【技术实现步骤摘要】
一种图像重建方法、装置及计算机可读存储介质
本申请实施例涉及计算机视觉
，涉及但不限于一种图像重建方法、装置及计算机可读存储介质。
技术介绍
相关技术中，传统的超分辨率重建方法是基于空间位置或边缘的插值方法，上述方法只考虑了图像空间位置或边缘纹理信息，而没有考虑图像特征等结构信息，图像重建时会导致清晰度的下降或者出现“锯齿”的消极影响。基于深度神经网络的超分辨率重建方法可以有效弥补上述缺陷，但是基于深度神经网络的超分辨率重建方法的资源消耗相对传统的超分辨率重建方法更高，且深度神经网络存在不稳定的问题。
技术实现思路
有鉴于此，本申请实施例提供一种图像重建方法、装置及计算机可读存储介质。本申请实施例的技术方案是这样实现的：本申请实施例提供了一种图像重建方法，所述方法包括：确定深度神经网络模型的每一卷积层的卷积核的范数；确定所述每一卷积层中范数大于或等于预设阈值的卷积核，得到所述每一卷积层的目标卷积核集合；利用所述每一卷积层的目标卷积核集合中的卷积...
【技术保护点】
1.一种图像重建方法，其特征在于，所述方法包括：/n确定深度神经网络模型的每一卷积层的卷积核的范数；/n确定所述每一卷积层中范数大于或等于预设阈值的卷积核，得到所述每一卷积层的目标卷积核集合；/n利用所述每一卷积层的目标卷积核集合中的卷积核对所述每一卷积层的输入图像进行处理，得到第一图像处理结果；/n获取对所述输入图像经过插值处理的第二图像处理结果；/n根据所述第一图像处理结果和所述第二图像处理结果，确定融合处理结果，以使根据所述融合处理结果对所述输入图像进行重建。/n
【技术特征摘要】
1.一种图像重建方法，其特征在于，所述方法包括：
确定深度神经网络模型的每一卷积层的卷积核的范数；
确定所述每一卷积层中范数大于或等于预设阈值的卷积核，得到所述每一卷积层的目标卷积核集合；
利用所述每一卷积层的目标卷积核集合中的卷积核对所述每一卷积层的输入图像进行处理，得到第一图像处理结果；
获取对所述输入图像经过插值处理的第二图像处理结果；
根据所述第一图像处理结果和所述第二图像处理结果，确定融合处理结果，以使根据所述融合处理结果对所述输入图像进行重建。
2.根据权利要求1所述的方法，其特征在于，所述利用所述每一卷积层的目标卷积核集合中的卷积核对所述每一卷积层的输入图像进行处理，包括：
如果所述每一卷积层的卷积核的最大范数与最小范数之间的差值在预设范围内，则利用范数大于或等于预设阈值的卷积核对所述输入图像进行处理；
如果所述每一卷积层的卷积核的最大范数与最小范数之间的差值不在预设的范围内，则按照范数大小顺序对所述卷积核进行排序，利用排序结果中前M个卷积核对所述输入图像进行处理；其中，所述M为大于或等于1的自然数。
3.根据权利要求1所述的方法，其特征在于，所述确定所述每一卷积层中范数大于或等于预设阈值的卷积核，得到所述每一卷积层的目标卷积核集合，包括：
将所述每一卷积层中的第i卷积层的卷积核的范数与预设阈值进行比较，确定所述第i卷积层中范数大于或等于预设阈值的卷积核，得到所述第i卷积层的第一目标卷积核子集合；
将所述每一卷积层中的第i+1卷积层的卷积核的范数与预设阈值进行比较，确定所述第i+1卷积层中范数大于或等于预设阈值的卷积核，得到所述第i+1卷积层的第二目标卷积核子集合；
其中，所述深度神经网络模型包括N个卷积层，i为大于1且小于N的自然数；所述第i+1卷积层表征所述第i卷积层的下一卷积层。
4.根据权利要求3所述的方法，其特征在于，所述利用所述每一卷积层的目标卷积核集合中的卷积核对所述每一卷积层的输入图像进行处理，得到第一图像处理结果，包括：
利用所述第一目标卷积核子集合，对所述第i卷积层的输入图像进行处理，获得第i卷积层图像处理结果；
将所述第i卷积层图像处理结果作为所述第i+1卷积层的输入图像；
利用所述第二目标卷积核子集合，对所述第i+1卷积层的输入图像进行处理，获得第i+1卷积层图像处理结果；
将所述第i+1卷积层图像处理结果作为所述第一图像处理结果。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像处理结果和...
【专利技术属性】
技术研发人员：孔德辉，徐科，张晓，韩彬，韩周，王洪，鲁国宁，黄龙，罗盛，
申请(专利权)人：深圳市中兴微电子技术有限公司，
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。