基于卷积神经网络的模糊监控图像超分辨率重建方法与流程

技术特征：
1.基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：包括如下步骤，步骤s10：建立数据集，并对所述数据集进行预处理；步骤s20：建立神经网络模型，所述神经网络模型包括第一分支和第二分支，所述第二分支包括特征提取单元、学习映射单元和图像重建单元，其中，所述特征提取单元为双通道特征提取单元，所述学习映射单元为残差块学习映射单元，所述特征提取单元、学习映射单元和图像重建单元依次连接，所述图像重建单元的输出与第一分支的输出进行特征图融合；步骤s30：对构建的神经网络模型进行训练和测试，通过损失函数指导网络的训练，得到训练好的神经网络模型。2.根据权利要求1所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：所述第一分支为插值层，所述插值层采用双三次插值方法对图像进行处理。3.根据权利要求1所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：所述双通道特征提取单元包括第一通道卷积层、第二通道卷积层和连接层，所述第一通道卷积层和第二通道卷积层通过连接层连接。4.根据权利要求3所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：所述第一通道卷积层为28个5*5的卷积核，所述第二通道卷积层包括两层卷积层，且每层卷积层中均包括28个5*5的卷积核。5.根据权利要求4所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：所述残差块学习映射单元包括第一卷积层、残差块层和特征融合层，其中，所述连接层与第一卷积层连接，所述第一卷积层的输出与残差块层的输入连接，所述第一卷积层的输出还通过长跳转操作与特征融合层连接，所述残差块层的输出与特征融合层连接，所述特征融合层将第一卷积层的输出和残差块层的输出进行残差特征融合。6.根据权利要求5所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：所述残差块层包括四层残差块，每层残差块依次连接，其中，每层残差块中均包括第三卷积层、激活函数层和第四卷积层，所述第三卷积层通过激活函数层与第四卷积层连接，所述第三卷积层和第四卷积层均为3*3的卷积层。7.根据权利要求6所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：所述图像重建单元包括第五卷积层和上采样块，所述第五卷积层和上采样块连接，所述上采样块包括第六卷积层和像素重排层，所述第六卷积层为3*3的卷积层。8.根据权利要求1所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：步骤s10中，对数据集进行预处理的方法包括如下步骤：s101）：将数据集中的每张图像尺寸均缩放至为原图像的一半；s102）：将缩放后的每张图像均进行270
°
，180
°
和90
°
的旋转。9.根据权利要求1所述的基于卷积神经网络的模糊监控图像超分辨率重建方法，其特征在于：步骤s30中的损失函数为均方误差损失函数，所述均方误差损失函数为：其中，m为数据集中的图像样本数量，是数据集中图像样本的次序，，是第个样本
的真实值，是第个样本的预测值。

技术总结
本发明公开了基于卷积神经网络的模糊监控图像超分辨率重建方法，包括建立数据集，并对所述数据集进行预处理，建立神经网络模型，所述神经网络模型包括第一分支和第二分支，所述第二分支包括特征提取单元、学习映射单元和图像重建单元，其中，所述特征提取单元为双通道特征提取单元，所述学习映射单元为残差块学习映射单元，所述特征提取单元、学习映射单元和图像重建单元依次连接，所述图像重建单元的输出与第一分支的输出进行特征图融合，对构建的神经网络模型进行训练和测试，通过损失函数指导网络的训练，得到训练好的神经网络模型。提高了图像重建的质量有益效果。提高了图像重建的质量有益效果。提高了图像重建的质量有益效果。


技术研发人员：于俊洋 祝旭阳 左梦乐 何欣 宋亚林 翟锐 王瑛琦
受保护的技术使用者：河南大学
技术研发日：2021.07.19
技术公布日：2021/11/4