[发明专利]一种基于图像特征快速拼接的图像超分辨率方法及其系统

权利要求书

1.一种基于图像特征快速拼接的图像超分辨率方法，其特征在于，包括以下步骤：

S1、构造超分辨率重建模型；

S2、结合欧几里得距离和预训练VGG卷积神经网络得到超分辨率重建模型的损失，用于超分辨率重建算法模型的参数训练；

S3、将所述超分辨率重建模型的损失通过反向传播算法，更新算法模型所有的可训练参数，再向该模型输入不同的训练集图片组，得到最优化的超分辨率重建模型；

S4、输入任意低分辨率图像至最优化的超分辨率重建模型得到相应的超分辨率重建图像；

所述超分辨率重建模型包括低分辨率图像特征初步提取模块、级联的快速的大视野图像信息提取模块以及图像拼接重建模块；所述大视野图像信息提取模块提取图像信息包括如下步骤：

S201、通过最小尺寸填充，将图像原始特征x₀的空间尺寸填充至能够降采样的最小值；

S202、将最小尺寸填充处理后的原始特征x₀输入到带步长的卷积层，使用可学习参数的卷积核进行d倍的降采样，随后使用多个残差块对降采样的特征进行非线性映射，得到大视野的层级特征输出x₁，其等效的数学表达形式如下：

降采样部分的计算公式：

x′₀＝f_conv1(pad(x₀),d)

其中，pad(·)为降采样前的最小尺寸填充，f_conv1(·)为可训练参数的带步长卷积层下采样运算，d为本次下采样的尺寸缩小系数；

多个残差块运算的计算公式：

其中，f_i(·),1≤i≤n为单个残差块对输入特征的非线性映射，代表多个残差块级联的非线性映射总运算；

S203、将步骤S202的降采样和非线性映射定义为一级的快速的大视野图像信息提取块，则将若干个快速的大视野图像信息提取块级联，对输入特征进行处理，从而得到多级高层特征输出x₂,x₃,...x_n。

2.根据权利要求1所述的一种基于图像特征快速拼接的图像超分辨率方法，其特征在于，所述低分辨率图像特征初步提取模块包括单个卷积神经网络层，所述单个卷积神经网络层使用权值共享的卷积核对输入的低分辨率图像进行特征初步提取，得到原始特征；

所述低分辨率图像为RGB图像，通过量化像素读取图片文件并将图片量化为三通道的低分辨率图像张量I_LR；

所述单个卷积神经网络层包括使用可训练参数的卷积核，对输入的低分辨率图像进行初步的特征提取，得到初步提取的图像原始特征x₀，其数学表达形式如下：

x₀＝f_conv0(I_LR)＝tanh(W₀*I_LR+b₀)

其中，W₀和b₀分别为初步特征提取卷积层可训练的卷积核权重和偏移值，低分辨率图像张量I_LR在与卷积核权重进行二维卷积之后，输出张量的各个通道再加上偏移值，最后经过tanh函数激活，得到图像的原始特征输出。

3.根据权利要求2所述的一种基于图像特征快速拼接的图像超分辨率方法，其特征在于，所述级联的快速的大视野图像信息提取模块从原始特征中提取出多级高层特征；每一级的大视野图像信息提取模块对输入的特征进行尺寸压缩，提取图像信息产生高层特征；多个提取模块级联，产生不同级别的高层特征。

4.根据权利要求3所述的一种基于图像特征快速拼接的图像超分辨率方法，其特征在于，所述图像拼接重建模块包括图像特征快速拼接模块和图像上采样重建模块；

所述图像特征快速拼接模块对多级高层特征和原始特征进行尺寸调整和快速拼接，得到融合特征张量；

所述图像上采样重建模块接收所述融合特征张量进行特征映射和亚像素卷积上采样，从融合特征重建中预测的重建图像I_SR，完成超分辨率重建的预测。