[发明专利]一种基于深度学习迭代上下采样的图像超分辨率重建方法

说明书

本发明涉及一种基于深度学习迭代上‑下采样的图像超分辨率重建方法，方法包括：准备原始高分辨率图像，对原始高分辨率图像进行双三次插值得到低分辨率图像，将低分辨图像输入到构建好的神经网络中，先提取低分辨率图像特征，然后通过多个反向投影层的上‑下采样模块逐层提取高分辨率图像特征，以能够更多的挖掘低分辨率图像和高分辨率图像之间的相互依赖关系，神经网络中的卷积均采用空洞卷积来增加感受野，提升网络对特征信息的敏感性，并引入稠密连接减少经过中间层传递导致信息的丢失，能够更好的利用低层特征信息，提高了图像重建的性能。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于深度学习迭代上下采样的图像超分辨率重建方法。

背景技术

图像超分辨率重建的应用领域及其宽广，在军事、医学、公共安全和计算机视觉等方面都存在着重要的应用前景。例如，高分辨率医疗图像对于医生做出正确的诊断是非常有帮助的；使用高分辨率卫星图像就很容易从相似物中区别相似的对象；如果能够提供高分辨的图像，计算机视觉中的模式识别的性能就会大大提高。提升图像分辨率的最直接的做法是对采集系统中的光学硬件进行改进，但这种做法受限于制造工艺难以大幅改进、制造成本十分高昂等约束。由此，从软件和算法的角度着手，实现图像超分辨率重建的技术成为了图像处理和计算机视觉等多个领域的热点研究课题。

超分辨率图像重建(Super resolution image reconstruction,SRIR或SR)是指用信号处理和图像处理的方法,通过软件算法的方式将已有的低分辨率(Low-resolution,LR)图像转换成高分辨率(High-resolution,HR)图像的技术。高分辨率图像像素密度高，可获取细节多，在实际应用中不可或缺。图像超分辨率重建技术可以提高图像的识别能力和识别精度；可以实现目标物的专注分析，从而可以获取感兴趣区域更高空间分辨率的图像，而不必直接采用数据量巨大的高空间分辨率图像的配置。

图像超分辨率重建的方法有很多种，基本上可分为基于插值的超分辨率重建、基于重构的超分辨率重建和基于学习的超分辨率重建。

基于插值的方法将每一张图像都看做是图像平面上的一个点，那么对超分辨率图像的估计可以看做是利用已知的像素信息为平面上未知的像素信息进行拟合的过程，这通常由一个预定义的变换函数或者插值核来完成。基于插值的方法计算简单、易于理解，但是也存在着一些明显的缺陷。首先，它假设像素灰度值的变化是一个连续的、平滑的过程，但实际上这种假设并不完全成立。其次，在重建过程中，仅根据一个事先定义的转换函数来计算超分辨率图像，不考虑图像的降质退化模型，往往会导致复原出的图像出现模糊、锯齿等现象。

基于重构的方法则是从图像的降质退化模型出发，假定高分辨率图像是经过了适当的运动变换、模糊及噪声才得到低分辨率图像。这种方法通过提取低分辨率图像中的关键信息，并结合对未知的超分辨率图像的先验知识来约束超分辨率图像的生成。但这种方法对图像自身的先验信息利用的不充分。这些方法大多利用图像的边缘性、局部平滑性等一些先验知识来构成约束条件，然后通过迭代算法来求解优化问题，但是重建出来的图像往往会过于平滑，缺少锐化性。

基于浅层学习的方法则是利用大量的训练数据，从中学习低分辨率图像和高分辨率图像之间某种对应关系，然后根据学习到的映射关系来预测低分辨率图像所对应的高分辨率图像，从而实现图像的超分辨率重建过程。建立浅层学习模型有效地提升了图像超分辨率重建的精度，并有着实时的速度。虽然相对于之前的传统方法，基于浅层学习的传统图像超分辨率算法有了很大的改进，比如更加锐化，但是由于该方法所提取的特征都是人工设计的，无法表达高层次的特征，因此放大倍数较大的超分辨率任务仍然很难应用于该方法上。

发明内容

针对现有技术之不足，一种基于深度学习迭代上下采样的图像超分辨率重建方法，所述重建方法包括：

步骤1：采集原始高分辨率图像；

步骤2：在特定尺度因子上，利用双三次插值将所述原始高分辨率图像下采样到低分辨率图像；