CN110827213A 一种基于生成式对抗网络的超分辨率图像修复方法 （西安工程大学）

一种基于生成式对抗网络的超分辨率图像本发明公开了一种基于生成式对抗网络的一张图像打上大小相同的掩膜，得到待修复图采用弱监督学习方式对生成式对抗网络模型进入到U-Net生成网络中对训练后的待修复图像进2步骤3，将步骤1组成的训练数据集中的每一张低步骤4，将步骤3得到的训练图像输入到U-Net生成网络中对训练后的待修复图像进行2.根据权利要求1所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征3.根据权利要求1所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征4.根据权利要求3所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征5.根据权利要求1所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征36.根据权利要求1所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征数对训练数据集中的图像进行降采样操作，其中每一次降采样操作均会增加一杯通道数，7.根据权利要求1所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征8.根据权利要求1所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征设训练数据集为图像样本"输入得到对应的弱监督输出所以49.根据权利要求1所述的一种基于生成式对抗网络的超分辨率图像修复方法，其特征使用1-范数距离来衡量生成器生成图像的未破损区域和真实图像数据中未破损区域w•G'tx,)-y,ll,(14)步骤4.2，生成器G(z)根据输入的随机噪声z和步骤1中真实图像数据的的相关信息生 56[0005]本发明所采用的技术方案是，一种基于生成式对抗网络的超分辨率图像修复方[0008]步骤3，将步骤1组成的训练数据集中的每一张低分辨率图像打上大小相同的掩7[0009]步骤4，将步骤3得到的训练图像输入到U-Net生成网络中对训练后的待修复图像函数对训练数据集中的图像进行降采样操作，其中每一次降采样操作均会增加一杯通道8卷积层，且每个卷积层后面使用relu激活函数对训练数据集中的图像进进行升采样操作，[0032]设训练数据集为图像样本输入得到对应的弱监督输出所以图像样本在训练数据集M上的结构化风险函数9[0043]使用1-范数距离来衡量生成器生成图像的未破损区域和真实图像数据中未破损[0056]步骤4.2，生成器G(z)根据输入的随机噪声息生成图像，在图像生成过程中U-Net生成网络根据系统损失函数生成修复好的高分辨率[0060](1)本发明一种基于生成式对抗网络的超分辨率图像修复方法，采用弱监督学习[0062](3)本发明一种基于生成式对抗网络的超分辨率图像修复方法，判别器利用变分[0063](4)本发明一种基于生成式对抗网络的超分辨率图像修复方法，采用随机梯度算[0066]图2是本发明一种基于生成式对抗网络的超分辨率图像修复方法的生成器网络结[0067]图3是本发明一种基于生成式对抗网络的超分辨率图像修复方法的高分辨率图像[0068]图4是本发明一种基于生成式对抗网络的超分辨率图像修复方法的高分辨率图像息概率分布的一种方法，r(z)为随机噪声z的特征分布，Ic为生成器生成图像数据的互信个3*3的卷积层，且每个卷积层后面使用relu激活函数对训练数据集中的图像进行升采样[0092]其中，采用随机梯度下降法对生成式对抗网络模型生成器和VDB判别器的权重进[0096]设训练数据集为图像样本输入得到对应的弱监督输出所以图像样本在训练数据集M上的结构化风险函数为：[0108]在图像修复问题中，为了使图像的破损区域修复后尽可能的与w•G(r)-Y,Il(14)[0119]步骤4，将步骤3得到的训练图像输入到U-Net生成网络中对训练后的待修复图像[0121]步骤4.2，生成器G(z)根据输入的随机噪声[0124]图3为采用本发明图像修复方法的高分辨率图像修复实例图1，图3从左