[发明专利]基于残差稠密CNN和边缘增强的改进图像超分辨率算法

说明书

本专利发明公开了一种基于残差稠密卷积神经网络和边缘增强的改进图像超分辨率重建方法，在算法模型中，首先将图片分为色度通道和亮度通道。对于色度通道，使用双三次插值法放大图片后，使用引导滤波来使边缘锐化，增强边缘特征。为了增强模型深度，更好的提升模型的表现能力，对于色度通道，使用提出的残差稠密卷积神经网络，它堆叠了两个残差稠密块，用来更好的提取色度通道的边缘特征和细节信息。此方法可以有效地维持了高频细节，并提供了比其他方法更好的结果。在不同的图像数据集上评估了这本专利提出算法的性能，并与其他方法进行了比较，得出的实验结果也证明了提出的方法更优。

技术领域

本发明涉及一种在数字图像处理领域，特别是图像超分辨率重建方法的研究与实现。

背景技术

随着智能手机和互联网的发展，图像已经成为人们日常生活中重要的信息载体。图像是客观世界的记录和表达，图像的分辨率直接反映了图像的清晰度，衡量着图像信息量的大小。单图像超分辨率技术(SISR)，具有广阔的应用前景，可应用于多种领域，如视频监控，目标识别，医学图像分析等领域。

单图像超分辨率(SISR)是指从低分辨率(LR)输入图像中估计出高分辨率(HR)图像的一种病态问题，SISR问题已经得到了计算机视觉和图像处理社区的大量关注。

SISR问题是一个具有巨大挑战的不适定问题，因为总有许多HR图像可以下采样到相同的LR图像中。为了解决这一问题，人们提出了许多方法，大致可以分为三类:基于插值的方法、基于重构的方法和基于学习的方法。由于基于插值和重构的方法在高倍率条件下性能较差，目前的研究主要集中在基于实例的方法，学习低分辨率和高分辨率图像之间的非线性映射。

随着深度学习技术的快速发展和成功应用，许多基于深度卷积神经网络(CNN)的新的SISR方法被提出并取得了很大的成功。自从先驱工作SRCNN利用三层CNN来解决SISR问题以来，许多方法都提出了基于CNN模型来实现超分辨率。Kim等人提出了VDSR，将网络深度增加到20，比SRCNN有明显的改善，说明生成的图像质量与模型的深度和规模密切相关。Mao等人设计了一种具有对称跳跃连接的30层卷积自编码器，用于SISR和图像去噪。为了降低模型复杂度和降低训练难度，DRCN采用递归监督和跳过连接。

总的来说，使用超分辨率重构技术可以在不更换硬件设备的低成本前提下，有效提升图像的分辨率、画面清晰度。随着该技术的发展，应用领域也逐渐扩增，发展前景越来越广阔。超分辨率重构技术在今后的科技发展中意义深远。因此对此项技术进行更深入的研究就显得尤为重要

发明内容

本发明的目的是克服现有方法的不足，提供一种基于残差稠密CNN和边缘增强的改进图像超分辨率算法。

具体步骤为：

第一步：一种基于残差稠密卷积神经网络和边缘增强的改进图像超分辨率重建方法，其特征在于，包括以下步骤：

(1)针对深度学习的超分辨率重建方法的研究，基于卷积神经网络(CNN,Convolutional Neural Networks)算法，提出了一种新的超分辨率算法：基于残差稠密卷积神经网络和边缘增强的改进图像超分辨率重建方法(RECNN,Residual-dense Edge-enhancement Convolutional Neural Networks)。

(2)RECNN体系结构主要由3层组成。进行包括如下步骤的处理：

一个低分辨率原始图像先转换至YUV通道。通过使用YUV通道，将输入图像分解成亮度通道(Y通道)和色度通道(U通道和V通道)。

第一层：首先对U通道分解出来的图像进行双三次插值法放大，然后对放大后的U通道图像使用引导滤波，进行边缘增强。得到边缘增强后放大的图像。

第二层：对V通道分解出的图像使用如第一层相同的方法，得到边缘增强后放大的图像。