[发明专利]一种基于反应扩散方程的图像超分辨率重建方法

说明书

本发明属于计算机视觉领域，尤其涉及一种基于反应扩散方程的图像超分辨率重建方法。该方法提出了新的反应扩散模块和级联深度框架。反应扩散模块将反应扩散方程嵌入深度模型，由深度模型学习生成求解方程所需参数，进而引导图像超分辨率重建任务中局部图纹的生成，降低了超分任务的难度。级联深度框架级联了多个特征变换和反应扩散模块，使得超分任务被划分成小的部分交给模型不同深度的部分完成，降低了模型训练的难度。最后搭建了一个新的深度超分模型，在不降低超分性能的情况下，大幅减少了超分模型的参数数量与模型深度，降低了深度超分模型应用的难度。

技术领域

本发明属于计算机视觉领域，涉及一种图像超分辨率重建方法，具体涉及一种基于反应扩散方程的级联深度图像超分网络。

背景技术

图像超分辨率重建旨在恢复出低分变率图像在降质过程中丢失的细节信息。这在图像分类、图像分割、目标探测等领域有着极大的实际应用意义。超分问题是一个病态问题，传统方法如插值、稀疏编码、点扩散方法无法泛化应用在大数据集上。深度学习算法能够有效的提取大数据中图像共有的潜在信息，大幅提高图像超分辨率算法的性能。

目前，基于深度学习的图像超分算法已经得到广泛深入的研究，研究者针对超分任务，设计了多种复杂的深度网络结构，使超分性能得到了大幅度的提升。然而现存方法对图像超分任务中的图纹生成部分缺乏相应的引导机制，仅仅依靠深度模型强大的学习能力来完成。

这使得已有的深度模型存在以下问题：

1参数数量较大，模型的训练变得困难；

2模型的深度较深，使用模型较为耗时。

3模型的复杂结构使得其实际应用变得十分困难。

有必要为图像超分问题的图纹生成机制设计一种有针对性的解决方案，降低深度超分模型的复杂度。

发明内容

为了克服上述问题，本发明将反应扩散方程嵌入深度模型，为图像超分的局部图纹生成提供引导，并基于此设计了一种级联的深度超分框架，大大减少了模型的参数数量、模型的深度，降低了模型应用的难度。

本发明所采用的技术方案是一种基于反应扩散方程的级联深度模型框架。其包括以下步骤。

一种基于反应扩散方程的图像超分辨率重建方法，其特征在于，包括：

建立图像超分辨率重建模型，具体包括：

步骤1.1：采集若干高分辨率图像；

步骤1.2：使用双三次插值方法将高分图像按照若干设定倍数下采样降质得到低分辨率图像；定义(该高分图像降质得到的低分图像，高分图像)作为一个图像样本，所有的图像样本一起构成图像超分数据集，并将数据归一化(将数据除以图像数据的最大值，一般为255，使得图像数据的取值范围由[0，数据最大值]变成[0，1])，以便于处理；

步骤1.3：根据高分图像分辨率的大小把步骤1.2得到的数据集划分成两部分；第一部分中高分图像的分辨率高(图像的尺寸：高×宽不低于1000×2000或2000×1000)，把这些图像裁剪为尺寸小的图像块得到(低分图像块，高分图像块)作为训练集；第二部分中高分图像的分辨率低(图像的尺寸：高×宽低于1000×2000或2000×1000)，这些(低分图像，高分图像)图像直接作为测试集；

步骤1.4：构建基于反应扩散方程的级联深度网络；网络包括：

特征提取模块，使用一层卷积从低分图像上提取初始特征；

特征变换模块：由8个基本模块与一个长跨层连接组成，其中基本模块由4个残差模块和短跨层连接，长短跨层连接加强了变换过程中浅层特征与深层特征的融合，降低了训练深层网络的难度；