[发明专利]基于深度递归卷积网络的单张图像超分辨率重建方法

权利要求书

1.一种基于深度学习网络的单张图像超分辨率重建方法，其特征在于：包括以下步骤：

使用两个卷积层，用于从原始的低分辨率图像中提取低层次的特征；

六个级联的残差单元用来提取高层次的特征，密集连接可以加强信息的重利用并且能够降低计算的复杂度；

每个残差单元后1×1的卷积层用来控制前一状态需要保留的特征图的维度；

一个反卷积操作用来恢复特征从而获得残差图像；

上采样的低分辨率图像和高分辨率残差图像经过一个求和操作得到最终的高分辨率输出图像。

2.根据权利要求1所述的基于深度学习网络的单张图像超分辨率重建方法，其特征在于：

所述两个卷积层构成初步特征提取网络，每个卷积层都使用64个大小为3×3的卷积核去提取低层次的特征；分别定义初步特征提取网络的输入图像为x，初步特征提取网络的输出图像为y；对于初步特征提取网络，两个卷积层用来提取低层次的特征，该过程表示为：

D⁰＝f₀(x)；

其中，f₀为初步特征提取网络中的特征提取函数，D₀为初步特征提取网络提取的特征。

3.根据权利要求2所述的基于深度学习网络的单张图像超分辨率重建方法，其特征在于：

所述六个卷积层构成残差单元，每个卷积层都使用大小为3×3的卷积核去提取高层次的特征；密集连接被用来连接低层次和高层次的特征，；每个残差单元都包括第一模块和第二模块；对于第一模块，包括四个3×3的卷积层；对于第二模块，包括两个3×3的卷积层；第一模块中的过程可以表示为：

F_k＝f₁^k(D^k-1),k＝1,...,7；

其中f₁^k代表第k个残差单元中第一模块的映射函数，F_k为每一个残差单元中第一模块提取的特征图，D^k为每一个残差单元中第一模块的输入；

第一模块的输出被分为了两部分，取第一模块输出特征的维与初步特征提取网络的特征融合，剩余的维特征输入到第二模块中接着进行两次卷积；两个卷积后的结果与前面融合后的结果相加得到第二模块的输出；该过程表示为：

其中是F_k的维特征与D₀融合后的结果，是F_k的维特征与相加后的结果，C是融合操作，S是划分操作，T^k是每一个残差单元中第二模块的特征提取函数。

4.根据权利要求2所述的基于深度学习网络的单张图像超分辨率重建方法，其特征在于：每一个残差单元后都有一个1×1的卷积层用来控制前一状态需要保留的特征图的维度，并且不同的残差单元自适应的学习权重；这一过程表示为：

其中D^k为第k个残差单元后1×1卷积层提取的特征，g^k是第k个残差单元后1×1卷积层的特征提取函数。

5.根据权利要求2所述的基于深度学习网络的单张图像超分辨率重建方法，其特征在于：将得到的残差图像与上采样的输入图像相加得到最终重建的高分辨率图像y；

y＝Q+U(x)；

其中，U为双三次插值操作。