[发明专利]高质量轻量级超分辨率重建网络模型设计方法

说明书

本发明公开了一种高质量轻量级超分辨率重建网络模型设计方法，对获取的图像进行预处理，并对得到的输入图像进行底层细化特征提取；对所述输入图像进行多级复合特征的多种程度的特征提取；采用跳跃连接的方式对得到的底层细微特征和多级复合特征进行融合；基于超分辨率算法对融合得到的多尺度复合特征进行重构放大，得到超分辨率重建网络模型，在残差网络的基础上，提出了结合多尺度、多抽象度的卷积神经网络来实现特征提取，并对提取的各局部特征与全局特征进行融合，从而充分利用不同尺度、不同抽象程度特征信息进行超分辨率重构，能重建出更清晰纹理细节的图像。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种高质量轻量级超分辨率重建网络模型设计方法。

背景技术

图像超分辨率重建能针对输入的细节缺失低分辨率图像，重建输出细节更丰富、画质更清晰的高分辨率图像，它是图像处理和计算机视觉领域中的经典命题，在医学图像处理、卫星遥感影像、安防监控以及图像压缩传输等领域中都有着非常广泛的应用。但一幅低分辨率图像，有无数幅与其对应的高分辨率图像，故超分辨率重建是一个病态问题。为解决这个问题，研究人员提出了多种图像超分辨率重建算法，大体上可以分为两大类：一是基于传统的重建方法；二是基于深度学习的方法。

传统的超分辨率重建算法有插值法、迭代反投影法等，算法相对简单，效率较高，虽然在一定程度上提高了图像的分辨率，但是在图像纹理细节上由于无法准确预测对象的纹理结构信息远远达不到人们对图像质量的需求。

发明内容

本发明的目的在于提供一种高质量轻量级超分辨率重建网络模型设计方法，能重建出更清晰纹理细节的图像。

为实现上述目的，本发明提供了一种高质量轻量级超分辨率重建网络模型设计方法，包括以下步骤：

对获取的图像进行预处理，并对得到的输入图像进行底层细化特征提取；

对所述输入图像进行多级复合特征的多种程度的特征提取；

采用跳跃连接的方式对得到的底层细微特征和多级复合特征进行融合；

基于超分辨率算法对融合得到的多尺度复合特征进行重构放大，得到超分辨率重建网络模型。

其中，所述方法还包括：

获取多张RGB训练集图像，并对所述RGB训练集图像进行增强和裁剪处理，然后将处理后的所述RGB训练集图像输入所述超分辨率重建网络模型进行训练；

获取多张RGB验证集图像，并输入训练后的所述超分辨率重建网络模型进行验证。

其中，对所述输入图像进行多级复合特征的多种程度的特征提取，包括：

通过1ⅹ1的卷积对输入特征数量进行线性扩增；

对所得的特征图进行切分，并分别输入到不同路径进行特征提取，得到多级复合特征。

其中，采用跳跃连接的方式对得到的底层细微特征和多级复合特征进行融合，包括：

采用跳跃连接的方式，将得到的底层细微特征和多个多级复合特征进行求和；

对得到的和值进行卷积运算，得到多尺度复合特征。

其中，基于超分辨率算法对融合得到的多尺度复合特征进行重构放大，得到超分辨率重建网络模型，包括：

基于设定的上采样因子对得到的多尺度复合特征进行上采样运算；

使用尺寸为3X3的卷积核对上采样运算后的结果进行卷积运算，得到超分辨率重建网络模型。