[发明专利]一种基于生成网络的图像超分辨率重构的方法

说明书

本发明涉及一种基于生成网络的图像超分辨率重构的方法，其特征在于，包括收集真实图像的数据集进行扩充获得若干图像数据集，构建GAN生成式网络，构建判别式网络，确认GAN生成式网络与判别式网络之间的对抗误差，通过反向传播算法训练GAN生成式网络与判别式网络，当GAN生成式网络对抗误差达到最小，输出生成图像。提供高质量的图像，将模糊的人脸图像转为了清晰的图像，加快工作效率。

技术领域

本发明涉及GAN网络和图像处理技术领域，尤其涉及一种基于生成网络的图像超分辨率重构的方法。

背景技术

由于在现代社会中犯罪分子的违法行为越来越专业化、流窜化和动态化，通过视频监控在公安侦查中的发展应用和不断提高，公安机关民警就能通过视频监控所获取的大量信息进行分析研判。通过对案发现场摄像头所拍摄到的信息进行分析处理，迅速确定犯罪体貌特征和实施犯罪的整个作案过程，能直接锁定犯罪嫌疑人，有利于加快破案速度，大大减少破案成本。在发现可疑人员，通过摄像头的拉近，对可疑人员的体貌特征进行特写，但是由于视频监控设备的本身进度不够和监控摄像头距离目标比较远，导致我们获取得视频图像是低分辨率的。低分辨率图像是无法提供具体的细节信息。每当有情况发生时，可以采用超分辨率重建技术对监控图像进行放大处理，更加清楚的展现犯罪嫌疑人脸部的细节信息。提高了公安民警直接发现抓捕犯罪嫌疑人的能力，为城市安防提供了有利保障。

提高图像的分辨率主要分为两个方面。首先是采用高精度的硬件设备比如高质量的图像传感器和光学仪器。通过改进传感器或光学设备来减小成像的单元尺寸以增加图像的像素数。一定程度上缓解了人们对高分辨率的图像的需求。然而这种方法存在很多局限性，一方面随着传感器技术不断改进，感光单元的尺寸越来越小，而随着感光单元的逐渐变小，获取图像像素受散粒噪声的影响越来越大。另一方面，高精度的设备成本高，传感器设计的尖端技术往往掌握在少数几个发达国家。通过硬件提高图像的分辨率存在诸多限制，已经无法满足人们对图像的画质需求。其次从软件角度出发，通过一些算法对低分辨率图像进行重构得到高分辨率图像。此方法称为超分辨率图像重构。该方法只需要在现有低分辨率图像设备的基础上，运用相关图像处理原理和机器学习算法，通过重构一幅或者多幅低分辨率图像，获得一幅高分辨率图像。

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

传统图像超分辨率重构算法主要分为三类：基于插值、基于多帧重构和基于学习的方法。近年来，随着深度学习兴起，越来越多的视觉领域都尝试运用深度学习算法。通过利用深度学习得到高低分辨率图像块之间的相似度，从而对于待处理的低分辨率图像块可以更为精确的生成与其对应的高分辨率图像块。克服了传统基于样本超分辨率算法中利用手工设计的特征难以学习到准确的高低分辨率图像块空间映射关系的问题。但的图像超分辨率重构未达到更优质的质量。

于2017.10.20公开的中国专利公开号第CN107273936号揭露了一种GAN图像处理方法和系统，包括：接收随机噪声，利用基于改进的LSGAN的生成式网络，生成生成图像；接收真实图像，对真实图像和生成图像分别进行不同度数的图像梯度变换，得到变换图像集；将变换图像集中的变换图像分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果。本申请通过将随机噪声输入到生成式网络，得到生成图像，再接收真实图像，对真实图像和生成图像分别进行不同度数的图像梯度变化，得到变换图像集，将变换图像集中的变换图像分别输入到判别网络的多通道卷积网络的各个通道，进行特征的提取和融合，得到输出结果，使网络具有较好的泛化能力，避免梯度消失现象，能够输出质量更高更加真实的图像。但其图像真实性未能达到更佳状况。

发明内容