[发明专利]小波域中基于集团结构子带共同学习超分辨率网络的方法

权利要求书

1.一种小波域中基于集团结构子带共同学习超分辨率网络的方法，通过构建新型超分辨率网络SRCliqueNet，包括：特征提取网络FEN和图像恢复网络IRN，实现单张图片的超分辨率恢复；包括如下步骤：

1)输入低分辨率图像，低分辨率图像记作I^LR；

2)构建特征提取网络，通过特征提取网络将输入的低分辨率图像表示为一组特征映射；具体执行如下操作：

21)特征提取网络包括第一卷积层、第二卷积层和由n个残差集团块组合成的集团块组；通过第一卷积层增加输入通道的数量；并可通过跳跃连接将第一卷积层的输出添加到集团块组的输出处；

22)将第一卷积层的输出记为F₁∈R^nlg×h×w，其中n是集团块组中包含的集团块的总数量，l是每个集团块中的层数，g是每个集团块的增长率；h和w分别是输入图像的高度和宽度；

23)通过第二卷积层改变通道的数量，使得第二卷积层的输出和后续集团块组的输入相适应；第二卷积层的输出记为F₂∈R^lg×h×w；

24)使用特征提取网络的集团块组提取图片的特征，网络输出为第一卷积层的输出和集团块组的输出的总和；执行如下操作：

集团块组的输出根据所有的集团块的特征拼接得到，每个集团块的前向传播可表示为C_i+1＝f_i(C_i)，i＝1,2,3,…,n-1,C_i∈R^lg×h×w，其中C_i是第i个集团块的输入，f_i是第i个集团块的基本映射；Y_g＝[C₁,C₂,…C_n]∈R^nlg×h×w是集团块组的输出；特征提取网络的输出Y_F是Y_g和F₁的总和，即Y_F＝Y_g+F₁；

3)建立图像恢复网络，包括一个集团上采样模块和一个卷积层；将特征提取网络的输出特征传入图像恢复网络的集团上采样模块中；通过集团上采样模块进行子带提取、自残差学习和子带精细化；使用逆离散小波变换改变特征图的分辨率大小，从而恢复得到高分辨率的特征图；再通过卷积层恢复得到高分辨率图像，记作I^HR。

2.如权利要求1所述小波域中基于集团结构子带共同学习超分辨率网络的方法，其特征是，输入低分辨率图像I^LR∈R^3×h×w，其中，h和w分别是输入图像的高度和宽度，3表示图像为RGB三色通道；恢复得到高分辨率图像I^HR∈R^3×rh×rw，其中r是放大倍数，h和w分别是输入图像的高度和宽度。

3.如权利要求1所述小波域中基于集团结构子带共同学习超分辨率网络的方法，其特征是，图像恢复网络中的集团上采样模块包括四个子网络，分别代表小波域中的四个子带LL、LH、HL和HH，用于预测四个子带的高分辨率小波系数；通过使用逆离散小波变换改变特征图的分辨率大小，从而恢复出高分辨率的图片。

4.如权利要求3所述小波域中基于集团结构子带共同学习超分辨率网络的方法，其特征是，集团上采样模块基于四个子带边缘特征，通过子带系数互相学习，得到更精细的细节部分；再将高分辨率的特征图送入卷积层；经过卷积层减少特征图的通道数量，重建得到同数量通道的高分辨率图像。