申请/专利权人：西北工业大学深圳研究院;西北工业大学

申请日：2022-05-14

公开（公告）日：2024-03-19

公开（公告）号：CN115082307B

主分类号：G06T3/4046

分类号：G06T3/4046;G06T3/4053;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.10.11#实质审查的生效;2022.09.20#公开

摘要：本发明公开了一种基于分数阶微分方程的图像超分辨率方法，首先，将深度神经网络的变换看做分数阶动力学系统，基于系统解决方案自动构建两个相互依赖的密集连接模块；其次，借助两个模块各自的功能，即控制系统迭代预测下一个状态的预测模块进行粗重建，以及迭代细化预测状态以提高预测精度的校正模块进行细重建，完成神经分数阶微分方程网络模型的结构设计，重建超分辨率图像；然后，迭代两个密集连接的模块的循环结构，具有内存效率并且可用于低功耗实际应用；最后，通过分析分数阶微分方程的解决方案的存在性和唯一性，从理论上保证了超分辨率神经分数阶微分方程网络模型的可行性，获得细节更加生动的图像超分辨结果。

主权项：1.一种基于分数阶微分方程的图像超分辨率方法，其特征在于，包括如下步骤：步骤1：对于给定的单张低分辨率图像，用卷积操作对其进行处理，得到特征图p1；步骤2：给出带有初值条件y0的连续时间的Caputo导数动力学系统表达式： 其中，y0表示由低分辨率图像处理得到的特征图p1，α∈0,1代表分数阶次；表示Caputo类型分数阶动力学系统，C代表Caputo类型；yt,ft,y分别表示Caputo系统在时间t∈{0...T}的状态及相应的微分动力学形式；T代表Caputo系统的终止计算时间；为了离散求解方程1，首先给出1式对应的分数阶积分方程： 其中Γα是Gamma函数，s表示时间；步骤3：构建神经分数阶微分方程网络模型，包括粗重建子网络和细重建子网络，对应的网络堆叠方式用数学形式表达为：粗重建子网络堆叠方式： 其中ftj,yj；θf是由“Conv+PReLU”组成的带有参数θf的动力学形式；tj∈{0...T}，yj代表在时间j时的系统状态，代表在时间k+1时的预估状态，bj,k+1，0jk为： 其中，h表示时间步长，大小等于tj-tj-1；细重建子网络堆叠方式： 其中aj,k+1为： 用粗重建子网络3对p1进行特征提取，输出特征p2；再对p2用细重建子网络4细化重建粗重建的特征信息结果，输出特征p3；步骤4：建立由三个卷积层、神经分数阶微分方程网络模型和一个上采样操作组成的超分辨率卷积神经网络，并利用反向传播算法求解L1范数进行网络优化训练；所建立的超分辨率卷积神经网络的结构依次为：第一层卷积层，输出空间的维度为64，卷积窗口的大小为3，卷积步长为1，padding设置为0，输出结果为p1；神经分数阶微分方程网络由粗重建子网络和细重建子网络组成，输出结果为p3；第二层卷积层，输出空间维度为64，卷积窗口的大小为3，卷积步长为1，padding设置为0，输出结果为p4；将第一层卷积的输出与第二层卷积的输出进行跳跃连接，输出结果为p5；再进行上采样操作，采用的是双线性插值，输出结果为p6；最后是第三层卷积层，输出空间维度为输入数据的空间维度，得到复原的高分辨率图像p7。

全文数据：

权利要求：

百度查询： 西北工业大学深圳研究院;西北工业大学 一种基于分数阶微分方程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