[发明专利]一种基于密集连接网络的图像超分辨率方法

权利要求书

1.一种基于密集连接网络的图像超分辨率方法，其特征在于：其包括以下步骤：

a)根据不同的插值放大倍数，生成多尺度的图像训练集(I_LR，I_HR)；

b)构建密集网络模块：所述密集网络模块包括沿网络传输方向依次设置的n层网络结构，n为大于1的整数，每层网络结构均包括一个卷积层和一个激活层，且上一层网络结构卷积得到的特征叠加至后续每一层网络结构中，每层网络结构的卷积层的特征表示为：

X_n＝H_n([X₁,X₂,…,X_n-1]) (1)

其中X_n为第n层网络结构的卷积层的特征，[X_1,X₂,...,X_n-1]为第1层到第n-1层网络结构的卷积层的特征集合；

c)搭建卷积神经网络模型，所述卷积神经网络模型包括沿传输方向依次设置的一个输入卷积层和激活层，以及L个密集网络模块；每个密集网络模块后面分别接入一个卷积层作为重建网络；

d)选用图像训练集(I_LR，I_HR)作为训练集，输入低分辨率图像I_LR和高分辨率图像I_HR，则每个密集网络模块的重建网络的重建图像分别与卷积神经网络模型的输入图像比较得到卷积神经网络的若干个损失函数，具体表示为：

其中，f_i(w,b,I_LR)为第i个重建网络的预测结果，w和b分别为神经网络中的卷积模板参数和偏置参数；

e)利用Adam优化算法，迭代求解得到卷积神经网络模型参数w和b；形成低分辨率图像与高分辨率图像之间网络映射；

f)利用训练得到的卷积神经网络模型参数w和b，将输入的低分辨率图像重建成高分辨率图像，并计算相应的量化指标PSNR和SSIM。

2.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤a)中采用的放大倍数包括2倍、3倍和4倍，形成多尺度训练图像集。

3.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤a)利用ImageNet的数据集生成不同插值放大倍数的低分辨图像和高分辨率图像集，并形成配对图像训练集(I_LR，I_HR)。

4.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤a)图像训练集中的低分辨图像和高分辨率图像均会转换到YCbCr空间，并利用Y通道进行算法训练。

5.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤b)中密集网络模块的网络结构为8层，且网络结构中卷积层的卷积核大小为3*3，激活层的激活函数为规整化线性单元函数。

6.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤b)中通过引入特征增长率k来控制密集网络模块的输出特征图数量，在密集网络模块内第n层输出有k*n个特征图。

7.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤c)中密集网络模块的个数L的取值为8。

8.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤e)中Adam算法是利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。

9.根据权利要求1所述的一种基于密集连接网络的图像超分辨率方法，其特征在于：所述步骤f)中PSNR和SSIM这两个指标越大，表示重建图像与原始高分辨率图像之间的差异越小。