[发明专利]基于深度度量学习的图像超分辨方法

摘要

本发明公开了一种基于深度度量学习的图像超分辨方法，解决了特征提取的不准确及固定的邻域大小的问题。主要步骤为对训练样例图像分块并训练一个深度度量神经网络模型；将低分辩率训练样例送入训练好的神经网络得到低分辩图像的特征库；将输入的低分辩图像分块送入神经网络得到其特征；利用稀疏多流形嵌入的方法在低分辩图像的特征库中寻找近邻，计算编码系数，将编码系数与对应高分辨率图像块相乘，得到高分辨率图像块，拼接高分辨率图像块完成图像超分辨重构。本发明采用深度度量神经网络学习特征，近邻选取的比较准确，并自适应的选择邻域大小，有效提高了重构图像质量并改善细节信息，适用于各种自然图像的超分辨率重构。

主权项

一种基于深度度量学习的图像超分辨重构方法，其特征在于，包括有如下步骤：步骤1：将训练样本中的低分辨率图像和高分辨图像分割成对应的图像块，选取每个高分辨率训练图像块的前K个近邻作为相似样本对，构建深度度量网络的输入数据X＝{(xi,xj,lij)}；步骤2：将输入数据X＝{(xi,xj,lij)}按照神经网络训练的方法训练一个深度度量神经网络模型；步骤3：将训练样本库中的每一个低分辨样本，经过深度度量网络，得到一个新的非线性特征；步骤4：将输入的低分辨图像分割成图像块，并将每一个图像块经过深度度量神经网络中得到一个新的特征；步骤5：对于每一个图像块的特征，用稀疏多流形嵌入的方法在低分辨率训练样例库中去寻找近邻，得到编码系数，将编码系数与对应高分辨率图像块相乘，得到高分辨率图像块集步骤6：将高分辨率图像块集中的所有高分辨率图像输出小块按顺序放到待重构的高分辨率图像的对应位置上，得到最终的高分辨率图像X*。