[发明专利]多尺度空洞卷积的并行残差网络高分辨率图像重建方法

权利要求书

1.一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法，其特征在于，包括以下步骤：

(1)、图像采集及预处理；

利用井周超声成像仪采集多张原始的高分辨率测井图像，然后对每一张高分辨率图像进行裁剪得到大小一致的高分辨率图像HR，然后对每一张高分辨率测井图像作n倍的下采样，得到大小为H*W的低分辨率图像LR，其中，n为采样倍数；

(2)、构建基于多尺度空洞卷积的图像重建网络并训练；

(2.1)、提取包含浅层特征的特征图；

将低分辨率图像LR输入至大小为9*9、通道数为64的卷积层v1，并使用PRelu激活函数进行浅层特征提取，得到64个大小为H*W的特征图；

(2.2)、构建两路并行的残差网络；

(2.2.1)、构造多尺度空洞卷积块；

采用64个3*3大小卷积核的卷积层v2与64个扩张率为2的3*3卷积核大小的卷积层v3同时对64个特征图进行特征提取，然后再将v2和v3的输出结果相加再次输入到v2和v3中，最后使用1*1卷积核对v2和v3的输出结果进行特征融合后再和输入的64个特征图直接相加，构造成多尺度空洞卷积块；

(2.2.2)、构造单路残差网络：将多尺度空洞卷积块和3*3大小卷积核的卷积层v4以及归一化层接在一起再和输入的64个特征图相加，构成一个残差块，然后将16个这样的残差块串联接在一起构成一个单路残差网络；

(2.2.3)、构造两路并行的残差网络：采用64个5*5大小卷积核的卷积层v5与64个扩张率为2的5*5大小卷积核的卷积层v6同时进行特征提取，然后再将v5和v6的输出结果相加再次输入到v5和v6中，最后使用1*1卷积核对v5和v6的输出结果进行特征融合后再和输入的64个特征图直接相加，构造成另一个多尺度空洞卷积块；之后，多尺度空洞卷积块再和3*3大小卷积核的卷积层v4和归一化层再和输入的64个特征图相加接在一起构成另一个残差块，然后将16个这样的残差块串联接在一起构成另一个单路残差网络；

将两个单路残差网络以并行方式连接在步骤(2.1)中的卷积层后，再用1*1 卷积核对步骤(2.2)中的两路并行的残差网络所输出的结果做特征融合后再输入到3*3大小卷积核的卷积层v4以及归一化层，再和步骤(2.1)中卷积层的输出直接相加，得到包含64个高层次特征的特征图；

(2.3)、高分辨率图像重建；

将64个包含高层次特征的特征图输入至通道数为64*n²的卷积层v7来扩宽通道数，然后再输入到亚像素卷积层，从而将多个通道特征图上的单个像素组合排列成一个通道特征图上的一组像素，即：H*W*r*n²→(n*H)*(n*W)*r，r为最后一级输出后的通道数；最后再通过大小为9*9、通道数为3的卷积层v8输出重建后的大小为(n*H)*(n*W)、通道为3的高分辨率图像SR；

(2.4)、计算损失函数值；

计算重建后的高分辨率图像SR和原高分辨率图像HR的像素均方误差MSE，并以MSE作为损失函数值；

其中，SR(i,j)表示高分辨率图像SR中坐标为(i,j)的像素点的像素值，HR(i,j)表示高分辨率图像HR中坐标为(i,j)的像素点的像素值；

(2.5)、重复步骤(2.1)-(2.4)，继续训练图像重建网络，并使用Adam优化算法以使MSE最小为目的进行参数优化，最终得到训练好的图像重建网络模型；

(3)、实时采集一张测井图像，然后输入至训练完成的图像重建网络，从而输出重建后的高分辨率图像。