[发明专利]用于图像超分辨率重构的递归密集残差网络

权利要求书

1.用于图像超分辨率重构的递归残差密集网络，其特征在于，包括如下步骤：

1)准备数据集：训练数据为291张包含了多个种类的不同RGB图像，经过不同的角度的旋转后人为扩展了训练数据集。以Sst5数据集作文训练时的验证数据集。对每一张图片进行格式转换，转换为Ycrcb图像，取Y通道图像，再将Y通道图像无缝裁剪成31*31大小的子图像。训练时，低分辨率图像由原子图像进行两次双三次插值获得，放大倍数包含了2倍,3倍,4倍。两次双三次插值的变换尺度相乘等于1。

2)递归密集残差网络的构建，具体的的网络结构见附图。其特征在于，以密集连接的卷积神经网络为单元，通过残差递归加深网络。其中每一个密集连接的卷积神经网络单元的层数，以及残差递归的次数可以视具体的实验效果进行调整。

3)超参数设置：基础学习率设为0.1；momentum值设为0.9；权值衰减参数设为：0.0001,；学习策略设为：“step”，其中gamma值设为0.6，stepsize值设为：80000；梯度剔除参数设为：0.01；最大迭代次数设为1600000；选择GPU加速。基于caffe框架对网络进行训练，利用1080T显卡加速。

2.利用训练好的网络模型进行重构，其特征在于，网络的输入为Ycrcb图像的Y通道子图像，大小固定为31*31。重构时，每次重构31*31大小的子图像，依次类推直至重构玩所有子图像，最后将所有重构后的子图像拼凑成重构后高分辨率图像。可以根据需要对重构后整个图像进行相应的图像格式转换。