[发明专利]一种基于超分辨率重建的图像分类方法

说明书

本发明公开了一种基于超分辨率重建的图像分类方法，该方法首先通过对原始图像降低分辨率得到低分辨率图像，用原始图像和对应的低分辨率图像训练生成对抗网络，得到超分辨率重建的网络；其次训练有效的分类神经网络用于高分辨率图像的分类。对待分类的低分辨率图像，先将其使用超分辨率重建的网络进行处理得到高分辨率图像，然后用训练好的分类神经网络对其进行分类，得到分类结果。该方法可以更好的提升图像的细节信息，提升图像分类的准确率。

技术领域

本发明属于图像处理技术，具体涉及一种对低分辨率图像的分类方法。

背景技术

基于深度学习的图像分类方法通常都是将原始图像放大到一定的大小，然后再进行卷积、池化等运算。传统的图像分类方法多采用图像插值放大的方式进行图像放大，常用的插值方法有最邻近元法、双线性内插法、三次内插法等。但是实际上，通过这些插值算法，提升的图像细节有限，所以效果欠佳。

图像超分辨率重建就是将一张或多张分辨率较低的图像，通过一定的技术手段，生成一张分辨率高的图像。图像超分辨率重建在监控领域常用来放大有限区域内的像素，形成清晰的图像；在卫星图像等遥感领域常用来提升后续的处理精度；在医学图像领域常用来增加医学图像的分辨率，给医生诊断提供更大的帮助。

发明内容

发明目的：本发明旨在提供过一种对低分辨率图像进行分类的方法，该方法可以更好的提升图像的细节信息，提升图像分类的准确率。

技术方案：本发明采用如下技术方案：

一种基于超分辨率重建的图像分类方法，包括训练阶段和分类阶段；所述训练阶段包括步骤：

(1)采集一组分辨率为P1的原始图像集；

(2)对原始图像集中的图像降低分辨率，得到分辨率为P2的低分辨率图像集；P2<P1；

(3)构建生成对抗网络，所述生成对抗网络包括生成器G和判别器D；所述生成器G的输入为分辨率为P2的图像f(x,y)′，输出为分辨率为P1的图像所述判别器D的输入为生成器G输出的分辨率为P1的图像和与f(x,y)′对应的分别率为P1的原始图像f(x,y)；

(4)使用原始图像集中的图像和低分辨率图像集中的图像训练步骤3构建的生成对抗网络，得到超分辨率重建的生成对抗网络；

(5)构建基于深度学习的分类神经网络；

采集多类分辨率为P1的图像样本，对采集的图像样本标注类别标签，制作训练样本集；

使用训练样本集对构建的分类神经网络进行分类训练，得到训练好的分类神经网络；

所述分类阶段包括：

(6)将待分类的低分辨率图像使用超分辨率重建的生成对抗网络进行处理，得到重建的分辨率为P1的图像T；

(7)使用训练好的分类神经网络对图像T进行分类，得到分类结果。

步骤(2)中对原始图像集中的原始图像进行降采样来得到低分辨率图像。

所述分类神经网络框架为ResNet。

所述生成对抗网络优化的目标函数为：

其中N_x×N_y为分辨率为P1的图像尺寸；

对于分辨率不是P2的待分类的低分辨率图像，步骤6中先将待分类图像的分辨率转换为P2，再使用训练好的生成对抗网络进行分辨率重建。

有益效果：与现有技术相比，本发明公开的基于超分辨率重建的图像分类方法通过对低分辨率图像进行超分辨率重建，更好地提升了图像的细节信息，进而提高了图像分类的准确率。