[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

说明书

本发明提出一种基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，所提供的超分辨率重建网络由三个子网络组成，即核估计子网络、Bicubic下采样图像空间对齐子网络和图像重建子网络。传统的盲图像超分辨率重建网络一般包含两个子网络：核估计子网络和图像重建子网络。这类方法通过核估计子网络获得模糊核的估计，然后直接把模糊核信息输入到图像重建子网络中，使得模糊核的估计误差直接传递到图像重建过程中，影响了重建图像的质量。而本发明则是把估计核信息输入到Bicubic下采样图像空间对齐子网络中，让低分辨率图像先映射到Bicubic下采样图像空间中，获得Bicubic下采样LR图像，因此图像重建子网络可以采用任意传非盲超分辨率重建网络。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法。

背景技术

单图像超分辨率(SISR)是计算机视觉中的一个基本问题，是指从低分辨率(LR)观测图像来构造出高分辨率(HR)图像的分辨率增强技术。近年来，随着深度学习的快速发展，卷积神经网络(CNN)表现出强大的学习能力，通过CNN来解决SR问题已经成为当下最流行的方法。盲SR(blind super-resolution)涉及到求解模糊核和利用模糊核重建SR图像。过去的许多研究方法通常将其分解为两个连续的步骤，每一个步骤都是一个独立的研究任务。因此，可能会因为模糊核信息估计不准确导致SR模型性能不佳。为了解决这类问题，研究者提出了单阶段盲SR。通过将核估计融入到SR重建网络中，以获得更强的重建性能。Gu等人提出了一种迭代核校正(IKC)方法，用于针对模糊核未知的模糊核估计。该方法通过纠正不准确的模糊核来解决内核不匹配可能会带来的规则伪影问题(过度锐化或过度平滑)。所估计的核被用于其空间特征变换(SFT)层，该层结合退化信息和LR输入。Luo等人在单一模型中使用交替优化算法来估计模糊核并恢复SR图像。该模型使用展开的端到端可训练模型来预测模糊核和SR图像。在该模型中，一系列还原器和估计器模块交替堆叠，每个模块根据前一模块的输出还原SR图像或估计模糊核。Zheng等人在USRNet的基础上提出了UDKE，通过HQ分解将基于显式核估计的单阶段盲SR目标函数分解为两个子问题，并按照交替方向乘子法(ADMM)迭代优化的方式设计核估计子网络和盲SR重建子网络，取得了比IKC和DAN更好的重建效果。因此，解决模糊核信息估计不准确的问题在盲图像超分领域是一个热点话题也是一个重要的研究方向。

发明内容

本发明的目的在于提供一种基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，有利于重建出更加清晰的高分辨率图像。

所提供的超分辨率重建网络由三个子网络组成，即核估计子网络、Bicubic下采样图像空间对齐子网络和图像重建子网络。传统的盲图像超分辨率重建网络一般包含两个子网络：核估计子网络和图像重建子网络。这类方法通过核估计子网络获得模糊核的估计，并直接把模糊核信息输入到图像重建子网络中，使得模糊核的估计误差直接传递到图像重建过程中，影响了重建图像的质量。而本发明则是把估计核信息输入到Bicubic下采样图像空间对齐子网络中，让低分辨率图像先映射到Bicubic下采样图像空间中，获得Bicubic下采样LR图像，因此图像重建子网络可以采用任意传非盲超分辨率重建网络。大量实验结果表明，本发明的盲图像超分辨率网络在重建图像质量上获得了较大的提升。

本发明具体采用以下技术方案：

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，以获得低分辨率的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。