图像超分辨率方法、装置及设备制造方法及图纸

本申请公开了一种图像超分辨率方法、装置及设备，获取待进行图像超分辨率的图像之后，利用图像超分辨率模型，基于所述图像的浅特征以及所述图像的深度特征，得到与所述图像对应的超分辨率图像，所述图像的深度特征中包括所述图像的自身纹理特征。上述方案中，图像超分辨率模型能够利用图像的自身纹理特征，使得超分辨率图像中的纹理特征更为清晰。

【技术实现步骤摘要】
图像超分辨率方法、装置及设备
本申请涉及图像处理
，更具体的说，是涉及一种图像超分辨率方法、装置及设备。
技术介绍
图像超分辨率是指由一幅低分辨率图像通过超分辨率得到高分辨率图像。例如，128*128*3的低分辨率图像通过超分辨率放大2倍后会得到256*256*3的高分辨率图像。目前，较通用的图像超分辨率的方法主要是基于深度学习的方法，如超分辨率模型RCAN(残差信道注意网络，发表于Y.Zhang,K.Li,K.Li,L.Wang,B.Zhong,andY.Fu,“Imagesuperresolutionusingverydeepresidualchannelattentionnetworks,”inProceedingsoftheEuropeanConferenceonComputerVision(ECCV),2018,pp.286–301.)，和，超分辨率模型SAN(二阶注意力网络，发表于T.Dai,J.Cai,Y.Zhang,S.-T.Xia,andL.Zhang,“Second-orderattentionnetworkf本文档来自技高网...

【技术保护点】
1.一种图像超分辨率方法，其特征在于，包括：/n获取待进行图像超分辨率的图像；/n利用图像超分辨率模型，基于所述图像的浅特征以及所述图像的深度特征，得到与所述图像对应的超分辨率图像，所述图像的深度特征中包括所述图像的自身纹理特征。/n

【技术特征摘要】
1.一种图像超分辨率方法，其特征在于，包括：
获取待进行图像超分辨率的图像；
利用图像超分辨率模型，基于所述图像的浅特征以及所述图像的深度特征，得到与所述图像对应的超分辨率图像，所述图像的深度特征中包括所述图像的自身纹理特征。


2.根据权利要求1所述的方法，其特征在于，所述利用图像超分辨率模型，基于所述图像的浅特征以及所述图像的深度特征，得到与所述图像对应的超分辨率图像，包括：
利用图像超分辨率模型的浅特征提取模块，对所述图像进行浅特征提取处理，得到所述图像的浅特征；
利用图像超分辨率模型的深度特征提取模块，对所述图像的浅特征进行深度特征提取处理，得到所述图像的深度特征；
利用图像超分辨率模型的上采样重建模块，对所述图像的浅特征以及所述图像的深度特征进行上采样重建处理，得到与所述图像对应的超分辨率图像。


3.根据权利要求2所述的方法，其特征在于，所述图像超分辨率模型的深度特征提取模块的构建方式包括：
基于预先构建的深度特征提取单元，构建所述图像超分辨率模型的深度特征提取模块；
所述深度特征提取单元包括第一预设数量的分支，每个分支由不同数量的残差单元堆叠，相邻分支间深度相差2倍，相邻分支共用至少一个卷积层。


4.根据权利要求3所述的方法，其特征在于，所述基于预先构建的深度特征提取单元，构建所述图像超分辨率模型的深度特征提取模块，包括：
串联多个所述深度特征提取单元，构建所述图像超分辨率模型的深度特征提取模块；
其中，所述多个深度特征提取单元中，首个深度特征提取单元的输入为所述图像的浅特征，除所述首个深度特征提取单元之外的每个深度特征提取单元的输入为与其相邻的上一深度特征提取单元的输出。


5.根据权利要求4所述的方法，其特征在于，所述利用图像超分辨率模型的深度特征提取模块，对所述图像的浅特征进行深度特征提取处理，得到所述图像的深度特征，包括：
将所述图像的浅特征输入所述深度特征提取模块的首个深度特...

【专利技术属性】
技术研发人员：曲昭伟，谷嘉航，王晓茹，但家旺，徐培容，张珩，熊崧凯，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11