[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在审

专利信息
申请号: 202110211156.4 申请日: 2021-02-25
公开(公告)号: CN112927134A 公开(公告)日: 2021-06-08
发明(设计)人: 刘晶;薛雨馨;何帅 申请(专利权)人: 西安理工大学
主分类号: G06T3/40 分类号: G06T3/40;G06K9/62;G06N3/04;G06N3/08
代理公司: 西安弘理专利事务所 61214 代理人: 曾庆喜
地址: 710048 陕*** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 单幅 图像 尺度 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Fcs

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Fss

步骤3.4,将步骤3.2得到的跨尺度映射特征图Fcs和步骤3.3得到的单一尺度映射特征图Fss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Fms,定义如公式(1)所示;

Fms=Hms([Fss,Fcs]) (1);

其中,[Fss,Fcs]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,Hms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Fms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Fms与F1相加得到全局特征图Fgf,再通过一层3×3的卷积核对全局特征Fgf进行特征提取,得到超分辨率图像SR,定义如公式(2)所示;

SR=Hgf([Fms+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。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安理工大学,未经西安理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110211156.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top