[发明专利]一种提高超分辨率算法重构性能的方法

说明书

本发明公开了一种提高超分辨率算法重构性能的方法，其根据相机成像系统的类型采用不同的数据采集方法，并实现高/低分辨率图像的采集与配准，从而以数据驱动的方式隐式建模真实降质模型，显著地提高了现有基于深度学习的超分辨率算法在真实成像系统中的重构性能。

技术领域

本发明涉及数字图像处理技术领域，尤其涉及一种提高超分辨率算法重构性能的方法。

背景技术

单张图像超分辨率(Super-Resolution,SR)，指的是采用信号处理的方法，将低分辨率图像恢复成为高分辨率图像。通常情况下，原始高分辨率图像经过下采样后得到的低分辨率图像被用作仿真输入，通过对超分辨率算法得到的重建图像与原始图像之间差别的比较或重建图像自身的视觉质量来评估算法的性能(Y.Blau,and T.Michaeli,“Theperception-distortion tradeoff.”in IEEE Conference on Computer Vision andPattern Recognition 2018)。在以往的研究中，双三次(Bicubic)下采样或高斯(Gaussian)模糊抽点下采样是最常用的两种降质模型(K.Zhang,W.Zuo,and L.Zhang,“Learning asingle convolutional super-resolution network for multipledegradations.”in IEEE Conference on Computer Vision and Pattern Recognition2018)。基于这两种降质模型，现有超分辨率技术利用深度学习分别在重建准确性(J.Kim,J.K.Lee,and K.M.Lee,“Accurate image super-resolution using very deepconvolutional networks.”in IEEE Conference on Computer Vision and PatternRecognition 2016)与视觉质量(C.Ledig,et al.,“Photo-realistic single imagesuper-resolution using a generative adversarial network.”in IEEE Conferenceon Computer Vision and Pattern Recognition2017)两个方面取得了显著的进展。

上述两种降质模型在具有相同降质过程的仿真数据集中表现良好。然而，在更复杂的真实成像系统中，这些降质模型无法准确模拟真实降质过程，导致超分辨算法性能显著降低(T.Michaeli and M.Irani.,“Nonparametric blind super-resolution.”in IEEEConference on Computer Vision and Pattern Recognition 2013)。近年来，为了更好地模拟复杂的真实降质过程，现有研究在下采样的基础上加入了更多降质因素(如噪声、模糊、量化等)以建模真实降质过程(R.Timofte,et al.,“Ntire 2018challenge on singleimage super-resolution:Methods and results.”in IEEE Conference on ComputerVision and Pattern Recognition Workshop 2018)。这些建模方式提高了基于深度学习的超分辨算法在带有噪声或模糊低分辨率图像上的重建性能，但仍然无法对真实成像系统中降质过程进行准确建模。

发明内容

本发明的目的是提供一种提高超分辨率算法重构性能的方法，显著地提高了现有基于深度学习的超分辨率算法在真实成像系统中的重构性能。

本发明的目的是通过以下技术方案实现的：

一种提高超分辨率算法重构性能的方法，包括：

根据成像系统的类型搭建图像采集系统；