【技术实现步骤摘要】
一种基于深度特征关联性的图像超分辨率方法及系统
[0001]本专利技术涉及图像超分辨率领域，特别是涉及一种基于深度特征关联性的图像超分辨率方法及系统。
技术介绍
[0002]在日常生活中，越来越多的低功耗设备例如手机、嵌入式终端等得到了广泛的应用，人们需要对低分辨率图像进行相关处理，以便在移动设备上获得视觉效果较好的高分辨率图像。因此，在低功耗设备中应用图像超分辨率算法受到了广泛的关注。
[0003]图像超分辨率技术的目标是从低分辨率图像中估计出高分辨率图像。图像超分辨率问题的退化过程通常被定义为：
[0004]L＝SM+n，
ꢀꢀ
(1)
[0005]其中，L，I，n分别表示低分辨率图像，高分辨率图像和噪声，S和K分别表示具有比例因子的降采样矩阵和模糊核的矩阵形式。因为存在无限多成对的模糊核K和高分辨率图像I可以生成相同的低分辨率图像L，所以图像超分辨率是一个病态的问题。传统的基于插值的方法简单迅速，但是恢复出来的高分辨率图像质量较差。近些年来，随着深度学习技术的快速发展，基于深度卷...
【技术保护点】
【技术特征摘要】
1.一种基于深度特征关联性的图像超分辨率方法，其特征在于，包括：获取待重建的低分辨率图像；将所述待重建的低分辨率图像输入至训练好的学生模型进行重建，得到高分辨率图像；所述学生模型的训练过程包括：以低分辨率训练图像为所述学生模型的输入；以高分辨率训练图像为所述学生模型的输出，以整体损失函数为损失函数，利用损失函数衰减机制，通过训练好的教师模型输出的高分辨率图像和真实图像对所述学生模型进行监督训练，得到训练好的学生模型；所述训练好的教师模型包括十个残差组模块；所述学生模型是通过所述教师模型进行压缩和替换得到的；所述整体损失函数包括蒸馏损失函数和监督损失函数。2.根据权利要求1所述的基于深度特征关联性的图像超分辨率方法，其特征在于，所述以低分辨率训练图像为所述学生模型的输入；以高分辨率训练图像为所述学生模型的输出，以整体损失函数为损失函数，利用损失函数衰减机制，通过训练好的教师模型输出的高分辨率图像和真实图像对所述学生模型进行监督训练，得到训练好的学生模型，具体包括：将所述学生模型和所述训练好的教师模型不同网络深度的残差组模块的输出进行深度特征关联性计算，得到深度特征关联性矩阵；根据所述深度特征关联性矩阵确定蒸馏损失函数；根据所述训练好的教师模型输出的高分辨率图像和所述真实图像确定监督损失函数；以低分辨率训练图像为所述学生模型的输入；以高分辨率训练图像为所述学生模型的输出，根据所述蒸馏损失函数和监督损失函数，利用损失函数衰减机制，对所述学生模型进行训练，得到训练好的学生模型。3.根据权利要求2所述的基于深度特征关联性的图像超分辨率方法，其特征在于，所述将所述学生模型和所述训练好的教师模型不同网络深度的残差组模块的输出进行深度特征关联性计算，得到深度特征关联性矩阵之前，还包括：以低分辨率训练图像为所述教师模型的输入，以高分辨率训练图像为所述教师模型的输出，采用双三次下采样的成对数据集对超分辨率模型进行训练，得到训练好的教师模型。4.根据权利要求2所述的基于深度特征关联性的图像超分辨率方法，其特征在于，所述将所述学生模型和所述训练好的教师模型不同网络深度的残差组模块的输出进行深度特征关联性计算，得到深度特征关联性矩阵，具体包括：对所述训练好的教师模型不同网络深度的残差组模块的输出进行特征映射，得到降维后的教师模型深度特征；将所述降维后的教师模型深度特征进行归一化和均值化处理，得到教师模型深度特征关联性矩阵；将所述学生模型不同网络深度的残差组模块的输出进行归一化和均值化处理，得到学生模型深度特征关联性矩阵；所述学生模型的残差组模块包括倒残差模块；所述深度特征关联性矩阵包括教师模型深度特征关联性矩阵和学生模型深度特征关联性矩阵。5.根据权利要求2所述的基于深度特征关联性的图像超分辨率方法，其特征在于，所述根据所述训练好的教师模型输出的高分辨率图像和所述真实图像确定监督损失函数，具体包括：
所述监督损失函数包括第一监督损失函数和第二监督损失函数；根据所述训练好的教师模型输出的高分辨率图像确定第一监督损失函数；根...
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。