[發明專利]一種基于深度學習和邊緣增強的圖像超分辨方法

在審

• 申請號: 202010829315.2
• 申請日: 2020-08-18
• 公開（公告）號: CN112070668A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 劉晶;何帥
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T3/40
• 分類號: G06T3/40
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 弓長

1.一種基于深度學習和邊緣增強的圖像超分辨方法，其特征在于，具體按照如下步驟實施：

步驟1，制作原始圖像數據集，然后采用雙三次插值法將原始圖像數據集中的原始圖像進行退化得到低分辨率圖像數據集，將低分辨率圖像數據集劃分為訓練集和測試集；

步驟2，將步驟1獲得的訓練集中的每一幅低分辨率圖像進行處理得到對應的高頻圖像；

步驟3，將步驟2中獲得的高頻圖像輸入到殘差網絡中進行訓練得到殘差圖像，其中，殘差網絡包含特征嵌入模塊、殘差模塊和重構模塊三部分；

步驟4，將步驟3獲得的殘差圖像和原始圖像輸入逐像素損失和感知損失聯合損失函數中，不斷地迭代使損失函數最小化，經過訓練最后生成超分辨網絡模型；

步驟5，設定超分辨網絡模型的結構參數，將步驟1經過預處理好的測試集圖像輸入到超分辨率網絡模型中，經過殘差網絡處理和聯合損失函數最小化迭代，最后產生邊緣信息增強的高分辨率圖像。

2.根據權利要求1的一種基于深度學習和邊緣增強的圖像超分辨方法，其特征在于，步驟2具體為：

對步驟1中的訓練集中的低分辨率圖像使用低通濾波器進行濾波，去除低頻信息獲得圖像高頻信息，得到高頻圖像。

3.根據權利要求2的一種基于深度學習和邊緣增強的圖像超分辨方法，其特征在于，根據空間域理論，訓練集中的低分辨率圖像x分解為低頻層和高頻層的和，如公式(1)所示：

x＝x_low+x_high (1)

x_low表示圖像低頻層，x_high表示圖像高頻層。

4.根據權利要求2的一種基于深度學習和邊緣增強的圖像超分辨方法，其特征在于，步驟3具體為：

步驟3.1，將步驟2中獲得的高頻圖像輸入到殘差網絡的特征嵌入模塊，實現從圖像空間映射到特征空間，生成特征映射；

步驟3.2，將步驟3.1中得到的特征映射輸入到殘差網絡的殘差模塊，得到多通道特征映射的殘差圖像；

步驟3.3，將步驟3.2得到的多通道特征映射的殘差圖像輸入到殘差網絡的重構模塊，重構模塊從多通道轉換回原始圖像空間，即就是1通道或3通道，得到殘差圖像。

5.根據權利要求4的一種基于深度學習和邊緣增強的圖像超分辨方法，其特征在于，步驟3.1中的特征嵌入模塊使用3×3卷積層和ReLU激活函數作為嵌入部分，使用64個濾波器生成64個特征映射。

6.根據權利要求4的一種基于深度學習和邊緣增強的圖像超分辨方法，其特征在于，殘差模塊包括多個依次連接的殘差單元，每個單元包括兩個分支：殘差分支和恒等映射，每個殘差單元定義如公式(2)所示；

R^u＝F(R^u-1)+R^u-1 (2)

其中，R表示每個殘差單元，u＝1，2，u，u為殘差單元數，F為殘差函數。

7.根據權利要求4的一種基于深度學習和邊緣增強的圖像超分辨方法，其特征在于，重構模塊使用3×3卷積層作為重構部分。