[发明专利]一种基于改进深度学习的智能相机图像盲超分辨率系统

摘要

本发明公开了一种基于改进深度学习的智能相机图像盲超分辨率系统，包括步骤一统计测试出拍照中常见的模糊核；步骤二建立训练数据库，然后对该数据库进行相应模糊降质，进行典型的几类下采样，构建清晰降质图像对；步骤三将模糊核与低分辨率图像块一起作为输入，而将高分辨率块作为输出，对网络进行训练。步骤四将神经网络模型网络导入智能相机拍照系统中，作为事先已知的模型数据；步骤五用户拍照前以及拍照后，开启图像盲超分辨率功能后，会对拍摄得到的照片，利用上述的恢复模型进行自动恢复。通过本发明的方法，可以在不增加硬件成本的条件下，很好地提升智能相机拍摄照片的分辨率。

主权项

一种基于改进深度学习的智能相机图像盲超分辨率系统，其特征在于包括以下步骤：步骤一：统计测试出拍照中常见的模糊核；步骤二：建立训练数据库，然后对该数据库进行相应模糊降质，进行典型的几类下采样，构建清晰降质图像对；步骤三：将模糊核与低分辨率图像块一起作为输入，而将高分辨率块作为输出，对网络进行训练；但是由于卷积神经网络模型的特殊结构，这样并不易实现；传统的SRCNN主要公式如下：F1(l)＝ReLU(W1*↑b l+B1)F2(l)＝ReLU(W2*F1(l)+B2)h^=W3*F2(l)+B3]]>其中，l为低分辨率图像，为输出高分辨率图像，Wi,i＝1,2,3为卷积权重，Bi,i＝1,2,3为偏移权重，Fi,i＝1,2为高维特征映射，ReLU为激活函数，定义为ReLU(x)＝max(0,x)，*表示卷积操作，↑b表示双三次插值操作；在改进的深度学习中，将第一个原始卷积层用一个参数化的卷积代替；原本的常数卷积权重W1被替换为一个非线性的函数W1(k，θ)；这使得滤波权重依靠一个附加的模糊核输入，进而能够处理不同模糊；这个非线性函数自身通过额外的、全连接的神经网络实现；因此，第一个映射表示为：F1(l)＝ReLU(W1(κ，θ)*↑b l+B1)步骤四：将步骤三得到的神经网络模型网络导入智能相机拍照系统中，作为事先已知的模型数据；步骤五：用户拍照前以及拍照后，均可以选择是否开启图像盲超分辨率功能，并且选择相应的放大倍数；开启后，会对拍摄得到的照片，利用上述的恢复模型进行自动恢复。