[发明专利]一种基于多尺度金字塔网络的图像超分辨率重建方法

权利要求书

1.一种基于多尺度金字塔网络的图像超分辨率重建方法，其特征在于，所述的图像超分辨率重建方法包括以下步骤：

S1、对输入图像进行浅层特征提取；

S2、将浅层特征通过K个多尺度残差模块进行特征融合以及特征增强，得到深层次特征；

S3、使用转置卷积对深层次特征进行上采样；

S4、利用残差学习对图像进行重建；

S5、将重建后的图像作为当前金字塔网络的输出，同时作为下一层金字塔网络的输入，继续重复采用步骤S1到步骤S4的训练，以得到更高分辨率的图像。

2.根据权利要求1所述的一种基于多尺度金字塔网络的图像分辨率重建方法，其特征在于，所述的步骤S1过程如下：

使用一层后接非线性激活单元的3×3卷积层，从输入的低分辨率图像中提取出浅层的特征，表达式如下：

F₀＝σ(W₁*I_LR) (1)

其中，I_LR表示输入的低分辨率图像，σ表示非线性激活函数ReLU，W₁表示3×3卷积层的卷积核，F₀表示通过卷积层提取的特征。

3.根据权利要求1所述的一种基于多尺度金字塔网络的图像分辨率重建方法，其特征在于，所述的每个多尺度残差模块包含一个特征增强单元、一个压缩单元和一个残差学习，其中，所述的特征增强单元包括2个后接非线性激活单元的3×3的卷积层和2个后接非线性激活单元的5×5的卷积层；所述的压缩单元由一层大小为1×1的卷积层组成。

4.根据权利要求3所述的一种基于多尺度金字塔网络的图像分辨率重建方法，其特征在于，所述的步骤S2过程如下：

先将步骤S1中提取的浅层特征通过特征增强单元得到两种不同的特征，再将这两种不同的特征通过压缩单元进行特征融合，融合的特征再经过一个卷积层的学习，最后与浅层特征相加构成残差块，计算过程的表达式如下：

M＝W_1×1*[T₂，P₂] (6)

B＝σ(W*M) (7)

F_m＝B+F_m-1 (8)

其中，T₁为通过第一层3×3卷积层之后的特征，T₂为通过第二层3×3卷积层之后的特征，P₁为通过第一层5×5卷积层之后的特征，P₂为通过第二层5×5卷积层之后的特征，σ表示非线性激活函数ReLU函数，为第一层3×3卷积层的卷积核，为第二层3×3卷积层的卷积核，为第一层5×5卷积层的卷积核，为第二层5×5卷积层的卷积核，W_1×1表示1×1卷积层的卷积核，W表示最后一层学习层的卷积核，[]表示特征融合函数，M表示通过1×1卷积层融合之后的特征，B表示通过最后一层学习层得到的特征，F_m-1和F_m分别表示第m个多尺度残差块的输入和输出。

5.根据权利要求1所述的一种基于多尺度金字塔网络的图像分辨率重建方法，其特征在于，所述的步骤S3过程如下：

使用一层转置卷积层对通过K个多尺度残差模块后的的深层次特征进行上采样，得到高分辨率图像，表达式如下：

I_{HR_conv}＝f_deconv(F_K) (9)

上式中，I_{HR_conv}为上采样之后的高分辨率图像，f_deconv为上采样操作，F_K为第K个多尺度残差模块的输出。