[发明专利]一种基于递进学习的图像超分辨率方法

权利要求书

1.一种基于递进学习的图像超分辨率方法，其特征在于，该方法包括如下步骤：

(1)获取成对的低分辨率和高分辨率图像，生成训练样本；

(2)构建图像超分辨率网络，所述的图像超分辨率网络用于输入低分辨率图像并输出高分辨率图像；

(3)确定度量高分辨率图像局部细节特征的局部细节度量；

(4)确定随训练次数递进增加的难度系数，结合局部细节度量与难度系数确定每一次训练过程中各训练样本的自适应权重；

(5)基于自适应权重定义图像超分辨率网络的加权损失函数；

(6)利用优化器最小化加权损失函数，训练图像超分辨率网络；

(7)获得用于图像超分辨率的图像超分辨率网络；

步骤(3)高分辨率图像的局部细节度量通过如下方式获得：

m(I^HR)＝||min{|DI^HR|-1/β,0}||，

其中，I^HR为高分辨率图像，m(I^HR)为高分辨率图像的局部细节度量，|DI^HR|为高分辨率图像的差分矩阵，具体地，对于高分辨率图像中的任意一个像素p_c，p_h表示p_c右边的像素，p_v表示p_c下方的像素，则该高分辨率图像在p_c处差分的模为水平方向差分的模和垂直方向差分的模之和，即|p_c-p_h|+|p_c-p_v|，将高分辨率图像中的每个像素分别进行取差分操作得到各个像素点的差分的模，组成矩阵|DI^HR|，min{|DI^HR|-1/β,0}表示对|DI^HR|矩阵各元素减去1/β后逐元素与0比较取较小值得到的矩阵，β为阈值常数；

步骤(4)中难度系数确定为：

c(t)为第t次训练的难度系数，T为设定常数；

步骤(4)训练样本的自适应权重确定为：

w_i(t)为第t次训练第i个训练样本的难度系数，为训练样本中第i个高分辨率图像，为第i个高分辨率图像的局部细节度量，sigmoid(x)为基于变量x的函数，sigmoid(x)＝1/(1+e^-x)，e为自然常数。

2.根据权利要求1所述的一种基于递进学习的图像超分辨率方法，其特征在于，步骤(2)图像超分辨率网络采用神经网络。

3.根据权利要求1所述的一种基于递进学习的图像超分辨率方法，其特征在于，步骤(5)加权损失函数为：

其中，w_i(t)为第t次训练第i个训练样本的难度系数，N为训练样本的总个数，为训练样本中第i个高分辨率图像，为图像超分辨率网络输出的对应于的高分辨率图像，表示和的感知损失，γ为图像超分辨率网络的超参数。

4.根据权利要求3所述的一种基于递进学习的图像超分辨率方法，其特征在于，具体为：

其中，表示对通过分类网络VGG19提取的的高阶特征，表示对通过分类网络VGG19提取的的高阶特征。

5.根据权利要求1所述的一种基于递进学习的图像超分辨率方法，其特征在于，步骤(6)训练图像超分辨率网络过程中判断是否到达最大训练步数，若是则执行步骤(7)，否则返回步骤(4)更新训练样本的自适应权重并继续执行步骤(5)～(6)。