技術(shù)特征：

1.一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：其包括以下步驟：

1)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型：

1-1)將高分辨圖像y分解成s²個子圖像y_sub；

1-2)計算s²個殘差子圖像r_sub，并與對應(yīng)的低分辨率圖像x形成的圖像訓(xùn)練集；

1-3)通過圖像訓(xùn)練集，采用基于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型訓(xùn)練得到優(yōu)化的網(wǎng)絡(luò)模型參數(shù)w和b；

2)利用訓(xùn)練完的深度神經(jīng)網(wǎng)絡(luò)模型將低分辨率待圖像x_test重建成高分辨率圖像y_test：

2-1)基于訓(xùn)練好的網(wǎng)絡(luò)模型參數(shù)w和b，將低分辨率圖像x_test輸入卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型中，并計算獲得對應(yīng)的s²個殘差子圖像r_testsub；

2-2)利用殘差子圖像r_testsub，計算獲得s²個子圖像y_testsub，并變換各個子圖像的空間位置，最終獲得高分辨率圖像y_test。

2.根據(jù)權(quán)利要求1所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：所述圖像訓(xùn)練集包括低分辨率圖像x和對應(yīng)的殘差子圖像r_sub。

3.根據(jù)權(quán)利要求1所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟1-1)中s是圖像的超分辨率放大倍數(shù)，子圖像按每隔s個像素點在高分辨率圖像中進行抽樣取值。

4.根據(jù)權(quán)利要求1所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟1-2)殘差子圖像的計算公式是：r_sub＝y(tǒng)_sub-x，子圖像個數(shù)為s²。

5.根據(jù)權(quán)利要求1所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟1-3)具體包括以下步驟：

步驟1-3-1)設(shè)定卷積神經(jīng)網(wǎng)絡(luò)模型的卷積層和激活函數(shù)均為L層，采用規(guī)整化線性單元函數(shù)作為激活函數(shù)，

步驟1-3-2)選用圖像對(x,r)作為訓(xùn)練集，輸入低分辨率圖像x和殘差子圖像r，得到卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標函數(shù)是：

$\underset{w,b}{min}\underset{i=1}{\overset{s^2}{\Σ}}\left|\right|r_i-f(w,b,x)|{|}^2---\left(1\right)$

其中，f(w,b,x)為神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，w和b分別為神經(jīng)網(wǎng)絡(luò)中的卷積模板參數(shù)和偏置參數(shù)；

每一卷積層的輸出可以表示為：

f_k(x)＝φ_k(W_k*f_k-1(x)+b_k),k∈[1,L] (2)

其中ф_k為激活層的函數(shù)，b_k是網(wǎng)絡(luò)模型當中第k層的偏置參數(shù)，w_k是網(wǎng)絡(luò)模型當中第k層的卷積模板參數(shù)，大小為n_k-1*v_k*v_k*n_k，其中n_k-1為第k層輸入的特征圖的數(shù)目，n_k為第k層輸出層的特征圖的數(shù)目，v_k為第k層的卷積核的大小；

步驟1-3-3)采用隨機梯度下降法求解神經(jīng)網(wǎng)絡(luò)模型的卷積模板參數(shù)w和偏置參數(shù)b，在每次迭代過程中，計算預(yù)測結(jié)果誤差并反向傳播到卷積神經(jīng)網(wǎng)絡(luò)模型，計算梯度并更新卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；

步驟1-3-4)基于卷積神經(jīng)網(wǎng)絡(luò)模型中各卷積層的模型參數(shù)生成低分辨率圖像到高分辨率圖像的映射關(guān)系并完成神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。

6.根據(jù)權(quán)利要求5所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟1-3-2)中神經(jīng)網(wǎng)絡(luò)模型中每一卷積層包含了卷積運算和非線性激活函數(shù)運算。

7.根據(jù)權(quán)利要求5所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟1-3-3)中卷積模板參數(shù)w采用高斯分布初始化，偏置參數(shù)b初始化為0。

8.根據(jù)權(quán)利要求1所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟2-1)所述殘差子圖像r_testsub表示在高分辨率圖像空間中各個不同方向的高頻圖像信息，具體包括圖像邊緣信息和紋理信息。

9.根據(jù)權(quán)利要求1所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟2-2)子圖像y_testsub的計算過程為：

y_testsub＝x_testsub+r_testsub (3)。

10.根據(jù)權(quán)利要求1所述一種基于殘差子圖像的深度學(xué)習(xí)超分辨率重建方法，其特征在于：步驟2-2)中獲得子圖像y_testsub后，可以按照步驟1-1)中取子圖像的操作，反向把s²個子圖像的各個像素還原到高分辨率圖像空間相應(yīng)位置并重建成高清圖像y_test。