[发明专利]基于对称残差卷积神经网络的图像超分辨率重建方法

摘要

本发明公开了一种基于对称残差卷积神经网络的图像超分辨率重建方法，方法具体包括：选取训练样本和测试样本；数据集预处理；特征提取；特征融合；图像重建。本发明的技术方案解决了深度重建网络参数多、训练难度大以及易出现梯度消失的问题，通过在残差块内建立对称短跳连接，实现块内信息充分利用，提取更丰富的局部特征；在残差块外建立长跳连接，实现全局特征融合；通过本发明的方法重建的图像纹理更清晰，细节更丰富，具有较好的主观视觉效果，在图像处理应用方面具有广阔的发展前景。

主权项

1.一种基于对称残差卷积神经网络的图像超分辨率重建方法，其特征在于，所述方法包括以下步骤：S1，选取训练样本和测试样本：训练样本：获取91张图像数据集和200张Berkeley Segmentation的数据集，对291张图像进行90°、180°和270°旋转、水平翻转和以因子0.9、0.8、0.7和0.6的顺序进行缩小，对训练图像进行数据增强处理后获得11640张训练图像；测试样本：使用标准数据集Set5、Set14、BSD100分别进行测试；S2，数据集预处理：利用双三次插值法以因子k(k＝2,3,4)对原始图像进行采样，生成对应的LR图像，将LR训练图像裁剪为一组l_sub×l_sub的子图，相应的HR训练图像裁剪为kl_sub×kl_sub的子图，得到低分辨率子图和高分辨率子图训练图像对；S3，特征提取：在步骤S2所得低分辨率子图上提取特征，包含两层卷积层，每层包含64个大小为3×3的卷积核；S4，特征融合：包含4个残差块，每个残差块由一个增强单元和一个压缩单元构成，其中增强单元包含6层大小为3×3的卷积层，增强单元采用对称残差实现浅层与深层信息的恒等映射，融合网络上下文信息，提取特征，压缩单元由1层大小为1×1的卷积层构成，为后续网络提取关键信息；S5，图像重建：包含一层无激活函数的反卷积层，重建计算关系为：y＝R(F_n(B_n‑1))+U(x)   (3)其中，R，U分别为重建和双三次插值函数。