[发明专利]基于稠密神经网络和双参数损失函数的超分辨率重建方法

摘要

本发明公开了一种基于稠密神经网络和双参数损失函数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，充分利用网络结构中纹理、轮廓等浅层特征，将图像的局部特征和全局特征结合起来进行超分辨率重建。并在此基础上，采用了一个双参数损失函数，对网络结构进行更加准确的优化训练，提升了算法效果。

主权项

1.一种基于稠密神经网络和双参数损失函数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(a)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、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；(b)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(a)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；(b)7×7卷积层的输出特征图输入多连接结构块；(c)堆叠多连接结构块；(d)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；(e)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；(f)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倍数；(g)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(a)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；(b)采用一个双参数函数作为损失函数，即双参数损失函数，优化模型训练；(c)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。