[发明专利]一种基于卷积神经网络的混合退化图像增强方法

权利要求书

1.一种基于卷积神经网络的混合退化图像增强方法，其特征在于，包括以下步骤：

步骤1，采集图像数据集，对图像数据集中的图像数据进行预处理，模拟混合退化图像，构建实验所需训练数据集；

步骤2，构建全卷积亚像素残差稠密网络，实现混合退化图像增强；

所述全卷积亚像素残差稠密网络包括依次连接的多个卷积层和多个卷积-残差稠密块，以及一个亚像素卷积层；

各个卷积-残差稠密块进行跨层连接，残差稠密块之前的卷积层用于对输入进行维度的调整，其中残差稠密块中包括l个卷积层，并允许在同一残差稠密块内的任何两个卷积层之间进行直接连接，每一层都从同一残差稠密块内的所有先前层读取信息，即堆叠前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接；

所述全卷积亚像素残差稠密网络的具体结构包括；

步骤2.1，全卷积亚像素残差稠密网络的输入为对比度和分辨率混合退化图像，即低对比度低分辨率图像，输出为经过增强得到的高分辨率高对比度图像；

步骤2.2，使用一个卷积层对输入的图像进行卷积运算，提取图像的浅层特征，得到特征图F₀后，通过残差网络中的跳跃连接，将F₀输入到网络的后端，用于全局残差学习；

步骤2.3，在第一个卷积层之后，是n个结构相同的卷积-残差稠密块Conv-RDB结构，在Conv-RDB之间，对各个Conv-RDB进行跨层连接，以充分利用输入图像的各级特征；其中残差稠密块的结构表示为：

X_l＝M_l([X₀,X₁……X_l-1]) (1)

其中，[X₀,X₁……X_l-1]表示将第0层到第l-1层的输出特征图做通道连接，M_l表示对[X₀,X₁……X_l-1]进行的卷积和激活处理操作；

步骤2.4，最后一个Conv-RDB输出的特征图，经一个特定卷积层卷积后，通过残差结构与F₀连接，进行全局残差学习，这里的特定卷积层必须与网络前端的第一个卷积层具有相同的卷积核数量，另外，输出特征图数量必须是目标放大图像倍数的二次方的整数倍；即：

n_f|(r*r) (2)

其中“|”为整除符号，“a|b”表示a可以被b整除；n_f表示特征图的数量，r表示目标放大图像倍数；

步骤2.5，经过全局残差学习之后，特征图经亚像素卷积层进行上采样，将特征图尺寸放大到目标尺寸，最后经过卷积核数量为3的卷积层，将特征图输出为R、G、B三通道的彩色增强图像；

步骤2.6，采用平均绝对误差MAE损失，也叫作L1损失，作为损失函数；

步骤3，利用步骤1中的训练数据集对步骤2中构建的全卷积亚像素残差稠密网络进行训练，获得训练好的网络模型；

步骤4，利用训练好的网络模型对待处理图像进行增强，得到增强后的图像。