[发明专利]一种基于残差子图像的深度学习超分辨率重建方法

摘要

本发明公开一种基于残差子图像的深度学习超分辨率重建方法，有效结合残差子图像和基于卷积神经网络的深度学习方法，不仅使得超分辨率重建的图像更加清晰，同时也使得重建速度更快。首先通过加深卷积神经网络的深度，从而使得学习得到的网络模型具有更强的非线性表示能力和图像重建能力。同时，通过引入残差子图像的方法，移除了基于传统插值算法的预处理，避免了插值算法带来的模糊效应。本发明巧妙地利用残差子图像，可以将深度学习的卷积运算过程由高分辨率空间转移到低分辨率空间，从而在提升超分辨率的重建效果的基础上，同时也提高了超分辨率算法的重建效率。

主权项

一种基于残差子图像的深度学习超分辨率重建方法，其特征在于：其包括以下步骤：1)训练深度神经网络模型：1‑1)将高分辨图像y分解成s2个子图像ysub；1‑2)计算s2个残差子图像rsub，并与对应的低分辨率图像x形成的图像训练集；1‑3)通过图像训练集，采用基于卷积神经网络训练模型训练得到优化的网络模型参数w和b；2)利用训练完的深度神经网络模型将低分辨率待图像xtest重建成高分辨率图像ytest：2‑1)基于训练好的网络模型参数w和b，将低分辨率图像xtest输入卷积神经网络训练模型中，并计算获得对应的s2个残差子图像rtestsub；2‑2)利用残差子图像rtestsub，计算获得s2个子图像ytestsub，并变换各个子图像的空间位置，最终获得高分辨率图像ytest。