[发明专利]基于稀疏自编码网络与极速学习的图像超分辨重建方法

摘要

本发明公开了一种基于稀疏自编码网络与极速学习的图像超分辨重建方法，解决了特征提取不准确及特征提取与重建步骤独自进行而导致恢复不准确的问题。主要步骤为：输入低分辨率测试图像，对输入的低分辨率测试图像通过重叠的方式进行分块，构造低分辨率测试图像块；对于每一个低分辨率图像块经过层级的稀疏自编码器提取稀疏特征；将稀疏特征通过预先学习得到的极速学习机投影到高分辨率像素空间得到高分辨率图像块；最后将高分辨率图像块聚合得到最终的高分辨率图像，完成图像超分辨率重建。本发明采用多层稀疏自编码网络学习稀疏特征，将特征提取与重建集成在一个统一的网络框架中，有效提高了重建图像质量并改善细节信息，适用于各种自然图像的超分辨率重建。

主权项

一种基于稀疏自编码网络与极速学习的图像超分辨重建方法，其特征在于，包括有如下步骤：步骤1：输入训练样例图像对，用重叠的方式将低分辨率训练样例图像分割为大小为的低分辨率训练样例图像块并拉成向量用相同的方式将高分辨率训练样例图像分割为与低分辨率训练样例图像块相对应的大小为的高分辨率训练样例图像块并拉成向量其中n表示低分辨率训练样例图像块向量的维度，N表示高分辨率和低分辨率训练样例图像块的规模，s表示上采样倍数；步骤2：将低分辨率训练样例图像块向量输入到稀疏自编码网络中，得到第一层输出稀疏权重矩阵W1，将低分辨率训练样例图像向量与权值矩阵W1的转置矩阵W1T相乘并通过非线性函数g得到第一层稀疏特征其中步骤3：将第一层稀疏特征输入到稀疏自编码网络中，得到第二层输出稀疏权重矩阵W2，将第一层稀疏特征与权值矩阵W2的转置矩阵相乘并通过非线性函数g得到第二层稀疏特征其中步骤4：以第二层稀疏特征作为输入，对应的高分辨率训练样例图像块向量为输出训练极速学习机网络，得到极速学习机输出权重W3o，其中极速学习机的随机初始化权重为W3i；步骤5：输入待超分辨率重建的低分辨率测试图像X，按重叠的方式分割成大小为的图像块并拉成向量形成低分辨率测试图像向量M表示低分辨率测试图像向量的规模；步骤6：将低分辨率测试图像向量输入到第一层稀疏自编码器得到第一层稀疏特征其中步骤7：将第一层稀疏特征输入第二层稀疏自编码器得到第二层稀疏特征其中步骤8：将第二层稀疏特征输入到极速学习机中，经过随机初始化权重为W3i随机投影为hi，其中将随机投影经过极速学习机输出权重W3o投影到高分辨率像素空间如步骤9：将高分辨率图像块集中的所有高分辨率图像输出小块按顺序放到待重构的高分辨率图像的对应位置上，得到最终的高分辨率图像Y*。