基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，揭露了基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质，包括获取待处理图像；将待处理图像输入预训练的生成对抗网络模型，经预训练的生成对抗网络模型中生成模型的第一预处理层卷积处理中，得到待处理图像对应的第一图像特征；根据生成模型中的通道注意力层，基于第一图像特征中各通道的依赖关系，对第一图像特征中各通道进行加权，得到第二图像特征；基于生成模型中的采样层，提高第二图像特征的分辨率，得到第三图像特征，将第三图像特征进行卷积得到待处理图像对应的超分辨率图像并输出。本申请还涉及区块链技术，超分辨率图像数据存储于区块链中。本申请提高了生成超分辨率图像的质量且避免了伪影的产生。且避免了伪影的产生。且避免了伪影的产生。

【技术实现步骤摘要】
基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质


[0001]本申请涉及人工智能领域，尤其涉及基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质。

技术介绍

[0002]目前，超分辨率图片生成在工业领域和军事领域等都有着越来越重要的作用。在现有技术中基于生成对抗网络(GAN)，生成器可以生成高分辨率图片，再由鉴别器计算这张图片与真实高分辨率图片的差值，来衡量这张图片的真实程度。超分辨率重建技术能克服图像系统内在分辨率的限制，改进图像处理中大部分图像性能。但目前以图像超分辨率的生成对抗网络(Super
‑
resolution Generative Adversarial Network，SRGAN)为代表的经典生成式神经网络由于是无监督学习还不能很好的学习图片中细节部分，进而得到的超分辨率图像的质量较差，且SRGAN在高频细节上时常产生的伪影。因此，如何提高生成超分辨率图像的质量且消除伪影成为了亟待解决的问题。

技术实现思路

[0003]本申请提供了基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质，以解决现有技术中超分辨率图片生成时图像质量较差的问题。
[0004]为解决上述问题，本申请提供了一种基于SRGAN的超分辨率图像生成方法，包括：
[0005]获取待处理图像；
[0006]将所述待处理图像输入至预训练的生成对抗网络模型，经所述预训练的生成对抗网络模型中生成模型的第一预处理层进行卷积处理中，得到所述待处理图像对应的第一图像特征；
[0007]根据所述生成模型中的通道注意力层，基于所述第一图像特征中各通道的依赖关系，对所述第一图像特征中各通道进行加权，得到第二图像特征；
[0008]基于所述生成模型中的采样层，提高所述第二图像特征的分辨率，得到第三图像特征，将所述第三图像特征再进行卷积得到所述待处理图像对应的超分辨率图像并输出。
[0009]进一步的，在所述将所述待处理图像输入至预训练的生成对抗网络模型之前，还包括：
[0010]获取低分辨率图片集及其对应的高分辨率图像集；
[0011]将所述低分辨率图片集中的数据输入所述生成对抗网络模型中的生成模型，得到对应的伪高清图像；
[0012]将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练，至所述生成对抗网络模型的损失函数收敛。
[0013]进一步的，在所述将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练之前，还包括：
[0014]将所述高分辨率图片集中的各图片数据进行数据增广，得到各所述图片数据对应
的多个相似数据，将各所述图片数据对应的多个相似数据作为增广图片集，并存储至高分辨率图片集中。
[0015]进一步的，所述判别模型包括第二预处理层、隐层特征提取层和全连接层；所述将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练包括：
[0016]将所述伪高清图像作为负例样本，以及所述增广图片集中的图像数据作为正例样本，所述正例样本和负例样本经所述第二预处理层进行浅层特征提取处理，得到第四图像特征；
[0017]根据所述隐层特征提取层对所述第四图像特征进行隐层特征提取，得到特征向量；
[0018]所述特征向量通过所述全连接层的映射，得到所述伪高清图像与所述第一图片集中对应的图像数据的相似度；
[0019]基于所述相似度、所述伪高清图像和所述增广图片集中的图像数据，调整所述判别模型中的参数并计算所述损失函数中的对抗损失函数及样本损失函数。
[0020]进一步的，所述隐层特征提取层结合有对比学习算法，所述计算所述损失函数中的样本损失函数包括：
[0021]通过利用所述对比学习算法中的噪声对比估计函数和内积函数计算所述隐层特征提取层的样本损失函数。
[0022]进一步的，所述获取低分辨率图片集及其对应的高分辨率图像集包括：
[0023]向数据库发送调用请求，所述调用请求携带验签令牌；
[0024]接收所述数据库返回的验签结果，并在验签结果为通过时，调用所述数据库中的低分辨率图片集及其对应的高分辨率图像集。
[0025]进一步的，所述根据所述生成模型中的通道注意力层，基于所述第一图像特征中各通道的依赖关系，对所述第一图像特征中各通道进行加权，得到第二图像特征包括：
[0026]将第一图像特征经所述通道注意力层中的特征提取层处理，得到n维图谱的空间注意力；
[0027]将所述空间注意力分别通过所述通道注意力层中的第一池化层和第二池化层处理，分别得到第一注意力向量和第二注意力向量；
[0028]将所述第一注意力向量和第二注意力向量对应相加，得到池化特征F；
[0029]通过sigmoid函数将池化特征F转化为注意力图；
[0030]将所述注意力图与所述空间注意力进行点乘得到残差块；
[0031]将所述第一图像特征与所述残差块对应相加，得到第二图像特征。
[0032]为了解决上述问题，本申请还提供基于SRGAN的超分辨率图像生成装置，所述装置包括：
[0033]获取模块，用于获取待处理图像；
[0034]卷积模块，用于将所述待处理图像输入至预训练的生成对抗网络模型，经所述预训练的生成对抗网络模型中生成模型的第一预处理层进行卷积处理中，得到所述待处理图像对应的第一图像特征；
[0035]通道注意力模块，用于根据所述生成模型中的通道注意力层，基于所述第一图像
特征中各通道的依赖关系，对所述第一图像特征中各通道进行加权，得到第二图像特征；
[0036]增强模块，用于基于所述生成模型中的采样层，提高所述第二图像特征的分辨率，得到第三图像特征，将所述第三图像特征再进行卷积得到所述待处理图像对应的超分辨率图像并输出。
[0037]为了解决上述问题，本申请还提供一种计算机设备，包括：
[0038]至少一个处理器；以及，
[0039]与所述至少一个处理器通信连接的存储器；其中，
[0040]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述所述的基于SRGAN的超分辨率图像生成方法。
[0041]为了解决上述问题，本申请还提供一种非易失性的计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的基于SRGAN的超分辨率图像生成方法。
[0042]根据本申请实施例提供的基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质，与现有技术相比至少具有以下有益效果：
[0043]通过获取待处理图像，将待处理图像输入至预训练的生成对抗网络模型中，经所述预训练的生成对抗网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SRGAN的超分辨率图像生成方法，其特征在于，所述方法包括：获取待处理图像；将所述待处理图像输入至预训练的生成对抗网络模型，经所述预训练的生成对抗网络模型中生成模型的第一预处理层进行卷积处理中，得到所述待处理图像对应的第一图像特征；根据所述生成模型中的通道注意力层，基于所述第一图像特征中各通道的依赖关系，对所述第一图像特征中各通道进行加权，得到第二图像特征；基于所述生成模型中的采样层，提高所述第二图像特征的分辨率，得到第三图像特征，将所述第三图像特征再进行卷积得到所述待处理图像对应的超分辨率图像并输出。2.根据权利要求1所述的基于SRGAN的超分辨率图像生成方法，其特征在于，在所述将所述待处理图像输入至预训练的生成对抗网络模型之前，还包括：获取低分辨率图片集及其对应的高分辨率图像集；将所述低分辨率图片集中的数据输入所述生成对抗网络模型中的生成模型，得到对应的伪高清图像；将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练，至所述生成对抗网络模型的损失函数收敛。3.根据权利要求2所述的基于SRGAN的超分辨率图像生成方法，其特征在于，在所述将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练之前，还包括：将所述高分辨率图片集中的各图片数据进行数据增广，得到各所述图片数据对应的多个相似数据，将各所述图片数据对应的多个相似数据作为增广图片集，并存储至高分辨率图片集中。4.根据权利要求3所述的基于SRGAN的超分辨率图像生成方法，其特征在于，所述判别模型包括第二预处理层、隐层特征提取层和全连接层；所述将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练包括：将所述伪高清图像作为负例样本，以及所述增广图片集中的图像数据作为正例样本，所述正例样本和负例样本经所述第二预处理层进行浅层特征提取处理，得到第四图像特征；根据所述隐层特征提取层对所述第四图像特征进行隐层特征提取，得到特征向量；所述特征向量通过所述全连接层的映射，得到所述伪高清图像与所述第一图片集中对应的图像数据的相似度；基于所述相似度、所述伪高清图像和所述增广图片集中的图像数据，调整所述判别模型中的参数并计算所述损失函数中的对抗损失函数及样本损失函数。5.根据权利要求4所述的基于SRGAN的超分辨率图像生成方法，其特征在于，所述隐层特征提取层结合有对比学习算法...

【专利技术属性】
技术研发人员：司世景，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：