[发明专利]一种基于重建优化和深度神经网络的超分辨率实现方法

摘要

本发明公开了一种基于重建优化和深度神经网络的超分辨率实现方法。该方法的具体步骤如下：(1)通过降采样方法，建立高分辨率图像与下采样图像之间的关系；通过最小二乘法建立目标函数：(2)利用共轭梯度下降算法对目标函数进行迭代优化，得到一张基于重建优化算法的高分辨率图像；(3)建立并训练完成一个三层全卷积神经网络；(4)将步骤(2)得到的高分辨率图像输入三层全卷积神经网络中，进一步提高图像的分辨率。利用本发明方法无论是在主观评测还是客观图像质量评价方面，都能取得很好的成果。

主权项

一种基于重建优化和深度神经网络的超分辨率实现方法，其特征在于，包括如下步骤：步骤1，通过降采样方法，建立高分辨率图像与下采样图像之间的关系；[Y1,Y2,....,Ys2]T=[D1,D2,....,Ds2]T·X]]>其中X代表高分辨率图像，表示下采样矩阵，表示经过下采样之后的低分辨率图像，s代表放大系数并且s＝4，s2表示重建所需要的图像数量；将多张低分辨率图像作为已知量，通过最小二乘法建立目标函数并引入一个辅助求解的变量Q：J=12s2Σi=1s2||Di·X-Yi||2+θ||▿X-Q||22+β||Q||1]]>其中，β是正则化项的权重系数，θ是辅助项的权重系数；步骤2，将目标函数中的Q值初始值设置为0，只迭代收敛目标函数中的X变量，目标函数写成：J=12s2Σi=1s2||Di·X-Yi||2+θ||▿X-Q||22]]>利用共轭梯度算法对目标函数进行收敛，直至找到目前最优的X值；步骤3，将目标函数中的X值取步骤2优化后的值，然后只优化目标函数中Q值的大小，目标函数变为：J=θ||▿X-Q||22+β||Q||1]]>通过特征收敛Lasso回归模型，得到目前最优的Q值，然后作为步骤2目标函数中Q值的取值；步骤4，反复执行步骤2和步骤3，迭代优化目标函数中的X值和Q值，直到得到的X值趋于收敛时，停止迭代，此时的X值即为基于重建算法的最优重建结果，得到一张基于重建优化算法的高分辨率图像；步骤5，建立一个三层全卷积神经网络，第一层网络作用于输入图像，第二层网络包括两层卷积层，这两层卷积层都有128个特征，卷积核分别为9×9和5×5；每一层卷积层后都采用修正线性单元加入非线性映射，并使用自适应矩估计优化器对训练过程进行优化；最后一层网络用于图像的重建，利用卷积层提取出的高阶特征，将图像从低阶空间域映射到高阶空间域中；步骤6，从图像库中选择N张自然图像，对每张图像进行下采样产生s2张相互具有亚像素偏移的低分辨率图像；选取步长为l像素，将低分辨率图像和高分辨率图像分别都裁剪成k×k的图像块，得到M对高分辨率图像对；利用这些图像对，对步骤5的网络参数进行训练；步骤7，训练完成之后，将步骤4得到的高分辨率图像作为网络输入，通过所述三层全卷积神经网络的处理，输出一张最终重建得到的超分辨图像。