【技术实现步骤摘要】
超分辨图像生成方法及装置
本专利技术涉及数据处理
，尤其涉及一种超分辨图像生成方法及装置。
技术介绍
目前，随着互联网技术的发展，人们越来越便捷地通过互联网获取足够丰富的多媒体内容，例如图像、视频等。为了降低所占用的网络带宽，减少传输流量，一般在传输图像前，对图像进行退化处理，例如降采样、模糊等处理，接收方接收到图像后，对图像进行恢复处理，例如放大、去模糊等处理。然而，目前对图像进行放大处理的方式主要为插值方法，例如最近邻插值方法、双线性插值方法等。最近邻插值方法放大得到的图像存在锯齿效应，双线性插值方法放大得到的图像太模糊，从而导致恢复得到的图像与原始图像之间的差距太大，图像的恢复效果差，影响用户体验，且对图像进行放大的时间长，恢复效率差。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种超分辨图像生成方法，用于解决现有技术中对退化图像的恢复效果差以及恢复效率差的问题。本专利技术的第二个目的在于提出一种超分辨图像生成装置。本专利技术的第三个目的在于提出另一种超分辨图像生成装置。本专利技术的第四个...
【技术保护点】
1.一种超分辨图像生成方法，其特征在于，包括：获取待处理的退化图像；获取预设的神经网络模型，所述神经网络模型为采用训练数据对初始的神经网络模型进行训练后得到的；所述训练数据中包括：大于预设数量的原始图像，以及所述原始图像对应的退化图像；所述退化图像的退化类型包括以下类型中的任意一种或者多种：下采样类型、模糊类型；采用预设的神经网络模型，对所述退化图像进行处理，得到与所述退化图像对应的超分辨图像。
【技术特征摘要】
1.一种超分辨图像生成方法，其特征在于，包括：获取待处理的退化图像；获取预设的神经网络模型，所述神经网络模型为采用训练数据对初始的神经网络模型进行训练后得到的；所述训练数据中包括：大于预设数量的原始图像，以及所述原始图像对应的退化图像；所述退化图像的退化类型包括以下类型中的任意一种或者多种：下采样类型、模糊类型；采用预设的神经网络模型，对所述退化图像进行处理，得到与所述退化图像对应的超分辨图像。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练方式为，采用所述训练数据对初始的神经网络模型进行训练，得到训练后的神经网络模型；对所述训练后的神经网络模型进行剪枝处理，对剪枝处理后的神经网络模型进行训练，直至满足预设条件；所述预设条件包括以下条件中的任意一个或者多个：所述神经网络模型训练的轮数大于预设轮数阈值、所述神经网络模型所占用的内存小于预设内存阈值、所述神经网络模型的处理速度大于预设速度阈值。3.根据权利要求1所述的方法，其特征在于，所述训练数据中还包括：数据增强后的原始图像以及对应的数据增强后的退化图像。4.根据权利要求1或3所述的方法，其特征在于，所述下采样类型设置有多个不同的缩放因子；所述训练数据中原始图像对应的退化图像，为按照不同的缩放因子对原始图像进行下采样，和/或模糊处理，得到的退化图像。5.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括：多层神经网络；所述获取预设的神经网络模型之后，还包括：获取所述神经网络模型中各层神经网络变量的内存占用量；按照所述内存占用量中的最大值，为所述神经网络模型分配内存；按照分配的内存，对所述神经网络模型进行部署；所述神经网络模型对待处理的退化图像进行处理的方式为，将所述待处理的退化图像输入第一层神经网络，获取第一层神经网络输出的各个变量；将第一层神经网络输出的各个变量缓存到分配的内存中；将第一层神经网络输出的各个变量输入第二层神经网络，获取第二层神经网络输出的各个变量；采用第二层神经网络输出的各个变量缓存到内存中，覆盖内存中缓存的各个变量，实现对内存的复用，直至获取到最后一层神经网络输出的超分辨图像。6.一种超分辨图像生成装置，其特征在于，包括：获取模块，获取待处理的退化图像；所述获取模块，还用于获取预设的神经网络模型，所述神经网络模型为采用训练数据对初始的神经网络模型进行训练后得到的；所述训练数据中包括：大于预设数量的原始图像，以及所述原始图像对应的退化图像；所述退化图像的...
【专利技术属性】
技术研发人员：柏提，李鑫，刘霄，赵翔，杨凡，李旭斌，孙昊，文石磊，丁二锐，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。