[发明专利]一种图像超分辨率重构方法

说明书

一种图像超分辨率重构方法，包括如下步骤:制作学习样本集;学习训练:采用卷积神经网络的单帧模型作为循环网络模块,构造包括N+1个循环网络模块的循环神经网络方式的超分辨率映射模型,训练中,将单幅最低分辨率图片输入超分辨率映射模型中的每一个循环网络模块进行单次训练；更换低分辨率图片反复进行上述单次训练;多次进行单次训练中;重构:将需要重构的低分辨率图片输入完成训练的超分辨率映射模型,得到高分辨率图片。本发明通过在性能指标中增加有关模糊图像的输出误差项，来引导模型同时学习图像的低频与高频信息，可以使图像超分辨率重建结果兼顾可靠性与细节;同时循环网络形式的超分辨率映射模型，也可以极大地节省存储空间。

技术领域

本发明属于软件技术领域，涉及图像处理技术，具体涉及一种图像超分辨率重构方法。

背景技术

图像超分辨率重构技术是利用低分辨率图像生成高分辨率图像的手段，在医疗图像、卫星拍照、安全监控等领域拥有重大应用价值。超分辨率重建技术可分为三类：基于插值的方法、基于模型的方法、基于学习的方法。其中，基于学习的方法是目前的主流方向，特别上随着深度学习技术和卷积神经网络的不断发展，超分辨率重建的图像质量也在不断提升。它通过大量成对的低分辨率与高分辨考虑的图像样本，学习出图像特征以及低分辨率到高分辨率的映射模型，相当于为增加像素提供了当前图像的特征参考，以及基于特征的像素增加方案的历史参考，所以能获得更好的超分辨率图像。

当前的图像超分辨率重建技术中，效果最好的为基于深度卷积神经网络的一系列方法。这类方法通过卷积核形成的感受野来获取图像特征的表达形式，并利用大量样本数据来优化特征表达形式，使其能更好的描绘图像，同时利用历史这些样本学习出基于图像特征的像素扩充映射模型。所以该类方法是在对图像进行理解后再基于历史经验进行像素扩充，这也是其效果提升的根源。

现有卷积神经网络超分辨率技术的基本流程是：用高分辨率图像及其对应的低分辨率图像组成训练样本对，并以低分辨率图像作为卷积神经网络的输入，输出为与高分辨率图像同尺寸的图片，输出结果与真实高分辨率照片的误差作为调节网络模型的性能指标。通过大量样本训练出超分辨率图像重建所需的映射，就可以用来放大新的图像。目前使用卷积神经网络进行图像超分辨率重建的技术，包括卷积神经网络超分辨率(SRCNN)、加速卷积神经网络超分辨率(FSRCNN)、亚像素卷积神经网络超分辨率(ESPCN)、稠密连接神经网络超分辨率(SRDenseNet)、生成对抗网络超分辨率(SRGAN)、改进的深度残差神经网络超分辨率(EDSR)、深度反向投影神经网络超分辨率(DBPN)等方法。

现有的卷积神经网络框架超分辨率技术虽然已取得较大进步，但仍有缺点。特别是在分辨率放大较多的时候，容易出现新增像素错误的情况，这其实是过于追求图像边缘锐利而付出的代价，因为训练模型的输出图像每个像素都被期望与原图一致，而不是原图的模糊近似,导致最终图像边缘像素误差放大。目前图像超分辨率重建中所使用的深度学习技术，完全依赖于样本库，卷积神经网络只是用来在大量样本中学习特征和映射。这种方式过于依赖样本库，而没有引入人类对图像认知的一些基本原则，但是由于图像的复杂多样性，样本库难以保证在各种图像细节情况都有足够的分布量，在这种情况下训练出来的模型，还要着重强调图像的锐度，即与原图完全一致，就容易造成补充像素明显错误的情况。

发明内容

为克服现有技术对低分辨率图像重构过程中存在的技术缺陷，本发明公开了一种图像超分辨率重构方法。

本发明所述图像超分辨率重构方法，包括如下步骤: