[发明专利]一种单幅图像超分辨率重建方法及系统

说明书

本发明涉及一种单幅图像超分辨率重建方法及系统。该方法包括：利用所述低分辨率图像数据集对基于生成对抗网络的图像超分辨率重建模型的生成器进行改进；利用低分辨率图像数据集对改进后的基于生成对抗网络的图像超分辨率重建模型进行训练；利用训练后的重建模型对低分辨率图像进行高分辨率图像的重建；所述生成器的改进具体包括：利用一层卷积构建生成器的头部模块；在基本残差模块的每一层卷积之前增加一层反卷积层，构建增强残差模块；并根据多个增强残差模块和多层次残差特征融合构建生成器的骨干模块；利用重建模块将所述深层特征进行高分辨率图像的重建。本发明能够提高网络的表达性能，进而提高重建超分辨率图像的质量。

技术领域

本发明涉及信息技术领域，特别是涉及一种单幅图像超分辨率重建方法及系统，

背景技术

单幅图像超分辨率(Single Image Super-Resolution，SISR)重建是指采用图像处理和机器学习技术，从已有的低分辨率(Low-Resolution，LR)图像构建高分辨率(High-Resolution，HR)图像的技术，其目的是解决由于受到成像传感器或图像采集设备的限制，导致获得的图像存在模糊、分辨率较低的问题。因为高分辨率图像能够提供丰富的纹理细节信息，所以超分辨率图像重建具有应用和研究价值，如对医学图像超分辨率重建，通过复原出来的清晰的医学影像，医生能够进行更精准的病情诊断，对公共场合的监控设备采集到的视频进行超分辨率重建，可以帮助人们更容易的发现要识别的目标。除此之外，图像超分辨率(Super-Resolution，SR)重建技术也可以帮助提高其它计算机视觉任务的性能，比如图像分类，目标识别，语义分割等。

随着计算机硬件和软件技术的发展，深度学习技术已经广泛应用于单幅图像超分辨率重建，推动了SISR的发展。在单幅图像超分辨率重建公知的技术中，Dong等首次将卷积神经网络用于超分辨率重建问题中，提出了基于卷积神经网络的图像超分辨率(SRCNN)，实现了端到端的超分辨率重建；Kim等加深了网络深度以此扩大感受野，获得足够的细节信息，并引用残差学习提出一种基于卷积神经网络的图像超分辨率重建方法，此方法提高了图像重建的效果；Shi等提出了一种有效的亚像素卷积层来实现对图像的放大过程，由于直接在低分辨率图像上进行卷积操作，所以降低了计算复杂度；Kim等提出了基于递归网络的图像超分辨率重建方法，该网络引入了递归监督学习来降低模型参数；为了防止重建图像过度平滑，Ledig等通过生成对抗网络来进行图像超分辨率重建(SRGAN)，提出感知损失优化模型；应自炉等提出一种多尺度密集型残差网络的图像超分辨率重建算法，以解决当前主流算法中对于低分辨率图像中的细节信息利用不够充分的问题；王冬冬等为改善生成对抗网络重建图像的视觉效果，针对网络模型训练不稳定、收敛困难等因素，提出一种改进的生成对抗网络的图像超分辨率算法。

但是，上述技术，网络的表达性能有待提高。因此亟需一种单幅图像超分辨率重建方法或系统，提高网络的表达性能，进而提高重建超分辨率图像的质量。

发明内容

本发明的目的是提供一种单幅图像超分辨率重建方法及系统，能够提高网络的表达性能，进而提高重建超分辨率图像的质量。

为实现上述目的，本发明提供了如下方案：

一种单幅图像超分辨率重建方法，包括：

获取高分辨率图像数据集，并利用下采样的方式确定所述高分辨率图像数据集相对应的低分辨率图像数据集；

获取基于生成对抗网络的图像超分辨率重建模型；所述基于生成对抗网络的图像超分辨率重建模型包括：生成器和判别器；

利用所述低分辨率图像数据集对所述生成器进行改进；

利用改进的生成器和判别器确定改进后的基于生成对抗网络的图像超分辨率重建模型；

利用低分辨率图像数据集对改进后的基于生成对抗网络的图像超分辨率重建模型进行训练；