[发明专利]一种基于改进的稠密卷积神经网络的超分辨率重建方法

摘要

本发明公开了一种基于改进的稠密卷积神经网络的超分辨率重建方法：包括数据准备阶段；网络结构搭建阶段；模型训练阶段；图像重建阶段。本发明将稠密卷积神经网络结构的思想应用到单帧图像的超分辨率重建，并在DenseNet结构的基础上改进了网络结构，进一步优化了模型框架，提升了算法效果。

主权项

1.一种基于改进的稠密卷积神经网络的超分辨率重建方法，其特征在于，包括以下步骤：步骤一，数据准备1)划分数据集：采用公开数据集DIV2K，该数据集包含800张训练图、100张验证图和100张测试图，其中，100张验证图用于测试重建效果，800张训练图和100张验证图都是由高分辨率图像和其相应的低分辨率图像组成，低分辨率图像是高分辨率图像经由降质模型生成的；2)将800张训练图无重叠的分成96×96大小的图像块，作为网络输入；步骤二，网络结构搭建1)将96×96大小的低分辨率图像块输入一个7×7的卷积层，并采用ReLU(Rectified Linear Units)作为激活函数；2)7×7卷积层的输出特征图输入多连接结构块，其中，每个多连接结构块均包括一个子块结构和一个恒等映射；3)堆叠多连接结构块；4)将最后一个多连接结构块的输出特征图输入一个1×1卷积层，降低特征图的维数；5)采用一个跳层，将7×7卷积层输出的特征图和1×1卷积层降维后的特征图堆叠起来，共同作为放大模块的输入；6)采用低分辨率特征图按次序拼接成高分辨率特征图的方法，将低分辨率特征图放大到一定的倍数；7)采用一个1×1卷积层将特征图限定为RGB三个通道，并采用Tanh激活函数；步骤三，模型训练1)学习率设为10‑3，并且每75000次迭代学习率减小一半，直到误差不再减小或者250000次迭代后，停止训练；2)采用L1范数作为损失函数；3)采用ADAM优化方法，β1＝0.9，β2＝0.999；步骤四，图像重建输入任意大小的低分辨率图像，加载训练好的模型，输出重建的高分辨率图像。