[发明专利]一种基于小波变换和卷积神经网络的图像超分辨率重建方法

摘要

本发明公开了一种基于小波变换和卷积神经网络的图像超分辨率重建方法在训练阶段，对训练数据集中的高分辨率图像Ih进行高斯滤波以及降采样处理生成低分辨率图像Il；对Ih做单尺度二维离散小波变换提取其低频分量FLL、水平低频垂直高频成分FLH、水平高频垂直低频成分FHL和对角方向高频分量FHH等四个频率成分；将Il作为输入数据、Ih的四个频率成分分别作为标签，训练四个卷积神经网络模型。在超分辨率重建阶段，将低分辨率图像Il输入四个经训练得到的卷积神经网络模型中生成高分辨率图像的四个频率成分并对其作单尺度二维离散小波反变换生成高分辨率图像Ih。该方法从不同频率上对图像进行超分辨率重建，充分利用卷积神经网络的学习能力，显著增强超分辨率重建效果。

主权项

一种基于小波变换和卷积神经网络的图像超分辨率重建方法，其特征在于，所述图像超分辨率重建方法包括以下步骤：步骤一：将训练数据集中的高分辨率图像Ih进行高斯滤波以及降采样处理生成对应的低分辨率图像Il；步骤二：将训练数据集中的高分辨率图像Ih按照公式(1)做单尺度二维离散小波变换以提取其低频分量FLL、水平低频垂直高频成分FLH、水平高频垂直低频成分FHL和对角方向高频分量FHH等四个频率成分：FLL=HIhH*FLH=GIhH*FHL=HIhG*FHH=GIhG*---(1)]]>H和G分别为一维尺度函数和一维小波函数对应的滤波器系数矩阵，且H和G满足HH*+GG*＝I，上标符号*表示矩阵的共轭转置；步骤三：以步骤一中得到的低分辨率图像Il作为输入数据，以步骤二中得到的高分辨率图像Ih的低频分量FLL、水平低频垂直高频成分FLH、水平高频垂直低频成分FHL和对角方向高频分量FHH分别作为标签，训练四个卷积神经网络模型；步骤四：将测试低分辨率图像Il输入四个经训练得到的卷积神经网络模型中以生成高分辨率图像的低频分量FLL、水平低频垂直高频成分FLH、水平高频垂直低频成分FHL和对角方向高频分量FHH。如公式(2)所示：Ih＝H*FLLH+G*FLHH+H*FHLG+G*FHHG   (2)对高分辨率图像的四个频率成分做单尺度二维离散小波反变换生成高分辨率图像Ih。