申请/专利权人：江苏大学

申请日：2024-03-27

公开（公告）日：2024-06-21

公开（公告）号：CN118229528A

主分类号：G06T3/4053

分类号：G06T3/4053;G06T3/4046;G06N3/045;G06N3/0464

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明公开了一种基于边缘约束的深度展开图像超分辨率重构方法，这个方法将对应的数学模型展开成包含三个子块的网络模型‑边缘约束深度展开网络ECDUN。该方法主要包含以下步骤：步骤S1.利用现有的边缘特征明显的数据集训练网络模型；步骤S2.构造基于边缘约束的深度展开网络模型；步骤S3.利用步骤S1选择的数据集训练网络模型；步骤S4.利用步骤S3训练好的网络模型来进行最终的图像超分辨率重构任务的测试。本发明所提出的方法在保持可解释的同时，在像Set5,Set14,BSD100,Urban100和Manga109这些通用数据集上相对于现有的先进图像超分辨率方法具有较高的PSNR和SSIM，并且最终重构的图像在边缘纹理上相对更加清晰，过度也更加自然。

主权项：1.一种基于边缘约束的深度展开网络的图像超分辨率重构方法，其特征在于，包含如下步骤：步骤S1.利用现有的边缘特征明显的数据集训练网络模型：所描述的训练数据集包含多个由高质量且具有明显边缘特征的原图像和对应的退化图像组成的数据对；步骤S2.构造基于边缘约束的深度展开网络模型：在原始的数学模型中加入边缘约束先验，然后利用半二次分裂算法结合近端梯度下降算法，将原始的数学模型展开成边缘约束深度展开网络，并加入残差投影模块RPM和平行交叉模块PFM；以上所描述的边缘约束深度展开网络ECDUN包含三个子模块：边缘特征提取模块EFEM，中间变量更新模块IVUM和变量引导的重构模块VGCM；其中的边缘特征提取模块用作每个阶段边缘特征的提取，中间变量更新模块负责每个阶段的边缘特征整合并将其结合到图像特征中去，变量引导的重构模块则在每个阶段将前两个模块整合好的边缘特征和图像特征作最终的整合，从而得到每个阶段的重构图像；其中，平行交叉融合模块PFM被设计进IVUM和VGCM，它的主要功能是将边缘特征和图像特征利用3×3的卷积进行特征融合，并利用门机制来选择二者互补的特征；残差投影模块RPM是将ECDUN重构得到的高分辨率图像进行下采样，然后将其与原始的干净图像之间作特征差，得到的特征差会被重新结合到边缘约束深度展开网络重构得到的高分辨率图像中，最终得到重构好的超分辨率图像；步骤S3.利用步骤S1选择的数据集训练网络模型：基于具有良好的边缘特征的属性，选择DIV2K作为训练数据集。基于这个数据集，给定损失函数，利用反向传播和Adam算法不断优化边缘约束深度展开网络中的参数，直到损失函数稳定；步骤S4.利用步骤S3训练好的网络模型来进行最终的图像超分辨率重构任务的测试：输入退化的图像，网络输出就是重构后的超分辨率图像。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于边缘约束的深度展开图像超分辨率重构方法

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