申请/专利权人：重庆邮电大学

申请日：2021-01-20

公开（公告）日：2021-05-07

公开（公告）号：CN112767251A

主分类号：G06T3/40(20060101)

分类号：G06T3/40(20060101);G06T5/50(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.04.07#授权;2021.05.25#实质审查的生效;2021.05.07#公开

摘要：本发明属于图像超分辨率重建领域，具体涉及一种基于多尺度细节特征融合神经网络的图像超分辨率方法，该方法包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；本发明在提取特征的过程中，增加了原始图片中的高频信息，通过这种集成的方式，增加了网络的稳定性；另外在残差密集块方面，利用了多层的特征融合机制，增加了语义信息，也加入了通道特征筛选，使整个网络能够更好地表达；并且，在特征提取过程的每个阶段，即每个残差密集块后，加入损失计算，用于反向传播调整特征提取的过程，提高了网络的表达能力以及能够更好地学习重建高分辨率图片。

主权项：1.一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；训练改进的深度神经网络模型的过程包括：S1：获取原始图像，对原始图像进行预处理，得到训练数据集和测试数据集；S2：采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取，得到多尺度的高频细节特征信息；S3：采用两层基于深度学习卷积层对训练数据集中的低分辨率图像进行浅层特征提取；S4：采用残差密集块提取浅层特征的各层局部特征；S5：将每个局部特征和同一层提取的高频细节特征信息进行融合，并通过一层卷积层后计算该局部特征与高分辨率目标图之间的损失；S6：采用残差密集块在全局上提取各层特征，计算出各层特征的损失，对损失进行加权处理，并在模型训练过程中进行反向传播，调整图像特征提取过程；S7：将各层特征进行卷积融合，得到融合了特征后的低分辨率图；对融合特征后的低分辨率图进行上采样，得到最终的高分辨率图像；S8：根据最终的高分辨率图像计算模型的损失函数，将测试集中的数据输入到模型中，不断调整损失函数的参数，当损失函数最小时，完成模型的训练。

全文数据：

权利要求：

百度查询： 重庆邮电大学 基于多尺度细节特征融合神经网络的图像超分辨率方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD