[发明专利]一种基于迭代卷积神经网络的图像重建方法

权利要求书

1.一种基于迭代卷积神经网络的图像重建方法，其特征在于，包括：

训练多尺度递进式卷积神经网络，获得角度图像簇的卷积神经网络模型；

分割测试低分辨率图像，得到测试低分辨率图像块，计算所述测试低分辨率图像块的角度，依据所述测试低分辨率图像块的角度把所述测试低分辨率图像块投进对应的角度簇中，所述角度簇记为d°，并记录分割位置坐标；

随机取出所述角度簇中的多个测试低分辨率图像块，并将所述测试低分辨率图像块平铺成多个图像，构成d°测试低分辨率图像簇；

对所述d°测试低分辨率图像簇执行非局部先验约束正则化模型，求解得到d°中间高分辨率图像簇；

将所述d°中间高分辨率图像簇投入训练好的所述角度图像簇的卷积神经网络模型中，求解得到d°最优中间高分辨率图像簇；

完成迭代，得到最优d°高分辨率图像簇，将所述d°最优高分辨率图像依据所述分割位置坐标，覆盖到所述测试低分辨率图像上，重叠区域像素做平均处理，重建出最优高分辨率图像。

2.根据权利要求1所述的基于迭代卷积神经网络的图像重建方法，其特征在于，训练多尺度递进式卷积神经网络，获得角度图像簇的卷积神经网络模型的方法，包括：

构建图像的角度簇图像，所述角度簇图像包括：d°高分辨率图像簇、低分辨率图像簇、低分辨率图像簇；

对所述低分辨率图像簇进行3倍双三次插值上采样，然后经2/3倍双三次插值下采样，生成二倍图像；

对所述二倍图像分别进行两路不同的卷积处理，并将处理后图像串联，生成二倍残差图像；

对所述二倍图像和所述二倍残差图像进行加法运算，获得二倍中间高分辨率图像；

对所述二倍中间高分辨率图像进行3/2倍双三次插值上采样，得到三倍中间图像；

将所述三倍中间图像分别进行两路不同的卷积处理，并将处理后图像串联，生成三倍残差图像；

对所述三倍中间图像和所述三倍残差图像进行加法运算，获得三倍高分辨率图像；

计算代价函数：

式(1)中：Θ₁,Θ₂为d°角度图像簇的卷积神经网络待求解的参数，N为图像块的总数目，为所述二倍残差图像，f₂(y′；Θ₂)为所述三倍残差图像，为所述二倍图像，为所述低分辨率图像簇，y′为所述三倍中间图像，为所述d°高分辨率图像簇。

3.根据权利要求2所述的基于迭代卷积神经网络的图像重建方法，其特征在于，构建图像的角度簇图像，包括：

对所述图像进行分割，计算分割后训练图像块的角度，依据角度把所述图像块投进对应的角度簇中，训练图像角度簇标识为d°；

随机取出所述角度簇中的多个图像块，并将所述图像块平铺成多个图像，构成d°高分辨率图像簇；

对所述d°高分辨率图像簇执行下采样为2的双三次插值操作，生成低分辨率图像簇；

对所述d°高分辨率图像簇执行下采样为3的双三次插值操作，生成低分辨率图像簇。

4.根据权利要求3所述的基于迭代卷积神经网络的图像重建方法，其特征在于，对图像进行分割，计算分割后图像块的角度，依据角度把所述图像块投进对应的角度簇中，角度簇标识为d°，包括：

对训练图像依次进行步长为n、尺寸为n×n的分割，得到训练图像块；

计算所述训练图像块的梯度图，并对所述梯度图执行奇异值分解，得到分解结果；

依据所述分解结果计算图像块的主方向ω_i；

依据所述图像块的主方向ω_i把图像块投到对应的角度簇中，所述角度簇标识为d°。

5.根据权利要求2所述的基于迭代卷积神经网络的图像重建方法，其特征在于，对所述d°测试低分辨率图像簇执行非局部先验约束正则化模型，求解得到d°中间高分辨率图像簇，包括：

构建非局部先验约束正则化模型为：

式(2)中，为d°测试低分辨率图像簇、为d°期望高分辨率图像簇，H为高斯模糊和下采样插值混合矩阵，x_NL为非局部均值图像，α,β分别为正则化参数，z为辅助变量，P(·)为先验项；

利用半二次方变量分裂算法对所述非局部先验约束正则化模型求解：

式(3)中，λ为正则化参数，z_t-1为第t-1次迭代后，经训练好的图像簇网络模型求解出的中间高分辨率图像，x_t表示x的第t次迭代图像，表示x_t-1的非局部均值图像，初始迭代图像x₀为d°测试低分辨率图像簇经上采样3倍双三次插值后的图像；

对x_t求极小值得：

达到最大迭代次数时，迭代结束，x_t即为d°测试低分辨率图像簇对应的d°中间高分辨率图像簇。