[發明專利]一種基于反應擴散方程的圖像超分辨率重建方法

有效

• 申請號: 202110346999.5
• 申請日: 2021-03-31
• 公開（公告）號: CN112991181B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 蒲曉峰;張樂飛
• 申請（專利權）人: 武漢大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06V10/774
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

1.一種基于反應擴散方程的圖像超分辨率重建方法，其特征在于，包括：

建立圖像超分辨率重建模型，具體包括：

步驟1.1：采集若干高分辨率圖像；

步驟1.2：使用雙三次插值方法將高分圖像按照若干設定倍數下采樣降質得到低分辨率圖像；定義高分圖像降質得到的低分圖像，高分圖像作為一個圖像樣本，所有的圖像樣本一起構成圖像超分數據集，并將數據歸一化以便于處理,具體是將數據除以圖像數據的最大值,一般為255,使得圖像數據的取值范圍由[0,數據最大值]變成[0,1]；

步驟1.3：根據高分圖像分辨率的大小把步驟1.2得到的數據集劃分成兩部分；按照設定劃分分辨率閾值，高于分辨率閾值的第一部分中高分圖像的分辨率高，把第一部分圖像裁剪為尺寸小的圖像塊得到低分圖像塊，高分圖像塊作為訓練集；低于分辨率閾值的第二部分中高分圖像的分辨率低，這些低分圖像，高分圖像樣本不做裁剪，直接作為測試集；

步驟1.4：構建基于反應擴散方程的級聯深度網絡；網絡包括：

特征提取模塊，使用一層卷積從低分圖像上提取初始特征；

特征變換模塊：由8個基本模塊與一個長跨層連接組成，其中基本模塊由4個殘差模塊和短跨層連接，長短跨層連接加強了變換過程中淺層特征與深層特征的融合，降低了訓練深層網絡的難度；

反應擴散模塊：首先使用反卷積層放大特征的尺度，接著將變換后的特征與預估超分圖像一起輸入反應擴散過程，讓反應擴散過程引導局部圖紋的生成；

步驟1.5：使用訓練集來更新網絡的參數，網絡參數使用Kaiming初始化，由L1損失，利用Adam優化器計算梯度并進行參數更新；在迭代設定次數后，模型收斂，得到建立好的圖像超分辨率重建模型；

采用建立好的圖像超分辨率重建模型進行圖像超分辨率重建，具體包括：

步驟2.1、采集需要重建的低分辨率圖像，并將圖像歸一化得到可以處理的低分圖像數據；

步驟2.2、把低分圖像數據輸入到建立好的圖像超分模型,由特征提取模塊提取特征,特征變換模塊對特征進行變換，最后由反應闊散模塊重建得到模型的輸出；

步驟2.3、把模型的輸出乘以255，將數據重新還原為原本圖像數據的范圍[0,255]得到最終的圖像超分重建結果。

2.根據權利要求1所述的一種基于反應擴散方程的圖像超分辨率重建方法，其特征在于：特征提取模塊f_e由1層卷積f_conv組成，卷積f_conv為深度模型的基本單元,其由卷積核與偏置項確定,c_i表示輸入數據的通道數,c_o表示輸出通道數,k表示卷積核尺寸,輸入為低分圖像x^LR∈R^3×h×w,3表示輸入彩色RGB紅綠藍3個通道的圖像數據,h,w分別表示輸入低分圖像的高和寬,即輸入數據是由3個矩陣堆疊而成,每個矩陣的維度都是h×w；輸出為初始特征F⁰∈R^64×h×w，即初始特征由64個矩陣堆疊而成,輸出通道數為64，每個矩陣分別保存了圖像數據某一方面的特征；特征的選取由這層卷積的參數為w₀∈R^64×3×3×3,b₀∈R⁶⁴確定,即F⁰＝f_e(x^LR)＝f_conv(w₀,b₀,x^LR)，w₀,b₀根據步驟1.5確定。