【技术实现步骤摘要】
一种基于深度学习的深度图像超分辨率重建方法
本专利技术属于计算机图像处理领域,具体为一种基于深度学习的深度图像超分辨率重建方法。
技术介绍
近年来,由于计算机视觉技术的发展,深度信息的获取和处理已成为热门研究方向之一。与传统二维彩色图片不同,深度图像包含了场景的深度信息,通过像素值大小直观反映了景物可见表面的几何形状和物体到相机的距离。因此,深度图像在三维重建、人体识别、机器人导航、文物保护、人机交互等领域都能得到广泛的应用。目前,深度图像超分辨率重建方法主要分为三类:彩色图片引导深度图像超分辨率重建方法、多幅深度图像融合超分辨率重建方法和基于学习的深度图像超分辨率重建方法。彩色图片引导深度图像超分辨率重建方法主要利用同场景高分辨彩色图像作为数据指导项,利用彩色信息来协助深度图像的重建。彩色图片引导深度图超分辨率重建方法需要获得精准匹配的同场景高分辨率彩色图像,当彩色图片不连续信息和深度图片不连续信息不一致时,易产生伪影,因此在实际运用中并不理想。多幅深度图像融合超分辨率重建方法指利用多幅深度图像的冗余信息,重构出高分辨率的深度图像。多幅深度图像融合超分辨率重建方法只利用了深度图像的内部信息,而输入深度图像由于分辨率较低,利用信息有限,重建效果一般。基于学习的深度图像超分辨率重建方法作为目前使用最广泛、重建效果最好的方法,又可以分为两类:第一类是先通过大量样本训练构造出低/高分辨率图像配对的数据集,形成字典,再经由字典和低分辨率图像重建出高分辨率深度图像。第二类是利用深度学习通过大量数据训练学习到低分辨率到高分辨率深度图的非线性映射关系,由这种映射关系对高 ...
【技术保护点】
1.一种基于深度学习的深度图像超分辨率重建方法,其特征在于,当上采样因子r=2时,训练整个网络,包括下列步骤:(1)从不同的深度图像公开数据集中分别选取一定数量的深度图像;(2)数据增强:将采集到的深度图像分别旋转90°、180°、270°,再按比例缩放0.8、0.9倍,增强之后图片数量增加到原来的12倍;(3)图片预处理:预处理分为两个部分,网络输入数据和数据标签;(4)深度卷积神经网络结构的设计:整个网络主要分为三个部分;第一部分为亚像素卷积神经网络;定义了卷积层,并加入了残差连接加快训练速度,学习从低分辨率深度图像到高分辨率深度图像的映射关系:第二部分为亚像素重建;将第一部分的网络输出的多路通道按照亚像素点位置进行组合,使其形成与高分辨率深度图像大小相等的单路通道输出,实现了超分辨率中的上采样;完成的这个功能的层命名为亚像素重建层;第三部分为非局部约束;对第二部分得到的亚像素重建层组合后的输出结果进行非局部约束,经过非局部约束后即可得到最终的高分辨率深度图像HR;(5)用步骤(2)中处理好的网络输入数据和数据标签对整个网络进行训练,训练完成后将低分辨率深度图像输入到训练好的网络模 ...
【技术特征摘要】
1.一种基于深度学习的深度图像超分辨率重建方法,其特征在于,当上采样因子r=2时,训练整个网络,包括下列步骤:(1)从不同的深度图像公开数据集中分别选取一定数量的深度图像;(2)数据增强:将采集到的深度图像分别旋转90°、180°、270°,再按比例缩放0.8、0.9倍,增强之后图片数量增加到原来的12倍;(3)图片预处理:预处理分为两个部分,网络输入数据和数据标签;(4)深度卷积神经网络结构的设计:整个网络主要分为三个部分;第一部分为亚像素卷积神经网络;定义了卷积层,并加入了残差连接加快训练速度,学习从低分辨率深度图像到高分辨率深度图像的映射关系:第二部分为亚像素重建;将第一部分的网络输出的多路通道按照亚像素点位置进行组合,使其形成与高分辨率深度图像大小相等的单路通道输出,实现了超分辨率中的上采样;完成的这个功能的层命名为亚像素重建层;第三部分为非局部约束;对第二部分得到的亚像素重建层组合后的输出结果进行非局部约束,经过非局部约束后即可得到最终的高分辨率深度图像HR;(5)用步骤(2)中处理好的网络输入数据和数据标签对整个网络进行训练,训练完成后将低分辨率深度图像输入到训练好的网络模型中,在输出层输出完成超分辨率的深度图像。2.根据权利要求1所述的一种基于深度学习的深度图像超分辨率重建方法,其特征在于,步骤(3)包括以下步骤:(3.1)将步长设置为42,将增强后的深度图片分块成42*42大小的子图像块,后根据亚像素原理将其中处在不同亚像素组合位置的像素点分开,形成21*21大小的r×r=4路通道子图像块,将这些处理好的数据作为训练网络的数据标签,也就是真值;(3.2)对数据增强后的深度图片逐一进行下采样,得到低分辨率深度图像,接着将低分辨率图片进行分块处理,步长设置为21,将低分辨率深度图像分块成21*21大小的子图像块,之后将每个子图像块复制成4组以对应网络数据标签4路通道的子图像块,把这些数据作为网络输入数据。3.根据权利要求1所述的一种基于深度学习的深度图像超分辨率重建方法,其特征在于,步骤(4)具体的包括,整个网络主要分为三个部分;第一部分为亚像素卷积神经网络;定义了10层卷积层,并加入了残差连接加快训练速度,学习从低分辨率深度图像到高分辨率深度图像的映射关系:output1=F(D,{W...
【专利技术属性】
技术研发人员:董秀成,范佩佩,李滔,任磊,李亦宁,金滔,
申请(专利权)人:西华大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。