[发明专利]基于卷积神经网络的深度图像超分辨方法

权利要求书

1.基于卷积神经网络的深度图像超分辨方法，包括：

(1)获取训练样本集，对获取的训练样本进行预处理，得到训练样本对；

(2)构建卷积神经网络模型，本发明的卷积神经网络模型包括输入层、多个卷积层和输出层，确定网络结构中卷积层的层数以及卷积层中的滤波器的个数和滤波器的大小网络的激活函数采用relu函数，relu(x)＝max(0,x)；

(3)训练(2)中卷积神经网络网络：初始化网络各层的滤波器的权值和偏置，采用最小化损失函数的方式对卷积神经网络模型进行迭代优化，经过多次迭代后获取网络模型结构中各权重值W和偏置值b的最优解，得到最优卷积神经网络模型；

(4)利用训练好的卷积神经网络模型，对低分辨深度图像进行超分辨。

2.根据权利要求1所述的方法，其中步骤(1)中对原始深度图像集X＝{X₁,X₂,...,X_n,...,X_N}进行下采样，得到低分辨深度图像集Y＝{Y₁,Y₂,...,Y_n,...,Y_N}，并对低分辨深度图像集Y进行插值放大得到初始恢复的深度图像集其中，X_n∈R^M×L表示第n个原始深度图像样本，表示第n个低分辨深度图像样本，表示第n个初始恢复深度图像样本，1≤n≤N，N表示原始深度图像集中图像样本的数量，M×L表示原始深度图像的大小，s表示放大倍数。

3.根据权利要求1所述的方法，其中步骤(2)中确定卷积神经网络的卷积层的层数是通过实验调节确定。

4.根据权利要求1所述的方法，其中步骤(2)中确定卷积神经网络的卷积层的滤波器的个数是采用逐步减小法通过实验调节确定。

5.根据权利要求1所述的方法，其中步骤(2)中确定卷积神经网络的各层的滤波器的大小是通过实验调节确定。

6.根据权利要求1所述的方法，其中步骤(3)中损失函数L(Θ)为均方误差函数，其中，X_i表示原始的深度图像，Y_i表示初始恢复的深度图像，Θ表示权值。

7.根据权利要求1所述的方法，其中步骤(3)中卷积神经网络模型的权重的初始化由随机初始化函数生成，最小化损失函数采用Adam优化方法。

8.根据权利要求1所述的方法，其中步骤(3)中卷积神经网络模型是根据最小化损失函数获得的卷基层的权重来建立的。