[发明专利]一种基于重建优化和深度神经网络的超分辨率实现方法

权利要求书

1.一种基于重建优化和深度神经网络的超分辨率实现方法，其特征在于，包括如下步骤：

步骤1，通过降采样方法，建立高分辨率图像与下采样图像之间的关系；

其中X代表高分辨率图像，表示下采样矩阵，表示经过下采样之后的低分辨率图像，s代表放大系数并且s＝4，s²表示重建所需要的图像数量；

将多张低分辨率图像作为已知量，通过最小二乘法建立目标函数J并引入一个辅助求解的变量Q：

其中，i表示计数，取值范围为[1,s²]；D_i表示第i个下采样矩阵，Y_i表示第i个经过下采样之后的低分辨率图像；β是正则化项的权重系数，θ是辅助项的权重系数；

步骤2，将目标函数J中的Q值初始值设置为0，只迭代收敛目标函数J中的X变量，目标函数J写成：

利用共轭梯度算法对目标函数J'进行收敛，直至找到目前最优的X值；

步骤3，将目标函数J'中的X值取步骤2优化后的值，然后只优化目标函数J'中Q值的大小，目标函数J'变为：

通过特征收敛Lasso回归模型，得到目前最优的Q值，然后作为步骤2目标函数J'中Q值的取值；

步骤4，反复执行步骤2和步骤3，迭代优化目标函数J”中的X值和Q值，直到得到的X值趋于收敛时，停止迭代，此时的X值即为基于重建算法的最优重建结果，得到一张基于重建优化算法的高分辨率图像；

步骤5，建立一个三层全卷积神经网络，第一层网络作用于输入图像，第二层网络包括两层卷积层，这两层卷积层都有128个特征，卷积核分别为9×9和5×5；每一层卷积层后都采用修正线性单元加入非线性映射，并使用自适应矩估计优化器对训练过程进行优化；最后一层网络用于图像的重建，利用卷积层提取出的高阶特征，将图像从低阶空间域映射到高阶空间域中；

步骤6，从图像库中选择N张自然图像，对每张图像进行下采样产生s²张相互具有亚像素偏移的低分辨率图像；选取步长为l像素，将低分辨率图像和高分辨率图像分别都裁剪成k×k的图像块，得到M对高分辨率图像对；利用这些图像对，对步骤5的网络参数进行训练；

步骤7，训练完成之后，将步骤4得到的高分辨率图像作为网络输入，通过所述三层全卷积神经网络的处理，输出一张最终重建得到的超分辨图像。