，然而，在实际应用过程中，出于制作工艺和工程成本的考虑，很多场合下无法采用高分辨率、超分辨率的相机进行图像信号的采集。因此，通过超分辨率技术从普通甚至较低分辨率图像获取高分辨率图像具有一定的实际应用需求。

按照超分辨率重建的技术手段来划分，则可以分为三类：

（1）基于插值的方法。首先估计各帧图像之间的相对运动信息，获得高分辨率图像在非均匀间距采样点上的象素值，再通过非均匀插值得到高分辨率栅格上的象素值，最后采用图像恢复技术去除模糊和降低噪声。

（2）基于重建的方法。通过研究图像的高分辨率细节在低分辨率下的表现形式，建立两者之间的对应关系，并利用数学模型来表达这种映射关系。

（3）基于学习的方法。随着深度学习的快速发展，基于学习的方法成为超分辨率算法的热点方向。该方法借助训练样本来计算得到高分辨率、低分辨率之间的先验知识的，并建立两者之间的映射模型。在输入层中，它采用卷积的方法提取输入图像的局部特征模式，单向传递给隐含层，随着隐含层网络层数的加深而学习得到更深层级的特征，最后由输出层得到重建图像。

SRCNN（超分辨率卷积神经网络）是最早用卷积神经网络来进行超分辨率重建的方法，其改进版FSRCNN（快速超分辨率卷积神经网络）直接基于原图像进行端对端的重建，运行速度快；VDSR（基于极深网络的超分辨率）使用更深的网络结构表达低分辨率图像与高分辨率图像之间的对应关系。

传统的超分辨率方法因为其设计复杂且通用性较差，目前已经较少使用，主流的超分辨率方法是基于深度学习的超分辨率方法，但目前的相关处理方法还存在不少的缺陷。SRCNN是将传统的稀疏编码与深度学习SR结合在一起，展现出了不错的重建效果，但是在网络层数加深的同时没有表现出良好的效果，主要问题在于不支持多尺度放大，训练速度慢，图像块上下文依赖等，FSRCNN对SRCNN做了加速的处理，但是超分辨率的效果和SRCNN相同，并未改进，VDSR改善了SRCNN上下文信息缺乏关联、单一尺度放大和收敛速度慢等问题，但是却不能实现多尺度的自由放大，且参数存储及检索也存在较明显的不足，VDSR采用较高学习率提高训练速度，但带来梯度消失、梯度膨胀的问题，当前的方法不能自适应的做超分辨率，此外当前的方法要求输入图像尺寸与超分后的图像尺寸相同，需要在超分期对低分辨率图像做超分处理。本发明设计能够自动的判别图像是否需要超分辨率，并自动为低分辨率的图像做超分辨率处理，支持原始低分辨率尺寸输入。

发明内容

本发明的目的是为了解决上述问题，提供一种基于深度学习的图像超分辨率方法。该方法针对上述的问题，旨在解决现有技术中存在的训练慢、不能实现多尺度自由放大等技术问题。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于深度学习的图像超分辨率方法，步骤如下：