欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019111701544
申请人: 广东石油化工学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于自样例增强的超分辨率图像重建方法,其特征在于:包括如下步骤:

先用独立的卷积网络分别提取低分辨率和高分辨率图像的非设计特征,然后利用残差网络对特征提取网络的输出图像进行增强,再建立自相似训练集,学习包含自样本的增强重建图像与高分辨率图像之间的映射关系,最终估计出重建的高分辨率图像。

2.根据权利要求1所述的基于自样例增强的超分辨率图像重建方法,其特征在于:更具体的步骤为:

a、给定外部训练集,确定放大系数u,设计两个独立的卷积神经网络,分别提取低分辨率图像和高分辨率图像的非设计特征;

b、根据步骤a得到的非设计特征,在低分辨率和高分辨率特征图上分别提取p×p的补丁块,并写成向量形式构建样本集;训练过完备的联合字典,在样本集中分别寻找每个低分辨率字典原子的的若干近邻样本,利用回归和最小二乘方法估计低分辨率非设计特征与高分辨率非设计特征之间的映射关系,连接两个非设计特征提取网络;

c、根据步骤b连接后的两个卷积网络的输出,设计一个残差卷积网络,对两个连接的非设计特征提取网络的输出图像进行特征表达增强,得到增强重建图像;

d、将待重建的低分辨率图像下采样u倍,对下采样图像,确定采样因子s,构建多尺度的自相似图像;对构建的自相似图像,应用步骤a训练的低分辨率非设计特征提取网络和步骤b的映射关系,得到连接网络输出图像,对该输出图像应用步骤c,获得对应的增强重建图像,组成自相似样本集;

e、对步骤d得到的自相似样本集,结合步骤c得到的外部样本集,在增强重建图像和高分辨率图像上分别提取p×p的补丁块;确定特征提取算子,分别对增强重建图像和高分辨率图像补丁块提取特征,运用锚点近邻回归和最小二乘算法估计包含自样本学习的映射关系;根据得到的映射关系,估计最终重建的高分辨率图像。

3.根据权利要求2所述的基于自样例增强的超分辨率图像重建方法,其特征在于:所述步骤a中,非设计特征提取网络的输出近似等于其输入;网络包含三个卷积层,每一层的卷积核大小分别为:64×9×9,32×1×1和1×5×5;网络学习与优化可以表示为:其中I表示输入图像,l表示卷积层数索引,o表示输出层索引,参数更新迭代使用误差反向传播算法,最终每一张训练图像对应的非设计特征图共32张。

4.根据权利要求2所述的基于自样例增强的超分辨率图像重建方法,其特征在于:所述步骤b中,用于采集补丁块的低分辨率特征图为对应非设计特征提取网络提取的32张特征图的和,高分辨率特征图为对应非设计特征提取网络提取的32张特征图,补丁块大小p=

3u;通过K-SVD方法学习不同特征图的过完备字典,每个低分辨率字典原子对应的最近邻样本个数为2048,映射关系公式为:其中k表示高分辨率非设计特征图对应的字典索引,j表示每个低分辨率字典的原子索引, 表示最近邻的低分辨率非设计特征的样本集, 表示对应的高分辨率非设计特征的样本集,λu表示正则化系数。

5.根据权利要求2-4任意一项所述的基于自样例增强的超分辨率图像重建方法,其特征在于:所述步骤c中,残差网络包含三个卷积层,每一层的卷积核大小分别为:64×9×9,

32×1×1和1×5×5;网络学习与优化可以表示为:

其中Iz表示连接网络的输出图像,即残差网络的输入图像,l表示卷积层数索引,o表示输出层索引,ori表示原始高分辨率图像,参数更新迭代使用误差反向传播算法。

6.根据权利要求5所述的超分辨率图像重建方法,其特征在于:所述步骤d中,采样系数为0.98,多尺度参数为20。

7.根据权利要求5所述的超分辨率图像重建方法,其特征在于:所述步骤e中,补丁块大小p=3u;增强重建图像的特征提取算子为水平方向和垂直方向的一阶微分和二阶微分算子,对增强重建图像补丁块进行卷积操作并写成向量形式,并利用主成分分析在去除数据中的冗余信息的同时进行降维;高分辨率特征提取是从高分辨率补丁块中去除相应的增强重建图像信息;基于提取的特征样本,训练大小为1024的过完备字典,确定每个增强重建图像字典原子的2048个最近邻样本,并利用回归和最小二乘法估计增强重建图像特征与高分辨率图像特征之间的映射关系,公式为:其中j表示增强重建图像字典的原子索引, 表示最近邻的增强重建图像特征的样本集, 表示对应的高分辨率非设计特征的样本集,λc表示正则化系数。