[发明专利]一种基于DEC_SE的低照度图像超分辨率重建方法

说明书

本发明公开一种基于DEC_SE的低照度图像超分辨率重建方法，所述方法包括如下步骤：1）加工现有数据集；2）特征提取；3）残差密集分解网络的训练；4）超分增强网络的训练；5）超分辨率重建。这种方法能够对低照度的低分辨率的图片进行重建，使得重建后的图像的亮度、对比度和分辨率得到显著提升。

技术领域

本发明涉及深度学习、低照度增强、图像超分辨率重建领域，具体是一种基于DEC_SE的低照度图像超分辨率重建方法。

背景技术

低照度增强技术有直方图均衡化和基于Retinex理论的各种网络模型，其中Retinex理论结合现在的卷积神经网络是当前低照度增强的一个热门方向。Retinex理论认为任何一幅图像可以分解为光照图像即illumination和反射图像即reflectance，反射图像是物体的本身性质决定的即为不变的部分，光照图则受外界影响比较大，可以去除光照影响或者对光照图像进行校正，则可以达到增强图像的目的。

超分辨率重建技术的应用范围非常广，在视频编码通信、医学影像和卫星图像等方面都有着非常重要的作用，是计算机视觉领域一个非常重要的研究课题。图像超分辨重建技术也由早期的插值、稀疏编码等技术演变到如今的基于深度学习的超分辨重建技术，重建的效果也是越来越好。

现有技术中的图像超分辨重建主要是针对正常照度下的图片进行超分辨率重建，但是对于照度较低的图片，由于亮度低，对比度低等因素的干扰，现有的超分辨率重建技术对其重建的效果较差。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于DEC_SE的低照度图像超分辨率重建方法。这种方法能够对低照度的低分辨率的图片进行重建，使得重建后的图像的亮度、对比度和分辨率得到显著提升。

实现本发明目的的技术方案是：

一种基于DEC_SE的低照度图像超分辨率重建方法，包括如下步骤：

1)加工现有数据源：将数据集Urban100中的每一对数据中的低分辨率图片模拟低照度下成像的特点得到低照度的低分辨率图片即LLR,所述每一对数据包括高分辨图片即HR和低分辨率图片即LR，将得到的每张低照度的低分辨率图片和原数据集中对应的HR和LR构成新的数据对即每一数据对包含同一张图片的三张不同形式：HR、LR和LLR，得到新的数据集New-Urban100，New-Urban100数据集分组情况如表1所示：

表1：

2)特征提取：特征提取过程包括：

2-1)选取滤波器的大小为3*3、输入通道为3、输出通道为C，因为输入的是RGB图片所以输入通道为3；

2-2)将正常照度的低分辨率图片LR和低照度的低分辨率图片LLR与所选滤波器分别做卷积操作，在做卷积操作之前需要对原始图片进行填充即padding，目的是使得卷积后的特征图的尺寸和原始的输入尺寸保持不变，方便后面的重建，且它们的滤波器参数共享，得到C个特征图即feature map作为另一动作的输入，就是对正常照度和低照度的低分辨率图片的一个浅层特征提取；

3)残差密集分解网络的训练：过程包括：

3-1)依据Retinex理论，将输入的图片分解成如公式(1)所示的反射图像R(reflectance，简称R)和光照图像I(illumination，简称I)：

S＝R·I (1)，

公式(1)中S代表原图像，R代表反射图像,I代表光照图像,·代表element-wisemultiplication操作；