[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

说明书

本发明提出了一种基于滤波器融合的超分辨率图像重建方法及系统，包括以下步骤：首先，对高分辨率图像进行下采样，得到不同的低分辨率图像并对得到的低分辨率图像进行重叠采样，得到重叠的低分辨率图像块；其次，对相应的高分辨率图像进行相同的重叠采样，得到重叠的高分辨率标签图像；再次，对其他的高分辨率图像进行同样的高、低重叠采样，并将获取的结果作为模型训练的测试集；从次，将获取的测试集放入构建的训练网络进行训练，学习低分辨率到高分辨率图像的映射；最后，将学习到的模型中的滤波器进行融合得到新的部署阶段的模型，从而利用形成的模型达到低分辨率图重建为高分辨率图像。

技术领域

本发明涉及一种基于滤波器融合的超分辨率图像重建方法及系统，涉及一般的图像数据处理和基于机器学习图像重建技术，尤其涉及超分辨率图像重建处理分析领域。

背景技术

高分辨率图像有着更高的像素密度、更清晰的画质和更丰富的细节信息，将低分辨率图像恢复成含有丰富细节信息的高分辨率图像，不仅可以提高人们的视觉感受效果而且有利于后期图像处理任务的完成。

现有技术中图像修复在卷积网络的构建过程中，面临着模型参数大、内存占用大、训练和测试速度慢的问题，随着智能手机和可穿戴设备等智能边缘设备的普及，高效超分算法有着极大的需求，使用复杂神经网络的超分算法虽然能获得优越的重建性能，但是对计算资源的需求极其巨大，如果直接部署到手机等低计算力设备上，不仅可能无法保证能够运行，而且一旦开始进行推理，会耗时耗电及其严重。

发明内容

发明目的：一个目的是提出一种基于滤波器融合的超分辨率图像重建方法，以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。

技术方案：一种基于滤波器融合的超分辨率图像重建方法，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；

步骤2、生成训练卷积网络；

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；

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。

在进一步的实施例中，所述步骤1进一步为：构建用于训练的低分辨率图像集和用于重建结果比对的高分辨率图像标签集。

其中，低分辨率图像测试集的构建方式为：首先，对现有的高分辨率图像进行N倍的下采样，即以N倍的因子进行双三次插值得到低分辨率的测试图像集，其中N为自然数。然后，对低分辨率图像进行扩张，对其进行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，并对不同角度的低分辨率图像进行重叠采样，得到N×N大小的低分辨率图像块生成最终的训练集，从而解决实际问题中低分辨率图像样本数量不够大的问题。N优选为4。

其中，高分辨率图像标签集的构建方式为：对进行下采样的高分辨率图像进行上述相同的重叠采样，获得N×N大小的高分辨率图像块。在有监督的机器学期中，高分辨率采样获得的图像块用于作为低分辨率图像重建后比对结果的参考集，所以在模拟训练中，高分辨率图像被标记为标签图像。

在进一步的实施例中，所述步骤2进一步为：设计一个极轻量的基于滤波器融合的卷积网络来处理图像的超分辨率重建问题，其实现方式为将低分辨率图像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最后进行特征融合，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。