[发明专利]小波域中基于集团结构子带共同学习超分辨率网络的方法

摘要

本发明公布了一种小波域中基于集团结构子带共同学习超分辨率网络的方法，通过构建包括特征提取网络和图像恢复网络的新型超分辨率网络，实现单张图片的超分辨率恢复。通过特征提取网络将输入的低分辨率图像表示为一组特征映射；图像复原网络包括一个集团上采样模块和一个卷积层；将特征提取网络的输出特征传入集团上采样模块中，进行子带提取、自残差学习和子带精细化；使用逆离散小波变换改变特征图的分辨率大小，从而恢复得到高分辨率的特征图；再通过卷积层恢复得到高分辨率图像。本发明方法量化指标好，能够有效实现单张图片的超分辨率恢复。

主权项

1.一种小波域中基于集团结构子带共同学习超分辨率网络的方法，通过构建新型超分辨率网络SRCliqueNet，包括：特征提取网络FEN和图像恢复网络IRN，实现单张图片的超分辨率恢复；包括如下步骤：1)输入低分辨率图像，低分辨率图像记作ILR；2)构建特征提取网络，通过特征提取网络将输入的低分辨率图像表示为一组特征映射；具体执行如下操作：21)特征提取网络包括第一卷积层、第二卷积层和由n个残差集团块组合成的集团块组；通过第一卷积层增加输入通道的数量；并可通过跳跃连接将第一卷积层的输出添加到集团块组的输出处；22)将第一卷积层的输出记为F1∈Rnlg×h×w，其中n是集团块组中包含的集团块的总数量，l是每个集团块中的层数，g是每个集团块的增长率；23)通过第二卷积层改变通道的数量，使得第二卷积层的输出和后续集团块组的输入相适应；第二卷积层的输出记为F2∈Rlg×h×w；24)使用特征提取网络的集团块组提取图片的特征，网络输出为第一卷积层的输出和集团块组的输出的总和；执行如下操作：集团块组的输出根据所有的集团块的特征拼接得到，每个集团块的前向传播可表示为Ci+1＝fi(Ci)，i＝1,2,3,…,n‑1,Ci∈Rlg×h×w，其中Ci是第i个集团块的输入，fi是第i个集团块的基本映射；Yg＝[C1,C2,…Cn]∈Rnlg×h×w是集团块组的输出；特征提取网络的输出YF是Yg和F1的总和，即YF＝Yg+F1；3)建立图像复原网络，包括一个集团上采样模块和一个卷积层；将特征提取网络的输出特征传入图像恢复网络的集团上采样模块中；通过集团上采样模块进行子带提取、自残差学习和子带精细化；使用逆离散小波变换改变特征图的分辨率大小，从而恢复得到高分辨率的特征图；再通过卷积层恢复得到高分辨率图像，记作IHR。