[发明专利]用于图像超分辨率重构的递归密集残差网络

摘要

一种用于图像超分辨率重构的递归密集残差网络，网络以密集连接的多层卷积神经网络为递归单元，在此基础上进行多次残差递归。通过密集连接充分利用低分辨率图像信息，多次残差递归保证了深层的网络能够得到更好的训练。主要包括以下步骤：1)数据预处理，将低分辨率图像由RGB转换成YCrCb图像，再取Y通道图像将其裁剪成31*31大小的子图像。2)网络训练，准备好训练和测试数据集，基于caffe框架训练好网络。3)通过训练好的网络实现超分辨重构，将预处理好的数据分别通过训练好的网络，得到重构后的Y通道子图像。把所有重构的子图像按原来的位置拼合起来，得到最终的整幅Y通道图像，最后结合对应的其他两个通道组合成重构后的YCrCb图像，再转换成RGB图像。完成图像的超分辨率重构。

主权项

1.用于图像超分辨率重构的递归残差密集网络，其特征在于，包括如下步骤：1)准备数据集：训练数据为291张包含了多个种类的不同RGB图像，经过不同的角度的旋转后人为扩展了训练数据集。以Sst5数据集作文训练时的验证数据集。对每一张图片进行格式转换，转换为Ycrcb图像，取Y通道图像，再将Y通道图像无缝裁剪成31*31大小的子图像。训练时，低分辨率图像由原子图像进行两次双三次插值获得，放大倍数包含了2倍,3倍,4倍。两次双三次插值的变换尺度相乘等于1。2)递归密集残差网络的构建，具体的的网络结构见附图。其特征在于，以密集连接的卷积神经网络为单元，通过残差递归加深网络。其中每一个密集连接的卷积神经网络单元的层数，以及残差递归的次数可以视具体的实验效果进行调整。3)超参数设置：基础学习率设为0.1；momentum值设为0.9；权值衰减参数设为：0.0001,；学习策略设为：“step”，其中gamma值设为0.6，stepsize值设为：80000；梯度剔除参数设为：0.01；最大迭代次数设为1600000；选择GPU加速。基于caffe框架对网络进行训练，利用1080T显卡加速。