[发明专利]基于SRCNN改进模型的高分辨率太赫兹图像重构方法

说明书

本发明实施例公开了一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法，包括：基于SRCNN的模型结构，构建双层的特征提取的改进SRCNN的模型结构，在双层特征提取之后进行插值放大，然后再加入池化；对改进SRCNN模型结构的每一层依次经过第三层卷积，第三次卷积视为全连接层的非线性映射；经过第四层重建出最后的高分辨率图像。本发明改进了现有SRCNN模型在进行训练模型时需要大量时间以及重构后图像分辨率低的问题，通过模型内部不断的修改权重以及其他参数来获得最终的模型及最优参数，直到插损值达到很小的值为止。本发明设计的改进SRCNN四层卷积神经网络模型进行训练，相比于现有技术的SRCNN模型处理的结果PSNR量提高了2.4dB。

技术领域

本发明涉及图像数据处理技术领域，尤其是一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法。

背景技术

在现有技术中，解决太赫兹图像质量问题主要有两种方法：①从太赫兹成像的源头开始解决，提高太赫兹成像设备的成像分辨率，并且降低成像过程中的噪声；②从得到的太赫兹图像开始处理，优化并且改进算法处理太赫兹图像。

第一种方法优点是解决了问题的本源，但是设备成本很高，性价比低；第二种方法利用数字图像处理算法实现太赫兹图像的相关处理以及应用，但存在太赫兹图像成像清晰度低的问题。

SRCNN模型是由汤晓鸥团队设计的一种模型，这种模型是基于卷积神经网络来实现图像重构，该模型仅仅使用了三层的神经网络结构，代表传统的稀疏表示的图像重构的步骤。但是现有的SRCNN模型处理图像的清晰度不够。

因此，现有技术需要改进。

发明内容

本发明实施例所要解决的一个技术问题是：提供一种基于SRCNN改进模型的高分辨率太赫兹图像重构方法，以解决现有技术存在的问题，所述基于SRCNN改进模型的高分辨率太赫兹图像重构方法包括：

基于SRCNN的模型结构，构建双层的特征提取的改进SRCNN的模型结构，在双层特征提取之后进行插值放大，然后再进行池化；

对改进SRCNN的模型结构每一层依次经过第三层卷积，视为全连接层的非线性映射；

经过第四层重建出最后的高分辨率图像。

在基于本发明上述基于SRCNN改进模型的高分辨率太赫兹图像重构方法的另一个实施例中，所述基于SRCNN的模型结构，构建双层的特征提取的改进SRCNN的模型结构，在双层特征提取之后进行插值放大，然后再加入池化包括：

设定目标经过放大后输入图像为Y，X为原始图像，第一层卷积网络计算出输出图像F₁如式(1)所示：

F₁(Y)＝max(0,W₁*Y+B₁) (1)

式中，B₁代表权值偏置，*是卷积操作，W₁用来表示n₁个c×f₁×f₂滤波器，其中c表示的是图像的通道数，彩色图像是3，灰度图像是1，B₁代表n₁个偏置量；

第二层卷积神经网络在第一层生成的n₁个特征图的基础上通过映射成为n₂个特征图，计算公式如式(2)：

F₂(Y)＝max(0,W₂*F₁(Y)+B₂) (2)