[发明专利]一种具有良好高频视觉效果的图像超分辨率重建方法

说明书

本发明涉及一种具有良好高频视觉效果的图像超分辨率重建方法，与现有技术相比解决了重建图像高频视觉效果差的缺陷。本发明包括以下步骤：构造并训练图像超分辨率重建网络模型；待处理图像的获取；超分辨率重建结构的获得。本发明提高了图像的质量和视觉效果，解决了现有技术重建图像时得到的图像在高频细节、纹理和在视觉上不够好或者边缘模糊的缺陷。

技术领域

本发明涉及图像处理技术领域，具体来说是一种具有良好高频视觉效果的图像超分辨率重建方法。

背景技术

近年来，随着图像处理技术飞跃式的发展，人们对高质量、高分辨率图像的需求也随之越来越大，图像超分辨率重建技术已然成为图像处理领域中研究的热点方向。目前，商业软件中所提供的重建方法采用的是经典的线性插值方法，如PHOTOSHOP、Firework、Soft等。这些软件所使用的方法简单并且快速，但是由于采用的线性插值技术，所以在重建图像的边缘会出现马赛克、锯齿状等各种失真的现象。

在图像超分辨率重建方面，已有较多不同的策略，但是这些方法仍存在很多待处理问题和缺陷，比如执行时间长、执行条件有限和纹理特征不够突出等各种问题，故不能用于实际的应用中。也有部分技术提出，利用深度学习技术进行图像的超分辨率重建，也取得了一定的效果。但是，这些技术多侧重传统的深度学习技术在超分辨率重建中的直接套用，以此克服插值方法的缺陷，未从图像处理角度考虑如何提高重建效果，以至于重建后的图像在高频部分仍存在细节纹理的偏差，特别是放大倍数更高时，保真度较差。

因此，如何提高超分辨率重建图像的高频视觉效果已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中重建图像高频视觉效果差的缺陷，提供一种具有良好高频视觉效果的图像超分辨率重建方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种具有良好高频视觉效果的图像超分辨率重建方法，包括以下步骤：

构造并训练图像超分辨率重建网络模型：构建图像超分辨率重建网络模型，利用标准训练集中的图像对图像超分辨率重建网络模型进行训练；

待处理图像的获取：获取待处理的图像I；

超分辨率重建结构的获得：将待处理的图像I输入训练后的图像超分辨率重建网络模型，经过第一层放大k倍后得到中间图像I′，再送入第二层、第三层、第四层进行重建，得到最终的超分辨率图像O。

所述的构造并训练图像超分辨率重建网络模型包括以下步骤：

设定图像超分辨率重建网络模型为四层结构，第一层为预处理放大层、第二层为特征提取层、第三层为非线性映射层、第四层为融合配对层，其中第二层、第三层、第四层均为卷积层；

对标准图像库{R₁,R₂,…R₉₁}中的图像进行随机裁剪，得到24800幅大小为 32×32的图像集{R′₁,R′₂,…R′₂₄₈₀₀}；

将32×32的图像集{R′₁,R′₂,…R′₂₄₈₀₀}输入图像超分辨率重建网络模型进行训练。

所述超分辨率重建结构的获得包括以下步骤：

获取训练好的卷积神经网络模型中的映射{F₁,F₂,F₃}和对应的偏差{B₁,B₂,B₃}；