[发明专利]基于增强的神经网络的图像复原方法、存储介质及系统

摘要

本发明公开了一种基于增强的神经网络的图像复原方法，所述方法包括以下步骤：S1、将待复原图像变换成不同缩放因子下的多个低分辨率图像；S2、将多个低分辨率图像分别输入至预先训练好的第一深度卷积神经网络，从而得到对应的不同缩放因子下的多个高分辨率图像；S3、将S2中的多个高分辨率图像分别变换为与待复原图像大小一样的图像，并将这些图像进行融合以得到复原后的图像。本发明还公开了相应的存储介质与图像复原系统。本发明可以防止网络在训练过程中退化并加快收敛速度。

主权项

1.基于增强的神经网络的图像复原方法，其特征在于，所述方法包括以下步骤：S1、将待复原图像变换成不同缩放因子下的多个低分辨率图像；S2、将多个低分辨率图像分别输入至预先训练好的第一深度卷积神经网络，从而得到对应的不同缩放因子下的多个高分辨率图像；S3、将S2中的多个高分辨率图像分别变换为与待复原图像大小一样的图像，并将这些图像进行融合以得到复原后的图像，其中，第一深度卷积神经网络为三层以上的卷积神经网络，且第一深度卷积神经网络的一个或以上的网络层在对其输入进行卷积之后，使用GN方法将卷积结果进行归一化再输入至激活函数，其中GN方法依次包括如下步骤：根据公式(1)和(2)来计算某一网络层中Sj(j＝1，2，……，m)像素区域的平均值μj与标准差δj：其中m为这一网络层的特征总数，j为向量且可表示为j＝[j_N,j_C,j_H,j_W]，j_N为第j个特征所属的分块，j_C为第j个特征所在的通道，j_H为第j个特征的高，j_W为第j个特征的宽，其中S_j为计算平均值μ_j和标准差δ_j的像素的集合且G为预定义的组数，C/G为每组的通道数，其中n为集合S_j中的像素个数，x_l为S_j像素区域中第l个特征，c₁为常数；根据公式(3)将这一网络层的第j个特征xj归一化：xj′＝1/δj(xj‑μj)   (3)对归一化后的特征进行公式(4)所示的线性转化：yj＝γ1xj′+β1   (4)其中γ1为训练的规模，β1为训练中的转移。