[发明专利]一种基于深度卷积神经网络的单幅图像超分辨率重建方法

权利要求书

1.一种基于深度卷积神经网络的单幅图像超分辨率重建方法，其特征在于，包括：

预处理：把输入图像从RGB颜色空间转换到YCbCr颜色空间，并且只取其中的Y通道；

将所述预处理后的图像进行下采样，然后分两个通道进行插值，形成通道1和通道2训练数据；其中：所述通道1进行双三次插值，然后密集提取小块，将这些小块作为通道1训练数据；所述通道2进行最近邻插值，结果与所述通道1的双三次插值结果相乘作为掩码，然后密集提取小块，将这些小块作为通道2训练数据；

从所述预处理后的图像密集提取小块，结果作为标签；

将所述通道1和通道2的训练数据合并作为深度卷积神经网络模型输入，将所述标签作为深度卷积神经网络模型的输出，利用梯度下降法和反向传导算法不断优化网络模型；

所述深度卷积神经网络模型第一层卷积神经网络表示为操作F1：

F1(X)＝max(0,W1*X+B1)，

式中，X是双通道训练数据，它作为第一层卷积神经网络的输入，W1是第一层卷积神经网络的系数，*是卷积操作，将输入数据与网络系数卷积后的结果再加上偏置向量B1，然后对结果应用修正线性单位ReLu，它的函数为：f(x)＝max(0,x)，x＝W1*X+B1；

把第二层卷积神经网络表示为操作F2：

F2(X)＝max(0,W2*F1(X)+B2)，

式中，F1(X)是第一层卷积层的输出结果，W2是第二层卷积神经网络的系数，*是卷积操作，B2是第二层卷积神经网络的偏置向量，对其结果也应用ReLu修正线性单位；

把第三层卷积神经网络表示为操作F3：

F(X)＝W3*F2(X)+B3，

式中，F2(X)是第二层卷积层的输出结果，W3是第三层卷积神经网络的系数，B3是第三层卷积神经网络的偏置向量；F(X)就是网络计算出来的高分辨率图像；输入低分辨率图像，经过双通道插值后利用训练好的深度卷积神经网络输出高分辨率图像。

2.根据权利要求1所述的基于深度卷积神经网络的单幅图像超分辨率重建方法，其特征在于，所述的深度卷积神经网络模型，在训练阶段，首先构造一个双通道，每通道分别有三层卷积层的深度卷积神经网络，三层卷积层分别是特征提取层，非线性映射层和高分辨率重建层，然后将所述通道1和通道2的训练数据合并作为深度卷积神经网络模型输入，将所述标签作为深度卷积神经网络模型的输出，利用梯度下降法和反向传导算法不断训练优化网络模型。