专利汇可以提供基于压缩多尺度特征融合网络的图像超分辨率重建方法专利检索,专利查询,专利分析的服务。并且本 发明 提出了一种基于压缩多尺度特征融合网络的图像超 分辨率 重建方法,用于解决 现有技术 中存在的重建后的高分辨率图像峰值 信噪比 和结构相似性较低的技术问题。实现步骤为:获取由高低分辨率图像对组成的训练样本集;构建多尺度特征融合网络;对多尺度特征融合网络进行训练;获取压缩多尺度特征融合网络;用压缩多尺度特征融合网络对待重建RGB图像进行超分辨率重建。本发明在多尺度特征融合网络中采用多个依次层叠连接的多尺度特征融合层提取低分辨图像的多尺度特征,并对其进行非线性映射,有利于提高重建后的高分辨率图像 峰值信噪比 和结构相似性。可用于遥感成像、公共安全、医学诊断等领域。,下面是基于压缩多尺度特征融合网络的图像超分辨率重建方法专利的具体信息内容。
1.一种基于压缩多尺度特征融合网络的图像超分辨重建方法,其特征在于,包括如下步骤:
(1)获取训练样本集:
(1a)从数据库中提取p幅RGB图像,并对每幅图像进行旋转和尺度变换,得到q幅RGB图像,其中p≥1,q>p;
(1b)对q幅RGB图像进行格式转换,并从得到的q幅YCbCr图像中各提取一幅Y通道图像,得到q幅Y通道图像,并对q幅Y通道图像进行编号,得到q幅带编号的Y通道图像;
(1c)对q幅带编号的Y通道图像分别进行模糊处理,得到q幅带编号的低分辨率图像;
(1d)将q幅Y通道图像中的第i幅图像与q幅低分辨率图像中的第i幅图像进行配对,得到q个高低分辨率图像对,其中i=1...q;
(1e)对q个高低分辨率图像对分别进行裁剪,并将得到的N个大小为c×c的高低分辨率图像对组成训练样本集S={(X1,Y1),(X2,Y2),...,(Xi,Yi),...,(XN,YN)},i=1,...,N,其中Xi为第i幅高低分辨率图像对中的低分辨率图像,Yi第i幅高低分辨率图像对中的高分辨率图像,N≥q,c≥15;
(2)构建多尺度特征融合网络:
构建包括由依次层叠的输入层、H个依次层叠的多尺度特征融合层、第一卷积层和损失层组成的多尺度特征融合网络,8≤H≤12,其中:
所述输入层,用于接收高低分辨率图像对;
所述多尺度特征融合层,用于提取高低分辨率图像对中的低分辨率图像特征,并将低分辨率图像特征映射为高分辨图像与低分辨图像的残差图像的特征,包括依次层叠的多尺度特征提取层、concat层和第二卷积层,其中,所述多尺度特征提取层,包括n个并行的第三卷积层,n≥2,每个第三卷积层中的卷积核尺寸相等,且不同第三卷积层中的卷积核尺寸不等;所述第二卷积层中卷积核尺寸为1*1;所述第二卷积层和n个并行的第三卷积层后各连接一个非线性激活层;
所述第一卷积层,用于对高分辨图像与低分辨图像的残差图像的特征进行重建,该第一卷积层的卷积核尺寸为d*d,3≤d≤5;
所述损失层,用于使用损失函数对多尺度特征融合网络进行训练,该损失层的损失函数为L(θ);
(3)对多尺度特征融合网络进行训练:
(3a)对多尺度特征融合网络进行初始化,得到初始化的多尺度特征融合网络;
(3b)将高低分辨率图像对中的低分辨率图像作为初始化的多尺度特征融合网络的输
入数据,并将高分辨率图像作为输入数据对应的类标,通过对损失函数L(θ)的最小化实现对初始化的多尺度特征融合网络的优化,得到训练后的多尺度特征融合网络Net1;
(4)获取压缩多尺度特征融合网络:
(4a)采用损失函数为E(θ)的损失层对多尺度特征融合网络的损失层进行替换,得到多尺度特征融合网络Net2;
(4b)采用训练后的多尺度特征融合网络Net1的网络参数对多尺度特征融合网络Net2
进行初始化,并采用自适应矩估计方法迭代地更新初始化后的多尺度特征融合网络Net2的权重,实现对该网络的微调,得到压缩多尺度特征融合网络;
(5)对待重建RGB图像进行超分辨率重建:
(5a)对待重建RGB图像进行格式转换,得到待重建YCbCr图像;
(5b)从待重建YCbCr图像中提取Y通道图像、Cb通道图像和Cr通道图像,得到待重建
YCbCr图像的Y通道图像、待重建YCbCr图像的Cb通道图像和待重建YCbCr图像的Cr通道图像;
(5c)将待重建YCbCr图像的Y通道图像输入压缩多尺度特征融合网络,得到待重建
YCbCr图像的Y通道残差图像;
(5d)将待重建YCbCr图像的Y通道图像与待重建YCbCr图像的Y通道残差图像相加,得到重建高分辨率YCbCr图像的Y通道图像;
(5e)将重建高分辨率YCbCr图像的Y通道图像、待重建YCbCr图像的Cb通道图像和待重建YCbCr图像的Cr通道图像进行组合,得到重建高分辨率YCbCr图像,并对重建高分辨率YCbCr图像进行格式转换,得到重建高分辨率RGB图像。
2.根据权利要求1所述的基于压缩多尺度特征融合网络的图像超分辨重建方法,步骤(2)中所述的H个依次层叠的多尺度特征融合层,其第1层和第2到H层的数学表达分别为:
其中,X表示训练样本集中的高低分辨率图像对中的低分辨率图像的集合,n表示多尺度特征融合层中多尺度特征提取层中的第三卷积层的数量, 表示第h个多尺度特征融合层的第j个第三卷积层的权重, 表示第h个多尺度特征融合层中第二卷积层的权重,表示第h个多尺度特征融合层的第j个第三卷积层的偏置, 表示第h个多尺度特征融合层中第二卷积层的偏置,*代表卷积操作,Fh-1(X)表示第h-1个多尺度特征融合层的输出,σ表示非线性激活层的非线性激活函数,σ的数学表达式为:f(x)=max(0,x),x为输入。
3.根据权利要求1所述的基于压缩多尺度特征融合网络的图像超分辨重建方法,步骤(2)中所述的多尺度特征融合网络损失层的损失函数L(θ),其数学表达为:
其中,F(Xi;θ)表示低分辨率图像相应的重建高分辨率图像,Xi表示第i幅高低分辨率图像对中的低分辨率图像,Yi表示第i幅高低分辨率图像对中的高分辨率图像,θ表示网络所有需要优化的参数集合,Ri=(Yi-Xi)表示Yi与Xi的残差图像,N表示高低分辨率图像对的数量。
4.根据权利要求3所述的基于压缩多尺度特征融合网络的图像超分辨重建方法,步骤(4a)中所述的损失函数E(θ),其数学表达式为:
其中,λs表示正则权重,将第一卷积层、n个第二卷积层和n×H个第三卷积层进行编号,得到编号从第1到第L个卷积层, 是多尺度特征融合网络中第l个卷积层中第cl个通
道上位于(ml,kl)位置的权重,Cl表示多尺度特征融合网络中第l个卷积层中总的通道数,Ml为表示多尺度特征融合网络中第l个卷积层中的卷积核的长度,Kl为表示多尺度特征融合网络中第l个卷积层中的卷积核的宽度,|| ||g为组稀疏。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种NBIOT的频域时频同步方法 | 2020-05-08 | 599 |
一种基于压缩感知的视频序列重构方法 | 2020-05-11 | 378 |
自学习多路图像融合的实时矫正方法及系统 | 2020-05-11 | 121 |
一种基于噪声方差分段估计的图像去噪方法 | 2020-05-12 | 859 |
一种基于可调狭缝的波长可调谐掺铒光纤锁模激光振荡器 | 2020-05-08 | 973 |
一种Gm-APD激光雷达最远探测距离的计算方法 | 2020-05-08 | 647 |
单字符文本归一化模型训练方法、文本识别方法及装置 | 2020-05-12 | 914 |
操作助听器系统的方法以及助听器系统 | 2020-05-11 | 575 |
一种基于图像质量的人脸防伪方法 | 2020-05-08 | 518 |
质谱检测乳制品中A1、A2型β酪蛋白的质谱模型及其构建方法 | 2020-05-08 | 215 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。