[发明专利]基于深度残差网络的图像超分辨率重建方法及存储介质

说明书

本发明请求保护一种基于深度残差网络的图像超分辨率重建方法，属于计算机视觉技术的图像重建领域。包括如下步骤：获取数据集、训练样本预处理、训练所提出的模型、利用训练好的模型进行图像重建。其中所提出的模型包含特征提取模块、堆叠的特征增强模块和重建模块。模型中的特征增强模块由一个增强单元和一个非线性化单元组成，增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元负责提取多样的非线性特征。本发明用于图像超分辨率重建能增强特征增强模块的有效性，可以明显提高图像重建质量。

技术领域

本发明属于计算机视觉领域以及图像超分辨率重建领域，尤其涉及一种基于深度残差网络的图像超分辨率重建方法。

背景技术

当今信息社会，人们对高质量、高分辨率图像的需求越来越大。图像的分辨率越高，所包含的细节信息就越多，而这些细节信息在许多实际应用中是极其重要的。由于图像传感器和光学器件在制造工艺以及成本方面的限制，在很多场合下获得所需的高分辨率图像是不现实的，因此，图像超分辨率重建成为计算机视觉领域的难点和热点问题。

图像超分辨率重建方法大致分为基于插值的方法、基于重建的方法和基于学习的方法。近年来，基于学习的图像超分辨率重建算法备受关注，尤其是基于深度学习的图像超分辨率重建算法。

一)：基于深度学习的图像超分辨率重建算法。Dong等人提出最早将深度学习引入到图像超分辨率重建的SRCNN模型，该模型利用三层的卷积神经网络直接学习低分辨率图像与高分辨率图像端对端的映射关系，重建性能优于传统非深度学习方法。详见文献“DongC,Loy C C,He K,et al.Image Super-Resolution Using Deep Convolutional Networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2016,38(2):295-307.”Kim等人提出最早将残差学习应用于图像超分辨率重建的VDSR模型，该模型将卷积神经网络的深度增加到20层，使用更大的感受野获取图像信息，并使用大的学习率，提高了模型的收敛速度。详见文献“Kim J W,Lee J K,Lee K M,et al.Accurate ImageSuper-Resolution Using Very Deep Convolutional Networks[C].computer visionand pattern recognition,2016:1646-1654.”Lim等人提出的EDSR模型简化了SRResnet架构，并以适当的损失函数训练，使得重建效果显著。详见文献“Lim B,Son S,Kim H,etal.Enhanced Deep Residual Networks for Single Image Super-Resolution[C].computer vision and pattern recognition,2017:1132-1140.”文献[8]提出的IDN模型使用多个级联的信息蒸馏模块来增强特征，该模型在提高训练速度的基础上同时保持较好的重建精度。详见文献“Hui Z,Wang X,Gao X,et al.Fast and Accurate Single ImageSuper-Resolution via Information Distillation Network.[J].arXiv:ComputerVision and Pattern Recognition,2018.”

从这些方法中，可以得出大多数模型存在着计算量大，训练时间长的问题，针对该问题，本发明通过提出一种基于深度残差网络的图像超分辨率重建算法，在减少训练时间的基础上同时保持良好的重建精度。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种在减少训练时间的基础上同时保持良好的重建精度的基于深度残差网络的图像超分辨率重建方法。本发明的技术方案如下：

一种基于深度残差网络的图像超分辨率重建方法，其包括以下步骤：