1.一种基于残差稠密CNN和边缘增强的改进图像超分辨率重建方法,其特征在于,包括以下步骤:(1)针对深度学习的超分辨率重建方法的研究,基于卷积神经网络算法,提出了一种新的超分辨率算法:基于残差稠密卷积神经网络和边缘增强的改进图像超分辨率重建方法;
(2)RECNN体系结构主要由3层组成;进行包括如下步骤的处理:一个低分辨率原始图像先转换至YUV通道;通过使用YUV通道,将输入图像分解成亮度通道和色度通道,其中亮度通道即为Y通道,色度通道即为U通道和V通道;
第一层:首先对U通道分解出来的图像进行双三次插值法放大,然后对放大后的U通道图像使用引导滤波,进行边缘增强;得到边缘增强后放大的图像;
第二层:对V通道分解出的图像使用如第一层相同的方法,得到边缘增强后放大的图像;
第三层:对于分解出来的Y通道图像,使用改进的残差稠密卷积神经网络,经过两个残差稠密块提取特征,然后亚像素卷积上采样得到放大后的边缘增强图像;
最后将三个通道的结果再结合,再转换至RGB通道,最后得到超分辨率结果图像;
在色度通道中,I
f
上述公式中,SLF表示浅层特征提取,SLF
通过对多个残差稠密块进行分层特征计算,得到一种既包含低分辨率图像特征又包含残差稠密块特征的稠密特征融合,其具体步骤如式(2-4)所示;
f
f
f
其中RDB表示残差稠密块,SLF
残差稠密块被设计为3个卷积层,每一个卷积层都有一个激活函数;其中第一卷积层跳链接至第二卷积层、第三卷基层;第二个卷积层跳跃至第三卷积层;这里的f
2.根据权利要求1所述的一种基于残差稠密CNN和边缘增强的改进图像超分辨率重建方法,其特征在于,还包括:(1)首先将RGB颜色通道的图像转换至YUV通道,通过使用YUV通道,将图像分为色度通道(即U、V通道)和亮度通道(即Y通道)时,使用等式1实现将低分辨率输入图像转换至YUV通道;
公式5中,Y代表图像的亮度通道,U代表图像的红色色度通道,V代表图像的蓝色色度通道;R代表图像的红色分量通道,G代表图像的绿色分量通道,B代表图像的蓝色分量通道;通过公式1可以实现图像在RGB通道和YUV通道的转换,即实现算法的第一步;
公式6中,G为引导图像,Y为输出图像,通过与降噪模型的结合构建图像优化目标函数,之后最小化目标函数以实现边缘增强,Y
3.根据权利要求2所述的一种基于残差稠密CNN和边缘增强的改进图像超分辨率重建方法,其特征在于,还包括:将公式(5)的输出作为三层结构的输入,分别对三个通道进行不同的处理;首先对色度通道使用公式(3-4)双三次插值法进行放大,然后由式(2)进行引导滤波处理,得到边缘强化后的色度通道图;并且将其作为最后与处理完成后亮度通道结合的输入;
双三次插值法是利用Bicubic函数作为基函数的插值方式;Bicubic函数的如式8所示:在公式(7)中,当a为0.5时,可获得最好效果;设源图像为l,大小为m×n,经K倍缩放后的目标图像为L,大小为M×N,即K=M/m;要想求得目标图像L中每一个像素值(X,Y)的值就必须在源图像中找到与之对应的像素点(x,y),然后将(x,y)周围相邻的16个像素点作为计算目标像素点(X,Y)的参数;根据比例f点就是目标图像L在点(X,Y)处对应的源图像中的位置,其坐标表示为f(x,y)=f(i+u,j+v),其中(i,j)表示图像中给定的像素点,u表示定点与待求点之间在水平方向上的距离,v表示定点与待求点之间在垂直方向上的距离,所以目标像素值由式(8)插值得到:f(x,y)=f(i+u,j+v)=A×B×C (8)其中,W为上文所示Bicubic插值函数。
4.根据权利要求1所述的一种基于残差稠密CNN和边缘增强的改进图像超分辨率重建方法,其特征在于,还包括:使用公式9将YUV各个通道分量图合成最后高分辨率输出结果图像;
公式9中,Y代表图像的亮度通道,U代表图像的红色色度通道,V代表图像的蓝色色度通道;R代表图像的红色分量通道,G代表图像的绿色分量通道,B代表图像的蓝色分量通道。