The invention provides an image super-resolution reconstruction method, device and electronic equipment, which relates to the field of image processing technology, including acquiring low-resolution images to be reconstructed, reconstructing low-resolution images to high-resolution images through pre-established image reconstruction models, and establishing image reconstruction models based on multi-scale convolution fusion neural network. The invention can improve the effect of image reconstruction.
【技术实现步骤摘要】
图像超分辨率重建方法、装置及电子设备
本专利技术涉及图像处理
，尤其是涉及一种图像超分辨率重建方法、装置及电子设备。
技术介绍
图像分辨率是图像展现细节丰富程度的一个重要衡量指标。高分辨率的图像呈现出更丰富的细节信息，具有更强的信息表达能力。然而在实际应用中，由于成像设备硬件条件的限制和成像环境等因素的影响，人们很难直接获得高分辨率的图像，需要对获得的图像进行重建，提高其分辨率。目前通常应用单一尺度卷积网络对获得的低分辨率图像进行重建，但图像包含不同类型的特征，这些不同类型的特征尺度不尽相同。例如，平滑区域和强边缘区域对应的尺度较大，而纹理区域的特征对应的尺度稍小。单一尺度卷积无法同时适用于不同类型特征的尺度，通过这样的方式对图像进行重建，效果不佳。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种图像超分辨率重建方法、装置及电子设备，以提升图像重建的效果。第一方面，本专利技术实施例提供了一种图像超分辨率重建方法，包括：获取待重建的低分辨率图像；通过预先建立的图像重建模型，将低分辨率图像重建为高分辨率图像；其中，图像重建模型是基于多尺度卷积融合神经网络建立的...
【技术保护点】
1.一种图像超分辨率重建方法，其特征在于，包括：获取待重建的低分辨率图像；通过预先建立的图像重建模型，将所述低分辨率图像重建为高分辨率图像；其中，所述图像重建模型是基于多尺度卷积融合神经网络建立的。
【技术特征摘要】
1.一种图像超分辨率重建方法，其特征在于，包括：获取待重建的低分辨率图像；通过预先建立的图像重建模型，将所述低分辨率图像重建为高分辨率图像；其中，所述图像重建模型是基于多尺度卷积融合神经网络建立的。2.根据权利要求1所述的方法，其特征在于，所述多尺度卷积融合神经网络包括多个相连的多尺度卷积融合块；其中，每个所述多尺度卷积融合块中包含依次相连的多尺度卷积层和多尺度融合层；所述多尺度卷积层中包含多组不同尺度的卷积核；所述多尺度融合层包含1组尺度为1*1的卷积核。3.根据权利要求1所述的方法，其特征在于，所述通过预先建立的图像重建模型，将所述低分辨率图像重建为高分辨率图像的步骤，包括：将所述低分辨率图像的位置按照第一方向及多个预设角度进行多次旋转变换，得到与每个所述预设角度对应的待重建目标图像；其中，每个所述待重建目标图像的像素值均与所述低分辨率图像的像素值一致；将多个所述待重建目标图像逐一输入预先建立的图像重建模型，经所述图像重建模型的正向传播后，分别得到每个所述待重建目标图像对应的目标输出图像；将多个所述目标输出图像的位置按照第二方向分别进行旋转变换，直至多个所述目标输出图像的位置均与所述低分辨率图像的位置一致时，对多个所述目标输出图像进行平均化处理，得到所述低分辨率图像对应的高分辨率图像；其中，所述第二方向与所述第一方向相反。4.根据权利要求1所述的方法，其特征在于，在获取待重建的低分辨率图像之前，所述方法还包括：获取训练样本集；所述训练样本集包括多个训练样本对；每个所述训练样本对中包含1个输入样本图和1个输出样本图；将所述训练样本集输入至多尺度卷积融合神经网络，通过随机梯度下降法对所述训练样本集进行训练，直至所述多尺度卷积融合神经网络的损失函数收敛至预设阈值时，结束训练，得到所述图像重建模型。5.根据权利要求4所述的方法，其特征在于，所述训练样本对的构建过程，包括：从预设的训练图库中采集出多张高分辨率样本图，并将...
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。