[发明专利]一种基于学习退化信息的图像盲超分辨率方法

权利要求书

1.一种基于学习退化信息的图像盲超分辨率方法，其特征在于，具体步骤如下：

步骤S1：制备训练集；

步骤S2：训练无监督退化表示网络，无监督退化表示网络为有监督全局上下文信息注意超分网络提供用于辅助的退化信息；

步骤S3：通过步骤S2中的退化信息进行整体网络的训练；

步骤S4：取损失函数值并确定的网络模型；

步骤S5：将测试数据集输入步骤S4中确定的网络模型，得到超分结果。

2.根据权利要求1所述的一种基于学习退化信息的图像盲超分辨率方法，其特征在于：步骤S1具体步骤如下：

步骤S11：选取DIV2K数据集和Flickr2K数据集中的图像组合成DF2K_HR数据集并进行编号；

步骤S12：对DF2K_HR数据集中的图像通过双三次插值操作下采样，得到DF2Kx4_Bicubic数据集，并对DF2Kx4_Bicubic数据集中的图像进行编号；

步骤S13：对DF2Kx4_Bicubic数据集中图像加各向同性高斯模糊得到低分辨率模糊数据集，记为DF2Kx4_GTBlur数据集，并对DF2Kx4_GTBlur数据集中的图像进行编号；

步骤S14：对DF2Kx4_Bicubic数据集中图像加各向异性高斯模糊得到低分辨率模糊数据集，记为DF2Kx4_GYBlur数据集，并对DF2Kx4_GYBlur数据集中的图像进行编号；

步骤S15：对DF2Kx4_GYBlur数据集加入高斯噪声得到低分辨率噪声模糊数据集，记为DF2Kx4_BN数据集，并对DF2Kx4_BN数据集中的图像进行编号；

步骤S16：将DF2K_HR数据集和DF2Kx4_GYBlur数据集中的图像按照编号顺序组成图像对，由图像对组成的数据集作为合成自然图像实验的训练集，将数据集DF2K_HR和DF2Kx4_BN中的图像按对应编号顺序组成图像对，作为真实自然图像实验的训练集；

步骤S17：随机选取设定数量的低分辨率数据集的图像并在每张图像中裁剪出设定数量和尺寸的图像块，

具体的：

当进行合成自然图像实验时，选取来自DF2Kx4_GTBlur数据集的图像并切块，得到的图像块记为

当进行真实自然图像的实验时，选取来自DF2Kx4_BN数据集的图像并切块，得到的图像块记为

3.根据权利要求2所述的一种基于学习退化信息的图像盲超分辨率方法，其特征在于：步骤S2具体步骤如下：

步骤S21：将低分辨率的图像块输入无监督退化表示网络中，

当进行合成自然图像实验时，将图像块输入到无监督退化表示网络；

当进行真实自然图像的实验时，将图像块输入到无监督退化表示网络；

步骤S22：开始训练，设定无监督退化表示网络的循环训练次数参数，循环训练次数参数初始值为零；

步骤S23：依次经过卷积结构和全局平均池化层得到退化表示；

步骤S24：计算合成图像实验的合成对比损失，进行设定次数的循环训练，直至合成对比损失达到收敛要求，停止训练；否则将合成对比损失值反向传播，通过ADAM优化算法重新更新参数，再一次进入步骤S22和步骤S23，循环重复训练；

计算真实图像实验的真实对比损失，进行设定次数的循环训练，直至真实对比损失达到收敛要求，停止训练；否则将真实对比损失值反向传播，通过ADAM优化算法重新更新参数，再一次进入步骤S22和步骤S23，循环重复训练。