[发明专利]一种图像超分辨率重构方法

摘要

一种图像超分辨率重构方法，包括如下步骤:制作学习样本集;学习训练:采用卷积神经网络的单帧模型作为循环网络模块,构造包括N+1个循环网络模块的循环神经网络方式的超分辨率映射模型,训练中,将单幅最低分辨率图片输入超分辨率映射模型中的每一个循环网络模块进行单次训练；更换低分辨率图片反复进行上述单次训练;多次进行单次训练中;重构:将需要重构的低分辨率图片输入完成训练的超分辨率映射模型,得到高分辨率图片。本发明通过在性能指标中增加有关模糊图像的输出误差项，来引导模型同时学习图像的低频与高频信息，可以使图像超分辨率重建结果兼顾可靠性与细节;同时循环网络形式的超分辨率映射模型，也可以极大地节省存储空间。

主权项

1.一种图像超分辨率重构方法，其特征在于,包括如下步骤:制作学习样本集:将大量像素大小相同的高分辨率原图A₁, A₂,…A_M分别经N次平滑，生成不同模糊程度的原尺寸图像{( A₁₀ A₁₁ A₁₂ … A_1N), (A₂₀ A₂₁ A₂₂ … A_2N)…(A_M0 A_M1 A_M2 … A_MN)}，下标0,1,2…N表示平滑操作的次数，数值越大，图像越模糊，下标为0的对应为原图;下标1,2,…M表示不同的高分辨率原图，M为样本集的图片数量;每张原图生成的不同模糊度图像( A₁₀ A₁₁ A₁₂ … A_1N), (A₂₀ A₂₁ A₂₂ … A_2N)…(A_M0 A_M1 A_M2 … A_MN)组成各个原始图像的标签图像组，同时,将原图缩小像素尺寸后形成的低分辨率图B_i(i=1,2,…M)与对应标签图像组构成一个训练样本；学习训练: 采用卷积神经网络的单帧模型作为循环网络模块,构造包括N+1个循环网络模块的循环神经网络方式的超分辨率映射模型, 顺序连接的各个循环网络模块输出与原图分辨率相同但模糊程度不同的图像;以低分辨率图片B₁, B₂…B_M分别进行单次训练;训练中,将单幅最低分辨率图片输入超分辨率映射模型中的每一个循环网络模块进行单次训练, 训练过程中每一循环网络模块输出与原图尺寸相同,模糊程度从高到低的图像，并依次与对应标签图像组A_iN, A_iN‑1…A_i1比较计算误差；调整循环网络模块的参数使误差最小;更换低分辨率图片B₁, B₂…B_M反复进行上述单次训练;多次进行单次训练中,对循环网络模块的参数调整原则为:使已经进行的所有单次训练的误差和最小;重构:将需要重构的低分辨率图片输入完成训练的超分辨率映射模型,得到高分辨率图片。