发明名称 |
一种基于区域深度卷积神经网络的人脸超分辨率算法 |
摘要 |
本发明公开了一种基于区域深度卷积神经网络的人脸超分辨率算法,包括以下步骤:训练阶段:S1、对输入的低分辨率人脸图像在像素域中划分相互重叠的图像块,得到多个局部区域;S2、对局部区域提取得到局部特征;S3、对局部特征进行非线性变化得到非线性特征;S4、对非线性特征进行处理,得到重建后的高分辨率图像块;S5、对高分辨率图像块进行拼接,并调整多层卷积层和修正线性单元层的参数;测试阶段:S6、输入低分辨率的测试人脸图像,通过超分辨率网络处理得到高分辨率的人脸图像。本发明提出的区域卷积神经网络提高了重建高分辨率图像的主客观重建质量。 |
申请公布号 |
CN106600538A |
申请公布日期 |
2017.04.26 |
申请号 |
CN201611161604.X |
申请日期 |
2016.12.15 |
申请人 |
武汉工程大学 |
发明人 |
卢涛;汪浩;潘兰兰;管英杰;曾康利;汪家明;陈希彤 |
分类号 |
G06T3/40(2006.01)I;G06N3/08(2006.01)I |
主分类号 |
G06T3/40(2006.01)I |
代理机构 |
湖北武汉永嘉专利代理有限公司 42102 |
代理人 |
唐万荣 |
主权项 |
一种基于区域深度卷积神经网络的人脸超分辨率算法,其特征在于,包括以下步骤:训练阶段:S1、获取训练的高分辨率人脸图像,对其处理得到低分辨率人脸图像,使用滑动窗口自适应的选择相邻的图像块,将低分辨率人脸图像在像素域中划分相互重叠的图像块,得到多个局部区域;S2、将局部区域作为输入,通过第一层卷积层和修正线性单元层提取得到局部特征;S3、将局部特征作为输入,通过第二层卷积层和修正线性单元层,进行非线性变化得到非线性特征;S4、将非线性特征作为输入,通过第三层卷积层和修正线性单元层,得到重建后的高分辨率图像块;S5、根据高分辨率图像块的重叠部分,对高分辨率图像块进行拼接,输出完整的高分辨率人脸图像,将输出的高分辨率人脸图像与训练的高分辨率人脸图像进行比较,根据比较结果的相似程度,调整多层卷积层和修正线性单元层的参数;测试阶段:S6、根据训练阶段得到的多层卷积层和修正线性单元层组成超分辨率网络,输入低分辨率的测试人脸图像,通过超分辨率网络处理得到高分辨率的人脸图像。 |
地址 |
430074 湖北省武汉市洪山区雄楚大街693号 |