[发明专利]基于图像纹理信息构建损失函数的高分辨率图像预测方法

说明书

本发明公开了一种基于图像纹理信息构建损失函数的高分辨率图像预测方法。首先随机初始化SRCNN卷积神经网络的连接权重与偏置，并设置网络参数；将训练数据预处理后获得高、低分辨率图像对训练集；接着将低分辨率图像输入网络框架，得到网络输出的高分辨率图像；然后，采用考虑图像纹理信息的损失函数进行误差计算，如果未达到迭代次数则进行权值修正，最终得到训练好的网络；在测试阶段，输入低分辨率图像至训练好的网络，得到预测的高分辨率图像。本发明构建的损失函数不仅可以度量像素损失，而且还可以度量图像纹理信息损失，克服了SRCNN卷积神经网络超分辨算法的不足，有效实现了SRCNN算法性能的进一步提升。

技术领域

本发明涉及一种图像预测方法，尤其涉及基于深度学习的图像预测方法，属于人工智能技术领域。

背景技术

深度学习(Deep Learning)作为近几年来计算机视觉和模式识别中的研究重点，受到了学者们越来越多的研究关注，以深度学习理论为基础的图像超分辨技术更是发展迅速。目前，在诸多研究成果中，从合理构建损失函数角度开展深度学习超分辨算法性能提升的研究层出不穷，且对图像超分辨质量产生了许多有益的效果。比如：

[1]Ledig C,Wang Z,Shi W,et al.Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network[C]//ComputerVisionandPattern Recognition.IEEE,2017。

[2]Yu X,Porikli F.Ultra-Resolving Face Images by DiscriminativeGenerative Networks[J].2016。

[3]Bruna J,Sprechmann P,Lecun Y.Super-Resolution with DeepConvolutional Sufficient Statistics[J].Computer Science,2015。

在SRCNN算法中(具体参考：Dong C,Chen C L,He K,et al.Learning a DeepConvolutional Network for Image Super-Resolution[J].2014,8692:184-199.)，使用的损失函数为MSE(mean squared error，均方误差)函数，如式(1)所示：

其中，n是训练样本的数量，F是高低分辨率图像端到端的映射函数，Θ＝{W₁,W₂,W₃,B₁,B₂,B₃}表示SRCNN三层卷积神经网络的权重和偏置，式(1)表示超分辨率图像F(Y；Θ)和实际高分辨率图像X之间损失函数。

然而，通过最小化上述损失函数获得的超分辨图像细节特征仍然不够丰富和明显，图像的很多重要细节显得过于平滑。分析原因可以发现：MSE损失函数仅能简单衡量网络输出的高分辨率图像和真实高分辨率图像之间在像素值上的差异，而不能从图像纹理等区域结构的角度去衡量图像信息的变化与区别。所以，仅从像素值这一低级特征角度去衡量超分辨图像和真实高分辨率图像之间的差异显然是不够的。

因此，从更高级别的图像特征衡量超分辨图像和真实图像之间的损失，进一步提高损失函数感知图像细节特征变化的能力，从而提高深度学习超分辨算法性能是非常必要的。

发明内容

本发明所要解决的技术问题是：为克服SRCNN算法的不足，提出一种考虑图像纹理信息损失的高分辨率图像预测方法，以改善SRCNN超分辨算法的性能，实现高分辨率图像的预测。

本发明为解决上述技术问题采用以下技术方案：