[发明专利]基于增强的神经网络的图像复原方法、存储介质及系统

说明书

本发明公开了一种基于增强的神经网络的图像复原方法，所述方法包括以下步骤：S1、将待复原图像变换成不同缩放因子下的多个低分辨率图像；S2、将多个低分辨率图像分别输入至预先训练好的第一深度卷积神经网络，从而得到对应的不同缩放因子下的多个高分辨率图像；S3、将S2中的多个高分辨率图像分别变换为与待复原图像大小一样的图像，并将这些图像进行融合以得到复原后的图像。本发明还公开了相应的存储介质与图像复原系统。本发明可以防止网络在训练过程中退化并加快收敛速度。

技术领域

本发明涉及图像复原领域，尤其涉及一种基于增强的神经网络的图像复原方法、存储介质及系统。

背景技术

随着网络技术和通信技术的发展，图像处理应用在越来越广泛的领域，如：航空探索、天气预测、灾难救援以及视频娱乐等。但是拍摄设备在雾霾、雨天、雪天、暗光以及设备抖动等情况下拍照是受影响的。这类通过恢复得到原图像的问题，被称为图像复原问题。图像复原问题是经典的计算机视觉和模型识别问题。其中，图像超分辨和图像去噪是典型的和重要的图像复原问题，其目的是从低分辨率图像恢复得到高分辨率图像，这已经被应用于医学图像和人脸识别。近些年，稀疏方法、马尔科夫和非自适应性方法已经在图像复原上取得一些进步。然而，传统的方法在测试阶段需要优化，这严重地影响模型的效率，并且需要手动调参来找到最有效的特征。随着大数据和GPU(Graphic Processing Unit)的出现，基于深度学习的图像复原问题已经巨大的获得成功。现有的深度学习图像复原技术有VGG网络、更深网络VDSR(Very Deep Super Resolution)和DRCN(Deeply-RecursiveConvolution Network)、深度递归残差网络(DRRN,Deep Recursive Residual Network)等，以及残差网络和GAN(Generative Adversarial Networks)网络相结合的网络、稀疏方法和CNN相结合的网络等，这些网络在图像超分辨问题上可以取得良好的性能。然而，虽然以上方法已经在图像复原问题上取得一定效果，但随着网络越深，网络退化现象越来越严重，同时网络训练过程中收敛速度慢。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种防止深度网络在训练过程中退化且能够加快训练过程中收敛速度的基于增强的神经网络的图像复原方法，以及相关的存储介质和系统。

为解决以上技术问题，本发明所采用的技术方案如下：

根据本发明的第一方面，提供一种基于增强的神经网络的图像复原方法，所述方法包括以下步骤：

S1、将待复原图像变换成不同缩放因子下的多个低分辨率图像；

S2、将多个低分辨率图像分别输入至预先训练好的第一深度卷积神经网络，从而得到对应的不同缩放因子下的多个高分辨率图像；

S3、将S2中的多个高分辨率图像分别变换为与待复原图像大小一样的图像，并将这些图像进行融合以得到复原后的图像，

其中，第一深度卷积神经网络为三层以上的卷积神经网络，且第一深度卷积神经网络的至少一个的网络层在对其输入进行卷积之后，使用GN方法将卷积结果进行归一化再输入至激活函数，

其中GN方法依次包括如下步骤：

根据公式(1)和(2)来计算某一网络层中S_j(j＝1，2，……，m)像素区域的平均值μ_j与标准差δ_j：