[发明专利]一种基于深度学习的图像超分辨率重建方法

权利要求书

1.一种基于深度学习的图像超分辨率重建方法，包括如下步骤：

步骤1：对训练数据集进行n倍下采样处理，原高分辨率训练数据I^H的宽高分别是W,H，得到的低分辨率训练数据I^L的宽高分别是W/n，H/n；

步骤2：将原始高分辨率图像I^H和由步骤1得到的低分辨率I^L图像一一对应，得到有标签的训练数据，另选取低分辨训练数据集作为无标签的训练数据，且无标签的数据量大于有标签的数据量，把这两类数据存为HDF5文件；

步骤3：设计网络结构，确定深度神经网络输入层节点数、输出层节点数、隐藏层数和隐藏层节点数，随机初始化各层的连接权值W和偏置b，给定学习速率η，选定激活函数RELU，选定损失函数Loss；

步骤4：将输入的低分辨率训练数据I^L尺寸放大n倍，所述放大是将低辨率图片插值处理，即放大后的图像像素为I^S(n×i+1,n×j+1)＝I^L(i+1,j+1)，i为图像横向位置索引，j为图像纵向位置索引；I^S其余没有对应值得像素点取值为255；

步骤5：对经过放大后的图像采用40层卷积神经网络进行卷积，激活处理，其中选定卷积核为3×3，激活函数为f(x)＝max(x,0)，利用残差原理，将第一层的卷积激活结果和第十层的卷积激活结果相加；将第十一层的卷积激活结果和第二十层的卷积激活结果相加；将第二十一层的卷积激活结果和第三十层的卷积激活结果相加；将第三十一层的卷积激活结果和第四十层的卷积激活结果相加后和第一层的卷积激活结果相加得到重建的高分辨率图像I^S；

步骤6：反复执行步骤5，直到神经网络输出层误差达到预设精度要求或训练次数达到最大迭代次数，结束训练，保存网络结构和参数，得到训练好的神经网络模型；

步骤7：输入任意一张低分辨率图像到训练好的神经网络模型中，神经网络的输出即为重建后的超分辨率图像；

采用的训练数据集分为有标签和无标签数据，所述标签为低分辨率图像所对应的原始高分辨率图像，所述有标签数据和无标签数据由上述步骤2得到，有标签和无标签的两种情况分别对应了两种损失函数；

无标签时重建的高分辨率图像没有原始的高分辨率图像与之对应，所以将低分辨率图像I^L作为重建高分辨率图像I^S的参考对象，以保持I^L的结构；所述将低分辨率图像I^L作为重建高分辨率图像I^S的参考对象，具体公式为：

其中：i＝0,1,...,s,s＜W/n,j＝0,1,...,t,t＜H/n。

2.根据权利要求1所述的基于深度学习的图像超分辨率重建方法，其特征在于，有标签时，采用欧式距离的计算方法，图像矩阵有W×H个元素，即像素点，用W×H个元素值(A₁,A₂,...,A_W×H)构成原始高分辨率图像的一维向量，用(a₁,a₂,...,a_W×H)构成重建高分辨率图像的一维向量，然后利用数学上的欧式距离公式计算这两个向量之间的距离，距离越小就说明两幅图像越相似；

所述欧式距离公式为：

原始高分辨率图像I^H＝(A₁,A₂,...,A_W×H)

重建高分辨率图像I^S＝(a₁,a₂,...,a_W×H)

欧氏距离

3.根据权利要求1所述的基于深度学习的图像超分辨率重建方法，其特征在于，在实际训练过程中总的损失函数由Loss1和Loss2两个部分结合而得，Loss1的作用是使I^S＝I^H，Loss2的作用是使I^S保持I^L的结构特性。

4.根据权利要求1所述的基于深度学习的图像超分辨率重建方法，其特征在于，

其中k表示训练的数据有无标签，训练有标签的数据时k＝1，训练无标签的数据时k＝0。