[发明专利]基于反卷积稠密连接的图像超分辨率重构方法

权利要求书

1.一种基于反卷积稠密连接的图像超分辨率重构方法，其特征是，步骤如下：

(1)特征提取

特征提取层由一层卷积层和一层激励层组成，用于从低分辨率图像中提取特征，提取后的特征作为非线性映射的输入，公式为：

F₀＝f_ext(I^LR)

式中，F₀为特征提取层的输出，f_ext表示特征提取，I^LR为低分辨率图像；

(2)非线性映射

非线性映射阶段由多个反卷积稠密模块连接组成，反卷积稠密模块由多个卷积层和反卷积层连接而成，为了防止信息在网络训练中的丢失和梯度消失的问题，将特征提取后的特征并行输入到多个反卷积稠密模块，公式为：

B_n＝H(B_n-1)＝[G(B_n-1),F₀]

式中，G为反卷积稠密模块，H表示与F₀结合后的稠密模块，[G(B_n-1),F₀]表示对特征的拼接，B_n-1为反卷积稠密模块的输入，B_n为反卷积稠密模块的输出；

(3)重建

由于高分辨率图像与低分辨率图像之间具有相同的低频信息，为了减少网络的冗余，在重建部分引入全局残差，使网络只学习低分辨率图像与高分辨率图像之间的残差信息，重建过程是由一个卷积层和一个激励层组成，公式为：

I^HR＝f_rec(F₁)+I^LR

式中，f_rec表示重建，I^HR为重建的高分辨率图像，F₁表示非线性映射的输出。

2.如权利要求1所述的基于反卷积稠密连接的图像超分辨率重构方法，其特征是，卷积层的卷积过程为：使用n1个大小为h×w的卷积核对输入的n0个特征图进行卷积操作，输出n1个特征图，如下式所示：

F_out＝σ(W*F_in+b)

式中，W为卷积层的权重，b为偏置，F_out表示卷积层的输出也是下一卷积层的输入，*表示卷积操作，F_in为卷积层的输入，σ表示ReLU激励函数；

反卷积层将特征图进行上采样，具体使用反卷积层将经过卷积层缩小的特征图尺寸放大，用于复原图像特征的细节信息，并恢复图像高频细节，反卷积过程如式所示：

F_out^d＝σ(W_d·F_in^d+b_d)

式中，F_out^d表示反卷积层的输出，W_d为反卷积层的权重，F_in^d为反卷积层的输入，b_d为反卷积层的偏置；

反卷积稠密模块用于提取高水平特征，F_(i,1)与F_(i,2)分别第i个稠密块中的第1个、第2个步长为2的卷积层，实现下采样过程；F_(i,1)^d与F_(i,2)^d为第i个稠密块中的的第1个、第2个反卷积层，实现上采样过程；F_(i,3)为第i个稠密块中的第3个卷积层，步长为1，用于实现特征的缩减，减少稠密块输出特征通道数，下采样、上采样和特征缩减依次执行。

3.如权利要求1所述的基于反卷积稠密连接的图像超分辨率重构方法，其特征是，除了采用迭代的上采样与下采样还引入了特征的拼接，将卷积层与反卷积的输出分别进行特征拼接，即F_(i,1)的特征与F_(i,2)的特征进行拼接，F_(i,1)^d与F_(i,2)^d的特征进行拼接。

4.如权利要求1所述的基于反卷积稠密连接的图像超分辨率重构方法，其特征是，更进一步地，在稠密块中，每个卷积核的大小为3×3，输出通道数为64，在经过特征拼接后，最后一层卷积层的输入通道数量变为64+64+64＝192个，通道数量的增加深层的卷积神经网络带来了较大的复杂度，为了减少特征通道数量增多带来的负担，在每个稠密块的最后用一层卷积层实现特征通道数维度的变换，输出64个通道的特征，反卷积稠密模块表示为式：

B_n＝F_(i,3)＝G(B_n-1)

式中，B_n-1为第n-1个稠密块的输出，也为第n个稠密块的输入，B_n为第n个反卷积稠密模块的输出。