[發明專利]基于SAE字典學習和鄰域回歸的圖像超分辨率方法

有效

• 申請號: 202010670836.8
• 申請日: 2020-07-13
• 公開（公告）號: CN111833252B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 黃煒欽;郭一晶;陳俊仁
• 申請（專利權）人: 廈門大學嘉庚學院
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06V10/77;G06V10/772;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

1.一種基于SAE字典學習和鄰域回歸的圖像超分辨率方法，其特征在于，包括以下步驟：

針對字典學習模型SAE準備輸入數據，并進行字典的構造與訓練；

結合鄰域回歸理論和字典求解投影矩陣；

基于投影矩陣進行圖像重建，獲得高分辨率圖像；

所述結合字典學習的需要，在SAE的代價函數中，采用平均絕對值誤差代替均方誤差，得到改進SAE字典學習模型具體為：

設s_i∈S為輸入數據，o_i∈O為輸出數據，改進的SAE字典模型如下：

其中，第一項J_MAE(θ)為重構誤差項，此處采用平均絕對誤差表示，m和n分別表示HR和LR輸入數據的樣本數；第二項J_weight(θ)為權重衰減項，用于減少權值的量級，防止過擬合,λ為該項的調節參數，表示第l-1層節點i與第l層節點j的連接權重，l表示網絡的層數，N_l表示第l層的節點數，N_l+1第l+1層的節點數；第三項J_sparse(θ)為隱含層稀疏正則項，為隱含層神經元的平均激活量，ρ為設定好的預期激活量，γ為調節參數，N₂表示第2層的節點數；其中，采用式(2)表示：

所述輸入S＝[S_h,S_l]，采用改進SAE字典學習模型進行學習，獲得輸入層與隱含層之間的權重W₁，將權重轉化為HR和LR字典對{D_h,D_l}具體為：

在SAE字典學習模型的訓練過程中，結合梯度下降法進行參數更新，最終獲得輸入層到隱含層的連接權重W₁，其中W₁＝{w_i}，i＝1,2,...,m+n；根據網絡權重與字典的關系，字典D等價于輸入層與隱含層的鏈接權重W₁，具體表示為HR字典D_h＝{w₁,w₂,…,w_m}、LR字典D_l＝{w_m+1,w_m+2,…,w_m+n}，字典對表示為D＝(D_h,D_l)，其中w_i∈W₁，且w_i＝{w_1,i,w_2,i,...,w_k,i}，k為字典的維數，w_k,i表示第k維第i個字典原子的權值。

2.根據權利要求1所述的一種基于SAE字典學習和鄰域回歸的圖像超分辨率方法，其特征在于，所述針對字典學習模型SAE準備輸入數據具體為：

將HR圖像樣本I_h進行下采樣,得到LR圖像I_l，并將LR圖像上采樣得到中間圖像I_m；

HR輸入數據準備：將HR圖像I_h與中間圖像I_m相減，得到差值圖像I_d，對差值圖像I_d進行分塊與歸一化，作為HR輸入數據，記為m為HR輸入數據的樣本數；

LR輸入數據準備：對中間圖像I_m進行濾波，得到濾波圖像，再對濾波圖像進行歸一化和圖像分塊，并對濾波圖像塊進行降維，記為n為LR輸入數據的樣本數；

將字典學習模型SAE的輸入數據表示為S＝[S_h,S_l]。

3.根據權利要求2所述的一種基于SAE字典學習和鄰域回歸的圖像超分辨率方法，其特征在于，在LR輸入數據準備時，采用主成分分析法PCA對濾波圖像塊進行降維。