[发明专利]基于多层感知机层的密集连接网络图像超分辨率方法

说明书

本发明提出了一种基于多层感知机层的密集连接网络图像超分辨率方法，其特征在于：低分辨率图像输入基于多层感知机层的密集连接网络，由密集连接网络进行图像的超分辨率运算，输出高分辨率图像；所述多层感知机层的密集连接网络包括若干密集连接模块，每个密集连接模块包括若干密集单元，每个密集单元中包括一个多层感知机层。本发明提出的图像超分辩率方法客观衡量指标高，图像超分辨率结果清晰，视觉效果好。

技术领域

本发明涉及图像超分辨率技术领域，具体地说，本发明涉及一种基于多层感知机层的密集连接网络图像超分辨率技术方案(SR-RMDB)。

背景技术

图像超分辨率的基本目标是从输入的低分辨率图像中重建恢复出高分辨率图像。根据输入图像的数量，图像超分辨率方法分为单幅图像和多幅图像的超分辨率方法。

由于图像退化过程中信息损失的不可逆，单幅图像超分辨率是个病态问题。现存主要有三类方法解决这个问题，即：基于插值的方法、基于重建的方法和基于学习的方法。基于学习的方法又可分为基于浅层学习和基于深度学习的方法。近年来，基于深度学习即卷积神经网络的方法成为解决该问题的主流。为了学习低分辨率图像到高分辨率图像的非线性匹配，SRCNN的方法(C.Dong,C.L.Chen,K.He,and X.Tang,“Learning a deepconvolutional network for image super-resolution,”vol.8692,pp.184–199,2014)首先将卷积神经网络以端到端的方式引入单幅图像超分辨率问题中。即使该方法中的网络模型拥有较少的网络层数，其性能仍然优于其他非深度学习的方法。当在网络中堆叠更多的层时，会出现网络难以训练的问题。为了解决该问题，许多拥有短连接的有效模型被提出，如VDSR方法(J.Kim,J.K.Lee,and K.M.Lee,“Accurate image super-resolution usingvery deep convolutional networks,”in IEEE Conference on Computer Vision andPattern Recognition,2016,pp.1646–1654)，DRCN方法(J.Kim,J.K.Lee,and K.M.Lee,“Deeply-recursive convolutional network for image super-resolution,”CoRR,vol.abs/1511.04491,2015.[Online].Available:http://arxiv.org/abs/1511.04491)，DRRN方法(Y.Tai,J.Yang,and X.Liu,“Image super-resolution via deep recursiveresidual network,”in IEEE Conference on Computer Vision and PatternRecognition,2017,pp.2790–2798)。为了进一步提升图像超分辨率的性能，在单幅图像超分特征提取的过程中，一些方法将卷积层密集连接起来，包括DCSCN(Y.Jin,S.Kuwashima,and T.Kurita,“Fast and accurate image super resolution by deep cnn with skipconnection and network in network,”in International Conference on NeuralInformation Processing,2017,pp.217–225)和SR-DenseNet(T.Tong,G.Li,X.Liu,andQ.Gao,“Image super-resolution using dense skip connections,”in IEEEInternational Conference on Computer Vision,2017,pp.4809–4817)。前者的特征提取网络仅为一个密集模块，因此该模型需要大量的存储空间。虽然后者使用了多个密集连接模块，但在每个模块中仅使用卷积核大小为3×3的单一卷积层，并且其输出均直接送入下一层，因此并不能提取到足够的非线性特征。

发明内容