图像重建方法、装置、设备、系统及计算机可读存储介质制造方法及图纸

本申请实施例公开了图像重建方法、装置、设备、系统及计算机可读存储介质，该方法包括：调用所述第一卷积层提取所获取的待重建图像中的浅层特征；调用所述残差网络模块从所述浅层特征中获得中间层特征；调用所述稠密连接网络模块从所述中间层特征中获得深层特征；调用所述第二卷积层对所述深层特征进行图像重建以获得所述待重建图像的重建图像。通过利用本申请实施例提供的技术方案，可以提高重建图像的质量及其分辨率。

Image reconstruction method, device, equipment, system and computer readable storage medium

【技术实现步骤摘要】
图像重建方法、装置、设备、系统及计算机可读存储介质
本申请涉及图像处理
，特别涉及一种图像重建方法、装置、设备、系统及计算机可读存储介质。
技术介绍
随着科技的日益发展，高分辨率图像具有十分广泛的应用价值。例如，在医学图像处理领域，高分辨率图像有助于医生更精确地判断病变区域，从而更高效地治疗患者；在安检领域，高分辨率图像能够帮助安检人员更清晰的看出行李中是否含有疑似违规物品，从而保障旅客安全；在消费电子领域，高分辨率图像能够增强主观视觉体验，从而提高用户体验。因此，如何获得高分辨率图像显得十分重要。目前，主要从硬件和软件算法这两方面来提高图像分辨率。然而，从硬件上提高图像分辨率需要较高的成本及技术支持。在软件算法方面，大多数通过使用插值方法重建图像来提高图像分辨率。目前，比较典型的插值方法主要包括最邻近插值法、双线性插值法和双三次插值法这三种方法。最邻近插值法主要是假设待插值位置对应的像素值为离这点最近的已知像素值。此方法比较简单，但其很容易产生锯齿边缘，图像模糊的伪影。双线性插值法主要利用待插值位置周围4个邻近点的像素值来选定待本文档来自技高网...

【技术保护点】
1.一种基于目标重建模型的图像重建方法，其特征在于，所述目标重建模型包括第一卷积层、残差网络模块、稠密连接网络模块和第二卷积层，所述图像重建方法包括：/n调用所述第一卷积层提取所获取的待重建图像中的浅层特征；；/n调用所述残差网络模块从所述浅层特征中获得中间层特征；/n调用所述稠密连接网络模块从所述中间层特征中获得深层特征；/n调用所述第二卷积层对所述深层特征进行图像重建以获得所述待重建图像的重建图像。/n

【技术特征摘要】
1.一种基于目标重建模型的图像重建方法，其特征在于，所述目标重建模型包括第一卷积层、残差网络模块、稠密连接网络模块和第二卷积层，所述图像重建方法包括：
调用所述第一卷积层提取所获取的待重建图像中的浅层特征；；
调用所述残差网络模块从所述浅层特征中获得中间层特征；
调用所述稠密连接网络模块从所述中间层特征中获得深层特征；
调用所述第二卷积层对所述深层特征进行图像重建以获得所述待重建图像的重建图像。


2.根据权利要求1所述的图像重建方法，其特征在于，在从所获取的所述待重建图像中提取所述浅层特征之前，所述图像重建方法还包括：
获取作为训练数据的多个不同的样本图像组，每个所述样本图像组均包括一高分辨率图像以及通过对所述高分辨率图像进行处理而得到的低分辨率图像；
利用所获取的所述样本图像组对所构建的深度学习模型进行训练，并且将训练效果达到最优时的所述深度学习模型确定为所述目标重建模型。


3.根据权利要求2所述的图像重建方法，其特征在于，所述低分辨率图像是通过利用图像缩放算法对所述高分辨率图像进行处理而得到的，所述图像缩放算法包括双三次插值法或双线性插值法。


4.根据权利要求1所述的图像重建方法，其特征在于，在从所获取的待重建图像中提取所述浅层特征之前，所述图像重建方法还包括：
从外部装置获取预先训练的所述目标重建模型。


5.根据权利要求1所述的图像重建方法，其特征在于，所述残差神经网络模块包括多个残差单元，相应地，调用所述残差神经网络模块从所述浅层特征中获得中间层特征的步骤包括：
利用多个所述残差单元从接收到的所述浅层特征中获得第二特征向量，并且将所获得的所述第二特征向量和所述浅层特征相加以得到中间层特征。


6.根据权利要求1所述的图像重建方法，其特征在于，所述稠密连接网络模块包括多个稠密块，相应地，调用所述稠密连接网络模块从所述中间层特征中获得深层特征的步骤包括：
利用多个所述稠密块从接收到的所述中间层特征中获得第三特征向量，并且将所获得的所述第二特征向量和所述中间层特征...

【专利技术属性】
技术研发人员：程冉，谢庆国，
申请(专利权)人：苏州瑞派宁科技有限公司，
类型：发明
国别省市：江苏;32