图像超分辨率处理方法、装置、设备及存储介质制造方法及图纸

本申请提出一种图像超分辨率处理方法、装置、设备及存储介质，图像超分辨率处理包括：获取待处理图像；通过目标神经网络模型对所述待处理图像进行超分辨率处理，所述目标神经网络模型通过目标图像样本集迭代训练金字塔神经网络模型得到，所述目标图像样本根据样本信息含量区间过滤原始图像样本得到，各样本信息含量区间的图像样本数量相同。量区间的图像样本数量相同。量区间的图像样本数量相同。

【技术实现步骤摘要】
图像超分辨率处理方法、装置、设备及存储介质


[0001]本申请涉及计算机
，例如涉及一种图像超分辨率处理方法、装置、设备及存储介质。

技术介绍

[0002]基于深度学习的超分辨率重建技术在重构效果对比中展现出了比传统方法非常明显的优势。当前超分辨率重建方法的主流开始向深度学习靠拢。
[0003]当前基于深度神经网路的超解析方法分为两个大类，一种是基于生成式对抗网络(Generative Adversarial Networks，GAN)的方法，另一类则是基于有监督的全卷积神经网络。前者通过感知机代价函数在GAN网络框架下，使输出结果位于真实背景(Ground Truth，GT)所处的高位空间之中，以判别器无法分辨生成图像和真实图像为目的。基于有监督的方法则是通过确定的退化模型生成低分辨率-高分辨对(Low-resolution and high-resolution pair，LHP)，借助负责的网络结构建模实现对这种LHP的识别。
[0004]两类方法一般针对每个数据集进行随机裁剪成固定大小的块，然后将多个块组成样本集，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像超分辨率处理方法，其特征在于，包括：获取待处理图像；通过目标神经网络模型对所述待处理图像进行超分辨率处理，所述目标神经网络模型通过目标图像样本集迭代训练金字塔神经网络模型得到，所述目标图像样本根据样本信息含量区间过滤原始图像样本得到，各样本信息含量区间的图像样本数量相同。2.根据权利要求1所述的方法，其特征在于，通过目标图像样本集迭代训练金字塔神经网络模型包括：建立金字塔神经网络模型；将所述目标样本集中的低分辨率图像输入所述金字塔神经网络得到预测图像；根据所述预测图像和所述低分辨率图像对应的高分辨率图像形成的目标函数训练所述金字塔神经网络的参数，其中，所述目标函数包括函数L2+αL1、函数L1+θLP以及函数L2+μL1+βLP中的一种或多种，其中，L2为L2范数，L1为L1范数，LP为LP范数，α、θ、μ、β为正则化因子的权重；返回执行将所述目标样本集中的低分辨率图像输入所述金字塔神经网络得到预测图像的操作，直至得到目标神经网络模型。3.根据权利要求2所述的方法，其特征在于，根据所述预测图像和所述低分辨率图像对应的高分辨率图像形成的目标函数训练所述金字塔神经网络的参数包括：基于目标函数L2+αL1和设置为第一数值的学习率，训练所述金字塔神经网络的参数；在目标函数输出值的下降数值小于第二数据后，基于目标函数L1+θLP，和设置为第二数值的学习率，继续训练所述金字塔神经网络的参数，其中，所述第二数值小于所述第一数值，α和θ随着学习率的减小而增大。4.根据权利要求2所述的方法，其特征在于，根据所述预测图像和所述低分辨率图像对应的高分辨率图像形成的目标函数训练所述金字塔神经网络的参数包括：根据所述预测图像和所述低分辨率图像对应的高分辨率图像形成的目标函数L2+μL1+βLP训练所述金字塔神经网络的参数；在每轮训练中，或者，在两轮训练之间，调整μ和β，进而实现对全局最优的逼近。5.根据权利要求1所述的方法，其特征在于，所述样本信息含量包括：图像样本的梯度信息，或者，图像样本内的方差。6.根据权利要求1所述的方法，其特征在于，所述样...

【专利技术属性】
技术研发人员：孔德辉，刘衡祁，徐科，杨维，宋剑军，朱方，
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：