[发明专利]一种基于深度学习的单幅图像多尺度超分辨重建方法

权利要求书

1.一种基于深度学习的单幅图像多尺度超分辨重建方法，其特征在于，具体包括如下步骤：

步骤1，制作测试图像的训练数据集；

步骤2，对步骤1中制作出的训练数据集中的每一张图像进行下采样处理，得到低分辨率图像；

步骤3，将步骤2中得到的低分辨率图像输入到图像超分辨重建网络中进行处理，得到超分辨率图像SR；

步骤4，将步骤3得到的超分辨率图像SR与步骤1训练数据集中的图像做逐像素损失，通过迭代最小化损失函数，经过若干次迭代训练后，获取最优的图像超分辨重建网络结构参数。

步骤5，设定图像超分辨重建网络的超参数，将需要进行超分辨率重建的测试图像输入到步骤4训练后的图像超分辨重建网络结构中，获得边缘清晰的高分辨率图像。

2.根据权利要求1所述的一种基于深度学习的单幅图像多尺度超分辨重建方法，其特征在于，所述步骤1的具体过程为：取单幅测试图像，对单幅测试图像进行旋转、平移、翻转后，获得增广数据集，该增广数据集即为制作出的训练数据集。

3.根据权利要求2所述的一种基于深度学习的单幅图像多尺度超分辨重建方法，其特征在于，所述步骤3的具体过程为：

步骤3.1，构建图像超分辨重建网络，该网络包括：单一尺度特征映射模块、跨尺度特征映射模块、多尺度特征融合模块、全局特征提取模块四个部分；

步骤3.2，将步骤2中获得的低分辨率图像输入到跨尺度特征映射模块中，通过跨尺度特征映射模块对低分辨率图像进行处理，得到跨尺度映射特征图F_cs；

步骤3.3，单一尺度特征映射模块中包括插值放大处理以及8层带有ReLU激活函数的卷积操作，插值放大处理是将步骤2所得的低分辨率图像插值放大为自身大小的n倍，记作F₁，随后的卷积操作直接在F₁的基础上进行特征提取，得到单一尺度映射特征图F_ss；

步骤3.4，将步骤3.2得到的跨尺度映射特征图F_cs和步骤3.3得到的单一尺度映射特征图F_ss输入到多尺度特征融合模块中进行特征融合，得到多尺度特征图F_ms，定义如公式(1)所示；

F_ms＝H_ms([F_ss，F_cs]) (1)；

其中，[F_ss，F_cs]表示单一尺度特映射模块得到的特征图和跨尺度特征映射模块得到的特征图的级联操作，H_ms代表卷积核大小分别为1×1和3×3的卷积操作，1×1的卷积操作负责降维，3×3的卷积操作负责特征提取；

步骤3.5，将步骤3.4得到的多尺度特征图F_ms与步骤3.3中插值放大得到的特征图F₁输入到全局特征提取模块中，将F_ms与F₁相加得到全局特征图F_gf，再通过一层3×3的卷积核对全局特征F_gf进行特征提取，得到超分辨率图像SR，定义如公式(2)所示；

SR＝H_gf([F_ms+F₁]) (2)。

4.根据权利要求3所述的一种基于深度学习的单幅图像多尺度超分辨重建方法，其特征在于，所述步骤3.2中，跨尺度映射模块使用卷积核大小为3×3的卷积层和ReLU激活函数，每层卷积使用64个卷积核得到64通道的特征图。

5.根据权利要求3所述的一种基于深度学习的单幅图像多尺度超分辨重建方法，其特征在于，所述步骤3.3中的单一度映射模块使用卷积核大小为3×3的卷积层和ReLU激活函数，每层卷积使用64个卷积核得到64通道的特征图。