[发明专利]一种图像超分辨率重建网络结构及图像重建效果分析方法

说明书

本发明涉及一种图像超分辨率重建网络结构及图像重建效果分析方法，所述网络结构由应用了改进残差块的特征提取部分和应用了加强上采样模块的上采样部分组成，在减少残差块参数量的同时充分利用了图像的多尺度信息，所述加强上采样模块由四个残差块组成，提高了网络的表示能力；同时以出一种图像重建效果分析，该分析方法表明，上述网络结构在参数量更小的同时重建结果较对比实验中其他残差网络模型有更好的视觉效果、更高的峰值信噪比(PSNR)和结构相似度（SSIM）。

技术领域：

本发明属于图像处理领域，尤其涉及一种图像超分辨率重建网络结构及图像重建效果分析方法。

背景技术：

单幅图像超分辨率重建是从单幅低分辨率图像中恢复高分辨率图像的计算机视觉处理基本问题。图像超分辨率重建技术在人脸识别、医学影像处理、卫星遥感成像等方面有广泛应用。一幅低分辨率图像对应着无数个高分辨率图像，因此图像超分辨率重建是个不适定问题。针对这一问题，人们提出了各种基于信号处理的传统超分辨率方法，比如利用低分辨率图像内部信息的方法和利用低分辨率图像与高分辨率图像对的外部信息的方法。近些年，深度卷积神经网络极大地促进了这一领域的进步。Dong等人首先提出了超分辨率卷积神经网络(SRCNN)，用三层卷积神经网络建立低分辨率图像与高分辨率图像之间的映射。Shi等人提出了高效亚像素卷积神经网络(ESPCN)，在低分辨率图像上进行卷积，通过亚像素卷积将特征图重新排列得到高分辨率图像。Kim等人提出了深度卷积神经网络(VDSR)，引入残差学习和自适应梯度裁剪来降低训练深层网络的难度。在深度递归卷积神经网络(DRCN)中，采用了递归网络来减少模型参数，并采用多监督策略来融合中间结果。Lim等人提出加强深度残差网络(EDSR)通过跳跃连接来减轻梯度消失问题，用残差块搭建出了超过160层的多尺度深度卷积神经网络(MDSR)。然而用加深和加宽网络的方法来取得更好的超分辨率重建效果，但即使用3×3的小卷积核，网络也会占用很大内存。

发明内容：

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。为此，本发明的一个目的在于提供一种图像超分辨率重建网络结构及图像重建效果分析方法，其特征在于：所述网络结构包含特征提取部分和上采样部分，滤波器数量为64，首先从原始低分辨率输入图像提取特征图的卷积过程表示如下：

M₀＝W_fe1*I_LR+b_fe1

式中：W_fe1表示一组数量为64，大小为3×3的滤波器，*表示卷积操作，I_LR表示输入网络的低分辨率图像，b_fe1表示偏移项，M₀表示卷积运算后得到的特征图，所述特征提取部分包含m个改进残差块，第i个残差块的输出表示为：

M_i＝F_i(M_i-1)

式中：i＝1,…,m，F_i表示第i个改进残差块函数，M_i表示第i个改进残差块输出的特征图，所述上采样部分通过加强上采样模块(EUM)和卷积得到网络的输出，表示如下：

I_SR＝W_up*F_up(W_fe2*M_m+b_fe2+M₀)+b_up

式中：W_fe2和W_up分别表示大小为1×1和3×3的滤波器，b_fe2、b_up表示偏移项，F_up表示上采样模块函数，I_SR表示网络输出的高分辨图像。