【技术实现步骤摘要】
一种任意比率图像超分辨率方法、系统、设备及存储介质
[0001]本专利技术涉及图像处理
,具体涉及一种任意比率图像超分辨率方法、任意比率图像超分辨率系统、计算机设备及计算机可读存储介质。
技术介绍
[0002]近年来,随着视觉传感器性能的大幅提升,视觉数据量大幅增加。然而,通过视觉传感器获得的图像在传输过程中常常受到噪声、降采样等因素的影响,使得图像的质量下降,分辨率降低,原始场景中的一些细节也会因此而损失。面对大量的视觉数据,人们对于高分辨率的图像和视频要求越来越高。
[0003]超分辨率技术是图像处理和计算机视觉的一项重要课题。它是指将一副或多幅低分辨率图像作为输入,构造其没有的细节从而获取高分辨率图像的方法。图像的超分辨率技术可以应用于多个领域,比如监控视频缩放、医学图像恢复重建、恢复低清卫星图像细节和低分辨率文字图像复原等。
[0004]随着深度学习的流行,人们也成功的将其应用在图像超分辨率方法当中,并取得出色效果。基于深度学习的超分辨率方法的操纵过程如下,首先要将低分辨率图像作为输入,然后再利用训练好的网络结构进行重建,最后输出高分辨率图像。近几年来,深度学习在超分辨率重建方面得到广泛应用和发展,模型结构变得更加简约并且重建图像质量更加优秀,极大地推动了该领域技术的进步。
[0005]目前的现有技术之一是Wang等的《Esrgan:Enhanced super
‑
resolutiongenerative adversarial networks》以及Ledig ...
【技术保护点】
【技术特征摘要】
1.一种任意比率图像超分辨率方法,其特征在于,所述方法包括:收集图像数据集,对其中的原始高分辨率图像做双三次插值,完成任意比率的下采样,获得对应的低分辨率图像,将这些成对的低分辨率图像和原始高分辨率图像作为训练数据集;搭建生成对抗网络中的生成器,包括搭建其中的特征提取模块以及Meta
‑
Upscale上采样结构,其中,所述低分辨率图像输入到特征提取模块中,输出低分辨率特征图,然后低分辨率特征图输入到Meta
‑
Upscale上采样结构中,输出生成的超分辨率图像;以所述生成的超分辨率图像和所述原始高分辨率图像作为输入,使用VGG网络搭建生成对抗网络中的相对平均判别器(Relativistic average Discriminator,RaD);将所述训练数据集中的低分辨率图像输入所述生成器中,得到生成的超分辨率图像,构建用于训练所述生成器的损失函数和训练所述相对平均判别器的损失函数以计算生成的超分辨率图像和原始高分辨率图像的损失,然后反向更新所述生成器和所述相对平均判别器;重复训练预先设定的次数,得到训练好的生成器,即超分辨率重建模型;将待处理的低分辨率图像输入所述超分辨率重建模型中,输出的图像就是重建后的超分辨率图像。2.如权利要求1所述的一种任意比率图像超分辨率方法,其特征在于,所述特征提取模块,具体为:特征提取模块的输入为低分辨率图像,输出为低分辨率特征图,其基于一个大的残差网络,第一层卷积块用于提取低分辨率图像特征,后续连接23个Basic Block模块,Basic Block模块是残差中的残差密集块(Residual in Residual Dense Block,RRDB),Basic Block模块结合了多层残差网络和密集连接。3.如权利要求1所述的一种任意比率图像超分辨率方法,其特征在于,所述Meta
‑
Upscale上采样结构,具体为:Meta
‑
Upscale上采样结构的输入为低分辨率特征图,输出为生成的超分辨率图像,Meta
‑
Upscale模块进行三个操作:位置投影、权重预测以及特征映射;位置投影的目标是找到超分辨率图像每一个像素所对应的低分辨率图像像素;权重预测能够根据尺度相关和坐标相关的向量去预测滤波器的权重和数量,而不用直接从训练数据集学习;特征映射是利用预测出的滤波器权重,将低分辨率特征图映射到目标超分辨率图像。4.如权利要求1所述的一种任意比率图像超分辨率方法,其特征在于,所述搭建生成对抗网络中的相对平均判别器,具体为:相对平均判别器记作D
Ra
(
·
),如下所示:所示:C表示通用判别器的原始输出结果,即单幅图像放入通用判别器后的输出值,x
r
表示原始高分辨率图像,x
f
表示生成的超分辨率图像,σ表示sigmoid激活函数,E表示期望值。
5.如权利要求4所述的一种任意比率图像超分辨率方法,其特征在于,所述生成器的损失函数,具体为:生成器的损失函数包括感知损失、对抗损失以及L1损失:其中L
percep
表示感知损失,其操作方式是利用VGG网络在激活层前提取高分辨率图像和低分辨率图像的特征,并计算它们之间的损失;是对抗损失,如下所示:L1损失如下所示:其中G(...
【专利技术属性】
技术研发人员:林格,全绍军,刘海亮,
申请(专利权)人:长视科技股份有限公司,
类型:发明
国别省市:
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。