[发明专利]基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法

权利要求书

1.一种基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：盲图像超分辨率重建网络由三个子网络组成，即：核估计子网络KNet、Bicubic下采样图像空间对齐子网络BNet和图像重建子网络SRNet；通过将估计核信息输入到Bicubic下采样图像空间对齐子网络中，使盲低分辨率图像先映射到Bicubic下采样图像空间中，以获得Bicubic下采样LR图像，所述图像重建子网络SRNet采用非盲超分辨率重建网络；

将低分辨率图像I_LR输入到所述盲图像超分辨率重建网络，输出重建的高分辨率图像I_SR。

2.根据权利要求1所述的基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：所述盲图像超分辨率重建网络首先通过核估计子网络KNet精准地估测出模糊核的信息，然后Bicubic下采样图像空间对齐子网络BNet在模糊核的指导下将LR图像域映射到Bicubic下采样图像空间，最后图像重建子网络SRNet使用BNet生成的Bicubic下采样LR图像重建出高分辨率图像。

3.根据权利要求1所述的基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：使用ResNet作为核估计子网络KNet；所述Bicubic下采样图像空间对齐子网络BNet使用密集残差网络RRDB与空间特征转换SFT将不同降质过程产生的低分辨率图像映射为Bicubic下采样LR图像。

4.根据权利要求1所述的基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：所述核估计子网络KNet采用ResNet作为核估计网络，通过多个深度残差模块进行图像的特征抽取，多次运用跳跃将输入连接到网络输出：首先通过一个3×3的卷积层提取浅层特征，然后送入多个残差块中提取深层特征，同时利用跳跃连接加速模型的训练和提高模型的准确性，最后通过两个卷积层、平均池化以及Softmax将主体的输出特征图转换为模糊核矩阵。

5.根据权利要求1所述的基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：所述Bicubic下采样图像空间对齐子网络BNet由两个卷积层和两个RRDB-SFT组成；其中，第一层3×3的卷积用于提取LR图像的浅层特征，然后通过RRDB-SFT进一步利用浅层特征；SFT层除了接收上一层的浅层特征外，还将估计的模糊核K作为输入。

6.根据权利要求1所述的基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：所述图像重建子网络SRNet允许采用任意非盲超分辨率网络。

7.根据权利要求1所述的基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：所述盲图像超分辨率重建网络通过将不同降质过程产生的盲LR图像转换到Bicubic下采样图像空间域，然后利用训练好的图像重建子网络SRNet进行重建使得网络对模糊核估计所产生的误差具有一定的包容度，以重建出更加清晰的高分辨率图像。

8.根据权利要求1所述的基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，其特征在于：

所述超分辨率重建网络的训练过程分为三个阶段：

第一阶段对三个子网络进行预训练；其中，对核估计子网络KNet使用真实核进行监督来对输入的LR图像预测模糊核；所述Bicubic下采样图像空间对齐子网络BNet是一个有监督的网络，使用真实的LR图像、真实的模糊核和对应的Bicubic下采样LR图像进行训练；图像重建子网络SRNet也是一个有监督的网络，使用HR图像和对应的Bicubic下采样LR图像进行训练；

第二阶段使用核估计子网络KNet生成的估计核对Bicubic下采样图像空间对齐子网络BNet进行微调，并将LR映射为Bicubic下采样图像；

第三阶段使用估计的B图像微调SRNet网络，并获得最终的SR结果。