[发明专利]一种基于滤波器融合的超分辨率图像重建方法及系统

权利要求书

1.一种基于滤波器融合的超分辨率图像重建的方法，其特征是包括以下步骤：

步骤1、构建用于后期滤波器融合使用的训练样本集；

其中所述训练样本集包含低分辨率图像训练集和高分辨率的图像集，所述训练集的获取为对图像进行重叠采样并得到相应的分辨率图像块；

步骤2、生成训练卷积网络；

其中所述训练卷积网络用于实现学习一种低分辨率图像到高分辨率图像映射的能力；

步骤3、将预定个滤波器融合成一个滤波器得到新的部署阶段模型，所述滤波器具有训练阶段学习到的所有特征提取的能力；在训练阶段，轻量化的设计中设计一个多分支的非对称滤波器的形式进行特征学习；其中所述多分支的非对称滤波器的左侧为训练阶段的融合卷积层的一个实例，分为三个不同大小的非对称滤波器，构建形式为k＊k，1＊k，k＊1；在训练后可获得涉及到滤波器的参数；

部署阶段，用于进行滤波器的融合部署过程，把训练阶段的三个滤波器以权重加权融合成为一个k＊k的滤波器，部署阶段的融合卷积层就是融合后的这个滤波器，它具有训练阶段三个滤波器学习到的所有特征提取能力；其中k为正整数；

步骤4、将需要重建的低分辨率图像使用新的部署阶段模型进行超分辨率重建，得到重建的高分辨率图像；

所述新的部署阶段模型为经过机器学习后融合多个滤波器的部署阶段模型。

2.根据权利要求1所述的一种基于滤波器融合的超分辨率图像重建的方法，其特征在于，所述步骤1进一步包括：

训练样本集中分为低分辨率训练集和高分辨率图像块，其中低分辨率训练集的获取方式是：首先，对高分辨率图像进行N倍的下采样，得到不同的低分辨率图像；然后，对获得的低分辨率图像进行扩张；最后，对获得的每张低分辨率图像进行重叠采样，得到一组重叠的低分辨率图像块，并将此作为低分辨率训练集；

其中所述高分辨率图像块获取方式是：首先，对与进行N倍下采样操作相对应的高分辨率图像进行重叠采样，然后将获得的一组相对应重叠的高分辨率图像块，作为高分辨率的标签图像；N为正整数；

其中所述对获得的低分辨率图像进行扩张的扩张方式为对其进行90度、180度和270度的旋转变换，以此得到不同角度的低分辨率图像。

3.根据权利要求1所述的一种基于滤波器融合的超分辨率图像重建的方法，其特征在于，所述步骤2进一步包括：

训练卷积网络的过程为：首先，将低分辨率图像LR作为输入，通过一个卷积层提取出浅层特征，然后通过堆叠的若干个CACB模块学习到图像的深层特征，最后将提取出的浅层和深层特征融合，通过亚像素卷积的方式上采样得到高分辨率图像；

其中所述CACB模块由四个融合卷积层构成，将每个融合卷积层的四分之一的特征保留下来，用于最后的特征融合；模块中涉及的融合卷积层的结构细节分为训练阶段和部署阶段。

4.一种基于滤波器融合的超分辨率图像重建的系统，用于实现上述权利要求1～3中任一项所述方法，其特征在于，包括以下模块：

用于构建神经网络训练学习样本集的第一模块；

用于建立训练卷积网络的第二模块；

用于融合滤波器部署阶段模型的第三模块；

用于实现低分辨率图像重建的第四模块。

5.根据权利要求4所述一种基于滤波器融合的超分辨率图像重建的系统，其特征在于所述第一模块进一步通过对高分辨率图像进行N倍下采样得到不同的低分辨率图像，并对产生的低分辨率图像进行扩张，其扩张方式为对获得的低分辨率图像进行90度、180度和270度的旋转变换，得到不同角度的低分辨率图像，然后对每张低分辨率图像进行重叠采样，得到一组重叠的低分辨率图像块，作为低分辨率训练集；

将对应的高分辨率图像进行同样的重叠采样并将获得的图片集作为有监督的机器学习中低分辨率图像重建结果比对的图像标签。