[发明专利]一种基于密集多路径网络的超分辨图像重构方法和系统

说明书

本申请公开了一种基于密集多路径网络的超分辨图像重构方法和系统，其中，该方法包括对原始训练集中的图像进行旋转和翻转，得到大规模训练数据集；提取输入图像中的粗糙特征信息，利用多个密集多路径模块获得所述输入图像中的多尺度和多层次的特征信息；对所述多尺度和多层次的特征信息进行拼接和提纯；将拼接和提纯后的图像的分辨率采样至预设大小，恢复成超分辨图像。利用基于密集多路径网络的超分辨图像重构方法和系统，能够进一步提高重建质量，获得更加具有竞争力的结果。

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于密集多路径网络的超分辨图像重构方法和系统。

背景技术

图像超分辨率(super-resolution，SR)是指从低分辨率(low resolution，LR)图像中恢复高分辨率(high resolution，HR)图像的过程，是计算机视觉和图像处理中的一个重要研究方向，SR具有广泛的实际应用，例如医学成像、安防监控和遥感图像等领域，除了提高图像感知质量外，SR还有助于改善其他计算机视觉任务。然而，即便经过数十年的广泛研究，单图像SR仍然是一个非常具有挑战性和开放性的研究问题。

在过去，已经提出了多种经典的SR方法，包括基于预测的方法、基于边缘的方法、基于统计的方法、基于补丁的方法和基于稀疏表示的方法等等。近年来，随着深度学习技术的发展，基于深度学习的SR模型已得到积极探索。最近在SR上的研究显示，更深的网络会带来更好的性能，因此当前的研究倾向于使用更深的卷积神经网络来增加网络的感受野，提供更多特征信息来重建SR图像，但是盲目增加网络深度并不能有效地改善网络，并且随着网络深度的增加，训练过程中可能会出现更多问题，这就需要更多的训练技巧。

对网络加深带来的部分问题，现有技术中采用深度递归卷积网络(deeply-recursive convolutional network，DRCN)来解决，在DRCN的基础上，深度递归残差网络(deep recursive residual network，DRRN)应用全局和局部残差学习来帮助实现特征提取和梯度流动。

SRDenseNet(super-resolution using dense skip connections)在SR中使用了DenseNet的架构，并在网络末端使用转置卷积层进行上采样，这有助于恢复高频细节。超分辨率多尺度残差网络(multi-scale residual network for image super-resolution)可以更好地从多个尺度中提取图像特征，并进一步提高性能。尽管上述SR方法已经取得了显著成果，但是仍然存在缺点，例如随着网络深度的增加，特征在传输过程中逐渐消失，如何充分利用这些特征对于网络重建高质量图像至关重要。

发明内容

为解决上述问题，本发明提供了一种基于密集多路径网络的超分辨图像重构方法和系统，能够进一步提高重建质量，获得更加具有竞争力的结果。

本发明提供的一种基于密集多路径网络的超分辨图像重构方法，包括：

对原始训练集中的图像进行旋转和翻转，得到大规模训练数据集；

提取输入图像中的粗糙特征信息，利用多个密集多路径模块获得所述输入图像中的多尺度和多层次的特征信息；

对所述多尺度和多层次的特征信息进行拼接和提纯；

将拼接和提纯后的图像的分辨率采样至预设大小，恢复成超分辨图像。

优选的，在上述基于密集多路径网络的超分辨图像重构方法中，利用一个3×3卷积层提取输入图像中的粗糙特征信息。

优选的，在上述基于密集多路径网络的超分辨图像重构方法中，利用包括4个多路径子网络的密集多路径模块获得所述输入图像中的多尺度和多层次的特征信息。