基于学习率自适应的卷积神经网络图像超分辨率重建方法与流程

技术特征：

1.一种基于学习率自适应的卷积神经网络图像超分辨率重建方法，其特征在于，包括：

步骤S1、对高分辨率训练图像集中的图像进行模糊和下采样，得到对应的低分辨率训练图像集；

步骤S2、将低分辨率的图像进行双立方插值放大,得到低分辨率图像Y；

步骤S3、得到低分辨率图像Y输入预训练好的学习率自适应卷积神经网络，得到重建高分辨率图像。

2.如权利要求1所述的基于学习率自适应的卷积神经网络图像超分辨率重建方法，其特征在于，步骤S3中通过学习率自适应的卷积神经网络，得到重建高分辨率图像具体为：

S3.1、卷积层C1，输入低分辨率训练数据，通过n1个大小为f1×f1的滤波器，输出n1个特征图，

y^j＝Σ_ik^ij*xⁱ+b^j，

其中，xⁱ表示第i次输入的特征图，y^j表示第j次输出的特征图，k^ij表示第i和j次输入输出特征图之间的卷积核，b^j表示第j次输出的特征图的偏置，*表示卷积；

S3.2、卷积层C2，输入上一层的输出，通过n2个大小f2×f2的滤波器，输出n2个特征图；

S3.3、卷积层C3，输入上一层的输出，通过n3个大小f3×f3的滤波器，输出特征图n3；

S3.4、卷积层C4，输入上一层的输出，通过n4个大小f4×f4的滤波器，输出特征图n4；

S3.5、卷积层C5，输入上一层的输出，通过n5个大小f5×f5的滤波器，输出特征图n5；

S3.6、卷积层C6，输入上一层的输出，通过n6个大小f6×f6的滤波器，输出特征图n6；

S3.7、将得到的高分辨率图像块，取图像块中间的像素点赋值为高分辨率图像对应位置坐标的像素值，重建高分辨率图像。

3.如权利要求1所述的基于学习率自适应的卷积神经网络图像超分辨率重建方法，其特征在于，所述S3中的卷积神经网络中的每一卷积层后附加一个批归一化处理层(Batch Normalization)，批归一化通过以下公式对输入数据进行缩放和平移：

$y=\mathrm{\γ}\hat{x}+\mathrm{\β}$

其中，E(x)为每一批训练数据神经元x的平均值；为每一批数据神经元x激活度的一个标准差，γ、β为可学习重构参数，y为输出。

4.如权利要求1所述的基于学习率自适应的卷积神经网络图像超分辨率重建方法，其特征在于，在卷积神经网络反向传播训练时运用学习率自适应算法加速网络的收敛，具体包括以下步骤：

步骤(1)设卷积网络N，初始网络参数Θ，训练集图像Ω，验证集图像Φ，可控参数α、t；

步骤(2)训练集图像Φ通过卷积网络N，通过均方误差(MSE)公式计算损失函数，得到损失L₀；

$L\left(\mathrm{\Θ}\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left|\right|F(Y_i;\mathrm{\Θ})-X_i|{|}^2$

其中，n表示训练集个数，Y_i表示输入的低分辨率图像，F(Y_i；Θ)表示卷积网络N和网络初始参数Θ训练得到的高分辨率图像，X_i表示原图高分辨率图像。

步骤(3)设置学习率η＝α/L₀，验证集图像Φ通过卷积网络N得到损失L；

步骤(4)如果L＞t；

利用反向传播算法(BP)对卷积网络N调整并计算损失L；如果L没有变小；η＝η×0.1；

步骤(5)如果L＜t；

设置学习率η＝α/L；

步骤(6)如果卷积网络没有收敛，重复步骤(3)。