[發明專利]基于卷積神經網絡的深度圖像超分辨方法

在審

• 申請號: 201710362462.1
• 申請日: 2017-05-22
• 公開（公告）號: CN107194893A
• 公開（公告）日: 2017-09-22
• 發明（設計）人: 董偉生;丁雯慶;石光明;謝雪梅;李甫
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 王品華,朱紅星

1.基于卷積神經網絡的深度圖像超分辨方法，包括：

(1)獲取訓練樣本集，對獲取的訓練樣本進行預處理，得到訓練樣本對；

(2)構建卷積神經網絡模型，本發明的卷積神經網絡模型包括輸入層、多個卷積層和輸出層，確定網絡結構中卷積層的層數以及卷積層中的濾波器的個數和濾波器的大小網絡的激活函數采用relu函數，relu(x)＝max(0,x)；

(3)訓練(2)中卷積神經網絡網絡：初始化網絡各層的濾波器的權值和偏置，采用最小化損失函數的方式對卷積神經網絡模型進行迭代優化，經過多次迭代后獲取網絡模型結構中各權重值W和偏置值b的最優解，得到最優卷積神經網絡模型；

(4)利用訓練好的卷積神經網絡模型，對低分辨深度圖像進行超分辨。

2.根據權利要求1所述的方法，其中步驟(1)中對原始深度圖像集X＝{X₁,X₂,...,X_n,...,X_N}進行下采樣，得到低分辨深度圖像集Y＝{Y₁,Y₂,...,Y_n,...,Y_N}，并對低分辨深度圖像集Y進行插值放大得到初始恢復的深度圖像集其中，X_n∈R^M×L表示第n個原始深度圖像樣本，表示第n個低分辨深度圖像樣本，表示第n個初始恢復深度圖像樣本，1≤n≤N，N表示原始深度圖像集中圖像樣本的數量，M×L表示原始深度圖像的大小，s表示放大倍數。

3.根據權利要求1所述的方法，其中步驟(2)中確定卷積神經網絡的卷積層的層數是通過實驗調節確定。

4.根據權利要求1所述的方法，其中步驟(2)中確定卷積神經網絡的卷積層的濾波器的個數是采用逐步減小法通過實驗調節確定。

5.根據權利要求1所述的方法，其中步驟(2)中確定卷積神經網絡的各層的濾波器的大小是通過實驗調節確定。

6.根據權利要求1所述的方法，其中步驟(3)中損失函數L(Θ)為均方誤差函數，其中，X_i表示原始的深度圖像，Y_i表示初始恢復的深度圖像，Θ表示權值。

7.根據權利要求1所述的方法，其中步驟(3)中卷積神經網絡模型的權重的初始化由隨機初始化函數生成，最小化損失函數采用Adam優化方法。

8.根據權利要求1所述的方法，其中步驟(3)中卷積神經網絡模型是根據最小化損失函數獲得的卷基層的權重來建立的。