[发明专利]一种基于迭代卷积神经网络的图像重建方法

说明书

本申请公开了一种基于迭代卷积神经网络的图像重建方法，该方法包括多尺度递进式卷积神经网络模型训练和测试两部分：在模型训练阶段，对公开数据库中图像进行分割并计算图像块角度，按照角度聚类图像块并构造不同角度下的高、低分辨率图像簇，对不同角度下的高、低分辨率图像簇训练多尺度递进式卷积神经网络，求解出不同角度下的卷积神经网络模型参数；在测试阶段，对测试低分辨率图像分割图像块并计算图像块角度，按照角度聚类图像块并构造不同角度下测试低分辨率图像簇，对不同角度下的测试低分辨率图像簇依次迭代利用非局部先验约束正则化模型和训练好的多尺度递进式卷积神经网络迭代优化处理，重建出最优的高分辨率图像。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种基于迭代卷积神经网络的图像重建方法。

背景技术

数字图像在生成、传输、记录等成像过程中，经常丢失高频细节，导致图像具有低分辨率特点。低分辨率图像极大地影响着各项计算机视觉任务的顺利实施，比如：自然场景下的人脸识别、自动驾驶、场景文字识别等。单幅图像超分辨率重建技术旨在从单幅低分辨率图像中重建出高分辨率图像。

迄今提出了三类图像超分辨率重建方法。第一类是以最邻近插值、双线性插值以及双立方插值为典型的重建方法，速度快但是很难重建清晰的大倍数图像。第二类是依托设计好的图像先验知识的正则化模型图像重建方法，比如总变分、双边总变分、梯度先验，易导致强边缘附近的振铃现象。第三类是以自主学习图像潜在先验知识的学习图像重建方法，尤其基于深度学习的图像重建方法具有强的自主挖掘图像潜在先验知识的能力。

其中，基于深度学习的图像重建方法是建立在学习具有多种几何结构的图像训练集的方式上，导致不同几何结构的图像要用相同的训练模型来重建，致使不能重建出正确的图像结构。

发明内容

本申请提供了一种基于迭代卷积神经网络的图像重建方法，以解决现有技术无法重建出正确的图像结构的技术问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

本申请实施例公开了一种基于迭代卷积神经网络的图像重建方法，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°中间高分辨率测试图像簇；

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。

可选的，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；