[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
地址：	710048 陜***	國省代碼：	陜西;61
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于深度學習邊緣增強圖像分辨方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明公開了一種基于深度學習和邊緣增強的圖像超分辨方法，具體為：制作原始圖像數據集，并將原始圖像處理得到低分辨率圖像數據集，并劃分訓練集和測試集；將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；將高頻圖像輸入到殘差網絡中進行訓練得到殘差圖像，將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；將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。本發明解決了現有技術中存在的圖像超分辨方法忽略了圖像的邊緣細節信息，降低了圖像質量和視覺效果的問題。

技術領域

本發明屬于數字圖像處理方法技術領域，涉及一種基于深度學習和邊緣增強的圖像超分辨方法。

背景技術

圖像超分辨是計算機視覺和圖像處理領域一個非常重要的研究問題，在醫療圖像分析、生物特征識別、視頻監控與安全等實際場景中有著廣泛的應用。隨著深度學習技術的發展，基于深度學習的圖像超分方法在多個測試任務上，取得了目前最優的性能和效果。目前基于深度學習的主流超分辨方法有如下三類：基于前饋深度網絡的方法、基于反饋深度網絡的方法和基于雙向深度網絡的方法。

前饋深度網絡能夠較好地學習低分辨率圖像到高分辨率圖像之間的對應關系，前饋深度網絡中各個神經元從輸入層開始，接收前一級輸入，并輸入到下一級，直至輸出層。整個網絡中無反饋，可用一個有向無環圖表示；反饋深度網絡特點是通過解反卷積或學習數據集的基，對輸入信號進行反解，與前饋網絡不同，在反饋網絡中，信息在前向傳遞的同時還要進行反向傳遞。其中，輸入信號決定初始狀態，所有神經元均具有信息處理功能，且每個神經元既可以從外界接收輸入，同時又可以向外界輸出，直到網絡達到穩定狀態；雙向深度網絡的方法將前饋網絡和反饋網絡相結合，既包含前饋網絡反向傳播的特點，又與反饋網絡預訓練方法類似。

圖像的邊緣信息對于圖像的質量優劣起著至關重要的作用，目前存在的圖像超分辨方法大多忽略了圖像的邊緣細節信息，使超分辨重建出的圖像邊緣和細節紋理模糊，降低了圖像質量和視覺效果。

發明內容

本發明的目的是提供一種基于深度學習和邊緣增強的圖像超分辨方法，解決了現有技術中存在的圖像超分辨方法忽略了圖像的邊緣細節信息，降低了圖像質量和視覺效果的問題。

本發明所采用的技術方案是，一種基于深度學習和邊緣增強的圖像超分辨方法，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。

本發明的特征還在于，

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。