[发明专利]一种基于密集连接网络的图像超分辨率方法

摘要

本发明公开一种基于密集连接网络的图像超分辨率方法，通过加大卷积神经网络的深度，在深度网络中引入大量的跳跃式连接，有效解决深度网络反向传播时的梯度消失问题，优化了信息在网络上的流动，提升了卷积神经网络的超分辨率重建能力。同时，本发明也有效结合了底层特征和高层抽象特征，减少模型参数，压缩了深度网络模型，从而提高了图像超分辨率的重建效率。此外，通过引入深度监督技术，在网络的不同深度都能重建超分辨率图像，不仅优化了深度网络的训练，并且在测试时可以根据测试端的计算能力选择适当的网络深度重建高清图像。最后，本发明利用了多个放大倍数的图像集进行训练，获得的模型可以在多个尺度上进行图像超分辨率，而不用针对每一个放大倍数训练不同的模型。

主权项

一种基于密集连接网络的图像超分辨率方法，其特征在于：其包括以下步骤：a)根据不同的插值放大倍数，生成多尺度的图像训练集(ILR，IHR)；b)构建密集网络模块：所述密集网络模块包括沿网络传输方向依次设置的n层网络结构，n为大于1的整数，每层网络结构均包括一个卷积层和一个激活层，且上一层网络结构卷积得到的特征叠加至后续每一层网络结构中，每层网络结构的卷积层的特征表示为：Xn＝Hn([X0,X1,…,Xn‑1])   (1)其中Xn为第n层网络结构的卷积层的特征，[X0,X1,...,Xn‑1]为第1层到第n‑1层网络结构的卷积层的特征集合；c)搭建卷积神经网络模型，所述卷积神经网络模型包括沿传输方向依次设置的一个输入卷积层和激活层，以及L个密集网络模块；每个密集网络模块后面分别接入一个卷积层作为重建网络；d)选用图像训练集(ILR，IHR)作为训练集，输入低分辨率图像ILR和高分辨率图像IHR，则每个密集网络模块的重建网络的重建图像分别与卷积神经网络模型的输入图像比较得到卷积神经网络的若干个损失函数，具体表示为：minw,bΣi=1L||IHR-fi(w,b,ILR)||2---(2)]]>其中，fi(w,b,ILR)为第i个重建网络的预测结果，w和b分别为神经网络中的卷积模板参数和偏置参数；e)利用Adam优化算法，迭代求解得到卷积神经网络模型参数w和b；形成低分辨率图像与高分辨率图像之间网络映射；f)利用训练得到的卷积神经网络模型参数w和b，将输入的低分辨率图像重建成高分辨率图像，并计算相应的量化指标PSNR和SSIM。