基于K均值驱动卷积神经网络的分布式图像超分辨方法与流程

技术特征：

1.基于K均值驱动卷积神经网络的分布式图像超分辨方法，其特征在于，所述分布式图像超分辨方法包括：

按位置裁剪待超分辨的低分辨率图像，以得到所述低分辨率图像对应的多个低分辨率小图像块；

提取所述多个低分辨率小图像块各自的内容结构特征；

根据所述多个低分辨率小图像块各自的内容结构特征、利用训练模型的K个聚类中心对所述多个低分辨率小图像块进行分类，分别得到所述多个低分辨率小图像块各自所属的聚类中心，其中，所述训练模型包括K个聚类中心，以及每个聚类中心对应的卷积神经网络模型，其中K为正整数；

对所述多个低分辨率小图像块进行上采样处理，以得到其中每个低分辨率小图像块对应的高分辨率无细节小图像块；

针对所述多个低分辨率小图像块中的每一个，将该低分辨率小图像块对应的高分辨率无细节小图像块输入到该低分辨率小图像块所属聚类中心对应的卷积神经网络模型中，得到该卷积神经网络模型的输出结果，通过将该输出结果与该低分辨率小图像块对应的高分辨率无细节小图像相加而得到该低分辨率小图像块对应的高分辨率小图像块；

将所述多个低分辨率小图像块各自对应的高分辨率小图像块按其在所述低分辨率图像中的位置关系进行拼接处理，以得到所述低分辨率图像对应的高分辨率图像。

2.根据权利要求1所述的分布式图像超分辨方法，其特征在于，所述训练模型通过如下方式预先获得：

将标准训练数据集中的所有高分辨率训练图像以重叠的方式裁剪成多个训练高分辨率小图像块，由所述多个训练高分辨率小图像块构成新训练集；

提取所述新训练集中每个训练高分辨率小图像块的内容结构特征；

根据所述新训练集中每个训练高分辨率小图像块的内容结构特征，利用K均值聚类方式对所述新训练集中所有训练高分辨率小图像块进行分类，得到K个聚类中心以及所述新训练集中每个训练高分辨率小图像块的聚类标签；

针对所述K个聚类中心中的每一个，利用卷积神经网络方法对该聚类中心对应的所有训练高分辨率小图像块进行超分辨训练，得到该聚类中心对应的卷积神经网络模型；

由所述K个聚类中心以及其中每个聚类中心对应的卷积神经网络模型构成所述训练模型。

3.根据权利要求1或2所述的分布式图像超分辨方法，其特征在于，每个聚类中心对应的卷积神经网络模型包括该模型对应的第一卷积层、第二卷积层和第三卷积层；

其中，第一卷积层采用128个9*9的卷积核矩阵以及128个偏置值B1，该层的输出结果为Z1＝D*W1+B1，表示输入数据，表示输出结果，该层输出结果经过第一激活函数F1(Z1)＝max(Z1,0)处理后输入到第二卷积层；

第二卷积层采用64个5*5的卷积核矩阵以及64个偏置值B2，该层的输出结果为Z2＝F1(Z1)*W2+B2,该层输出结果经过第二激活函数F2(Z2)＝max(Z2,0)处理后输入到第三卷积层；

第三卷积层采用1个5*5的卷积核矩阵以及1个偏置值B3，该层输的出结果为Z3＝F2(Z2)*W3+B3,该层输出结果与标签L同时输入到损失层；

损失层用于计算第三层输出结果与对应标签之间的均方差将该均方差值作为损失输出；其中，n表示所述第三卷积层的输出结果的样本数。