【技术实现步骤摘要】
图像超分辨率重建方法、装置、存储介质和计算机设备
本申请涉及图像处理
,特别是涉及一种图像超分辨率重建方法、装置、计算机可读存储介质和计算机设备。
技术介绍
随着图像处理技术的发展,人脸图像的应用场景越来越多,例如医学图像分析、计算机视觉、遥感等。人们对人脸图像的分辨率需求越来越高,对采集的人脸图像的细节处理和高频信息处理得要求越来越严格。传统方法中,在人脸图像采集和处理领域过程中,因为便携式设备、拍摄技术或光线环境等原因,采集的人脸图像细节分辨率有时较低,导致采集的人脸图像识别效果较差。
技术实现思路
基于此,有必要针对因人脸图像的分辨率低而导致识别效果较差的技术问题,提供一种图像超分辨率重建方法、装置、计算机可读存储介质和计算机设备。一种图像超分辨率重建方法,包括:获取高分辨率图像样本,并对所述高分辨率图像样本进行降采样处理,得到低分辨率图像样本;将所述低分辨率图像样本和所述高分辨率图像样本输入机器学习模型,通过所述机器学习模型的第一卷积模块对所述低分辨率图像样本提取低分辨率图像特征;通过所述机器学习模型的第二卷积模块对所述低分辨图像特征进行非线性映射,得到高分辨率图像特征;根据所述高分辨率图像特征构建高分辨率参考图像;利用损失函数计算所述高分辨率参考图像和所述高分辨率图像样本间的损失值;将所述损失值在所述机器学习模型中进行反向传播,以根据所述损失值调整所述机器学习模型的模型参数,直至所述损失值达到预设值时停止训练; ...
【技术保护点】
1.一种图像超分辨率重建方法,包括:/n获取高分辨率图像样本,并对所述高分辨率图像样本进行降采样处理,得到低分辨率图像样本;/n将所述低分辨率图像样本和所述高分辨率图像样本输入机器学习模型,通过所述机器学习模型的第一卷积模块对所述低分辨率图像样本提取低分辨率图像特征;/n通过所述机器学习模型的第二卷积模块对所述低分辨图像特征进行非线性映射,得到高分辨率图像特征;/n根据所述高分辨率图像特征构建高分辨率参考图像;/n利用损失函数计算所述高分辨率参考图像和所述高分辨率图像样本间的损失值;/n将所述损失值在所述机器学习模型中进行反向传播,以根据所述损失值调整所述机器学习模型的模型参数,直至所述损失值达到预设值时停止训练;/n获取低分辨率图像,利用训练后所得的机器学习模型将所述低分辨率图像重建为高分辨率图像。/n
【技术特征摘要】
1.一种图像超分辨率重建方法,包括:
获取高分辨率图像样本,并对所述高分辨率图像样本进行降采样处理,得到低分辨率图像样本;
将所述低分辨率图像样本和所述高分辨率图像样本输入机器学习模型,通过所述机器学习模型的第一卷积模块对所述低分辨率图像样本提取低分辨率图像特征;
通过所述机器学习模型的第二卷积模块对所述低分辨图像特征进行非线性映射,得到高分辨率图像特征;
根据所述高分辨率图像特征构建高分辨率参考图像;
利用损失函数计算所述高分辨率参考图像和所述高分辨率图像样本间的损失值;
将所述损失值在所述机器学习模型中进行反向传播,以根据所述损失值调整所述机器学习模型的模型参数,直至所述损失值达到预设值时停止训练;
获取低分辨率图像,利用训练后所得的机器学习模型将所述低分辨率图像重建为高分辨率图像。
2.根据权利要求1所述的方法,其特征在于,所述将所述低分辨率图像样本和所述高分辨率图像样本输入机器学习模型之前,所述方法还包括:
确定图像块尺寸以及划分图像块时所对应的移动步长;所述移动步长小于或等于所述图像块尺寸;
在所述低分辨率图像样本中,按照所述移动步长逐步确定划分起点,并依照所述划分起点逐步划分出所述图像块尺寸的多个低分辨率图像块;
在所述高分辨率图像样本中,按照所述移动步长逐步确定划分起点,并依照所述划分起点逐步划分出所述图像块尺寸的多个高分辨率图像块;
所述将所述低分辨率图像样本和所述高分辨率图像样本输入机器学习模型,包括:
将所述低分辨率图像块和所述高分辨率图像块输入机器学习模型。
3.根据权利要求2所述的方法,其特征在于,所述通过所述机器学习模型的第一卷积模块对所述低分辨率图像样本提取低分辨率图像特征,包括:
利用所述第一卷积模块中的卷积核对所述低分辨率图像块进行卷积处理,得到每个所述低分辨率图像块对应的多个图像特征,所述卷积核的数量与每个所述低分辨率图像块对应的图像特征的数量一致;
将属于相同的低分辨率图像块对应的多个图像特征进行组合,得到各低分辨率图像块对应的低分辨率图像特征。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述通过所述机器学习模型的第二卷积模块对所述低分辨图像特征进行非线性映射,得到高分辨率图像特征,包括:
通过所述机器学习模型的第二卷积模块中的卷积层对所述低分辨率图像特征进行卷积处理,得到中间图像特征;
利用所述第二卷积模块中的非线性层对中间图像特征进行映射,得到高分辨率图像特征。
5.根据权利要求1所述的方法,其特征在于,所述利用损失函数计算所述高分辨率参考图像和所述高分辨率图像样本间的损失值,包括:
计算所述高分辨率参考图像与所述高分辨率图像样本间的第一均方误差;
将所述高分辨率参考图像与所述高分辨率图像样本分别输入第一网络,分别得到第一输出结果和第二输出结果,计算所述第一输出结果和所述第二输出结果的第二均方误差;
将所述高分...
【专利技术属性】
技术研发人员:陈子涵,李喆,皮昊书,时亨通,宋伟新,马楠,吴中,彭毅,齐翰博,宋书生,周伟文,夏金凯,黄轶群,
申请(专利权)人:深圳供电局有限公司,
类型:发明
国别省市:广东;44
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。