[发明专利]一种基于生成对抗网络的单幅图像超分辨率重建方法

说明书

本发明公开了一种基于生成对抗网络的单幅图像超分辨率重建方法，包括：将图像输入到预先训练好的改进SRGAN网络中，得到超分辨率重建结果；其中，所述改进的SRGAN的网络结构在现有的SRGAN的网络结构的基础上进行如下改进：生成器第一层卷积由原来的1个9x9卷积核变为4个3x3的卷积核；生成器的残差块的数量由16个变为24个；且残差块中去除了BN层；激活函数由原来的PReLU变为ReLU；生成器中残差块里的激活函数前的卷积核通道数由64变为96；判别器与现有的SRGAN中的判别器相比少了最后一层sigmod层。本发明提供的基于生成对抗网络的单幅图像超分辨率重建方法重建效果更好。

技术领域

本发明涉及图像超分辨率重建技术领域，更具体的说是涉及一种基于生成对抗网络的单幅图像超分辨率重建方法。

背景技术

单幅图像超分辨率技术即从一幅低分辨率图像(LR)，通过相应技术手段来获得其对应的高分辨率图像(HR)。其在医学图像领域、公共安全领域、遥感图像领域、工业图像领域、互联网领域等场景拥有广泛应用。

目前超分辨率技术主要有3类，即基于插值、重建和学习的方法。基于插值的方法如双三次插值法(Bicubic)，Bicubic是基于图像中像素的灰度值是连续变化的这种假设为前提，要插入的像素灰度值以相邻区域像素点的灰度值计算得出，但实际中Bicubic的这种假设在大多数情况下并不符合。基于重建，如迭代反向投影法、最大后验概率方法、凸集投影法。基于重建的方法特别依赖高分辨率图像的先验知识。输入的图像大小如果过小或者放大倍数过大，重建效果都会大打折扣。基于学习的方法，以学习高、低分辨率图片之间的联系，重建出高分辨率图片。相比其他类的方法有更大优势。

由于近几年，在诸多领域深度学习都取得了很好的成绩，愈来愈多在超分辨率重建方面的学者开始研究深度学习。于2014年，Dong等人提出了将CNN引入超分辨率处理的开山之作：Super-Resolutionusing Convolutional Neural Network，简称(超分辨率卷积神经网络)SRCNN。SRCNN超越了很多传统的方法，以3层的卷积来学习，重建效果相比传统方法有很大提高。之后，Dong等又发表了Accelerating the super-resolution convolutionalneural network(加速超分辨卷积神经网络)，文中将SRCNN的3层卷积加深至8层，在最后一层使用反卷积层，相较于SRCNN，其速度更快。2017年，Ledig等人将提出生成对抗网络(Generative AdversarialNetwork，GAN)用于超分辨率的重建，提出了基于生成对抗网络的超分辨率(Super-Resolution using a Generative Adversarial Network，SRGAN)图像重建。定义假高分辨率图像由生成器通过低分辨率图像学习获得，之后判别器辨别输入的高分辨率图像来源是生成器生成的假高分辨率图像还是数据库中的原图像。当判别器无法辨别真假，就可以使用这个GAN完成超分辨率重建。SRGAN重建出来的图片，在视觉效果上更逼真。

但是，目前的SRGAN存在在训练中不稳定，性能也不稳定的问题，并不能对所有的图像都具有较好的放大效果，从而导致重建效果并不尽人意。

因此，如何提供一种重建效果更好的基于生成对抗网络的单幅图像超分辨率重建方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于生成对抗网络的单幅图像超分辨率重建方法，重建效果更好。

为了实现上述目的，本发明采用如下技术方案：

一种基于生成对抗网络的单幅图像超分辨率重建方法，包括：

将图像输入到预先训练好的改进SRGAN网络中，得到超分辨率重建结果；其中，所述改进的SRGAN的网络结构在现有的SRGAN的网络结构的基础上进行如下改进：

(1)生成器第一层卷积由原来的1个9x9卷积核变为4个3x3的卷积核；