[发明专利]超分辨率图像重建方法及专用加速电路

说明书

超分辨率图像的重建方法，包括以下步骤：步骤1，第一层为输入层，输入一个低分辨图像DL；步骤2，第二至第六层为卷积层，低分辨率的图像经过卷积层的卷积运算获得一系列的特征图，这些特征图经过非线性映射成为高分辨率的图像块；步骤3，第七层为反卷积层，经过反卷积层的反卷积运算进一步提高图像块的分辨率；步骤4，最终由第八层输出重建的高分辨率的图像DH；专用加速电路，包括有网络训练服务器，网络训练服务器便携图像采集电路的网络结构参数存储单元相连；网络结构参数存储单元通过网络结构参数导入控制单元与超分辨率芯片的主存储器相连；主存储器的数据输入端与CMOS摄像头相连；具有高效运算、方法精简的特点。

技术领域

本发明属于图像处理技术领域，具体涉及超分辨率图像重建方法及专用加速电路。

背景技术

随着经济的快速发展,人们对快速便携的健康监控需求越来越高,而便携式医学图像采集和处理设备是其中的关键环节,而在便携式医学图像采集和处理领域,长期困扰其发展的一个重要原因是便携式设备采集的图像细节分辨率较低,而当前技术的处理方法为直接对便携设备采样的图像进行处理,由于直接采样得到的样本图像质量较差,造成进一步分析和处理的准确性无法保证。

因此，本发明提出一种图像超分辨率重建的电路和方法,该方法可以对便携式设备采集的低分辨率图像进行重建,然后将重建后的图像进一步用于内容分析和处理。

发明内容

为克服上述现有技术的不足，本发明的目的是提供超分辨率图像重建方法及专用加速电路，具有高效运算、算法精简的特点。

为实现上述目的，本发明采用的技术方案是：超分辨率图像的重建方法，包括以下步骤：

步骤1，第一层为输入层，输入一个低分辨图像DL；

步骤2，第二至第六层为卷积层，低分辨率的图像经过卷积层的卷积运算获得一系列的特征图，这些特征图经过非线性映射成为高分辨率的图像块；

步骤3，第七层为反卷积层，经过反卷积层的反卷积运算进一步提高图像块的分辨率；

步骤4，最终由第八层输出重建的高分辨率的图像DH。

步骤2所述的卷积运算，卷积层是卷积神经网络的核心组成部分，具有局部连接和权值共享特征，卷积运算可由下面公式来表示:

Fⁱ＝σ(W_c(i)*F^i-1+b_i),(1)

式中：Fⁱ代表第i个卷积层的输出，F^i-1代表第i-1个卷积层的输出，上一层的输出作为下一层的输入，W_c(i)代表第i个卷积层的权重；卷积权重对应的是一个数量为n、大小为fxf的滤波器组，n和f的值需要具体进行设置，*代表卷积操作，b_i代表第i层的偏置；其中，偏置的维数始终与该层卷积核的数量保持一致，σ代表激活函数，卷积操作可以很好的提取特征，通过BP的误差反向传播，可以根据不同任务，得到对于这个任务最好的一个参数，学习出相对于这个任务最好的卷积核；对于每个卷积层需要设置的几个参数为:卷积核的大小、卷积核的数目(Number)、卷积操作的步长(stride)以及零填充(Pad)的大小。

步骤3所述的反卷积运算，过一个反卷积层实现了最终的重建过程，反卷积层在这里相当于上采样操作，通过调整反卷积层的步长来实现对采样因子的调整，采用相对较大的卷积核提升重建质量，该过程可以由下面公式来表示:

F＝σ(W_d·F⁵+B),(2)