[發明專利]基于三通道卷積神經網絡的單幅圖像超分辨率重建方法

有效

• 申請號: 202010523197.2
• 申請日: 2020-06-10
• 公開（公告）號: CN111640067B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 陳劍濤;黃德天
• 申請（專利權）人: 華僑大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04;G06V10/774;G06V10/82
• 代理公司: 泉州市文華專利代理有限公司 35205
• 代理人: 陳雪瑩

1.一種基于三通道卷積神經網絡的單幅圖像超分辨率重建方法，其特征在于：包括如下步驟：

步驟S10、獲取圖像的數據集，并基于所述數據集創建復數張高分辨率圖像以及高分辨率圖像所對應的低分辨率圖像；

步驟S20、創建三通道卷積神經網絡模型，并利用所述三通道卷積神經網絡模型對各高分辨率圖像和低分辨率圖像進行訓練，并生成低分辨率圖像與高分辨率圖像的映射關系；

步驟S30、利用均方誤差損失函數對所述映射關系進行優化；

步驟S40、基于優化后的所述映射關系，將待重建的低分辨率圖像輸入所述三通道卷積神經網絡模型，輸出重建后的高分辨率圖像；

所述步驟S20具體包括：

步驟S21、基于PyTorch框架創建三通道卷積神經網絡模型；

步驟S22、設置訓練參數，基于所述訓練參數，將所述低分辨率圖像作為三通道卷積神經網絡模型的輸入，將所述高分辨率圖像作為三通道卷積神經網絡模型的輸出，進行訓練生成低分辨率圖像與高分辨率圖像的映射關系；

所述步驟S20中，所述三通道卷積神經網絡模型具體包括一用于獲取高頻特征的第一通道模型、一用于獲取高頻特征的第二通道模型以及一用于獲取低頻特征的第三通道模型；

所述第一通道模型包括一層卷積層、一連續稠密殘差體以及一層采樣組合模塊；

所述第二通道模型包括一層卷積層、一連續殘差體以及一層采樣組合模塊；

所述第三通道模型包括一層采樣組合模塊；

所述第一通道模型的卷積層的輸入端與圖像的輸入端連接，所述卷積層的輸出端與連續稠密殘差體的輸入端連接，所述連續稠密殘差體的輸出端與采樣組合模塊連接；所述第二通道模型的卷積層的輸入端與圖像的輸入端連接，所述卷積層的輸出端與連續殘差體連接，所述連續殘差體的輸出端與采樣組合模塊連接；所述第三通道模型的采樣組合模塊與圖像的輸入端連接。

2.如權利要求1所述的基于三通道卷積神經網絡的單幅圖像超分辨率重建方法，其特征在于：所述步驟S10具體包括：

步驟S11、獲取圖像的數據集，并基于所述數據集創建復數張高分辨率圖像；

步驟S12、設定一尺度因子，將各所述高分辨率圖像分別基于尺度因子向下采樣得到低分辨率圖像；

步驟S13、將各所述高分辨率圖像以及低分辨率圖像進行隨機翻轉和90度旋轉，用于增加訓練數據。

3.如權利要求1所述的基于三通道卷積神經網絡的單幅圖像超分辨率重建方法，其特征在于：所述卷積層輸入通道數和輸出通道數均為64，卷積核大小均為3*3，移動步長大小均為1*1，外圈補零大小均為1層；

所述采樣組合模塊由一層卷積層以及一層像素重排列層構成；

所述連續稠密殘差體包括復數個殘差模塊，各所述殘差模塊間采用殘差連接；所述殘差模塊由兩個輸入通道和輸出通道為64的卷積層連接而成。

4.如權利要求1所述的基于三通道卷積神經網絡的單幅圖像超分辨率重建方法，其特征在于：所述步驟S22中，所述訓練參數包括學習率、迭代次數以及放縮尺度因子。

5.如權利要求1所述的基于三通道卷積神經網絡的單幅圖像超分辨率重建方法，其特征在于：所述步驟S30中，所述均方誤差損失函數具體為：

其中x_i表示預測值，y_i表示真實值，N為正整數。