一种图像的超分辨率方法、系统及相关装置制造方法及图纸

本申请提供一种图像的超分辨率方法，包括：获取目标图像和目标图像尺度；对目标图像进行低倍数的随机下采样，得到低分辨率图像；利用卷积网络处理低分辨率图像得到浅层特征，利用残差稠密层融合低分辨率图像的所有浅层特征，得到深层特征；通过全局残差学习结合浅层特征和深层特征，得到低分辨率的全局密集特征；将目标图像尺度和全局密集特征输入隐图像模型，输出对应的超分辨率图像。本申请利用卷积网络和残差网络对图像进行表征提取，再利用隐图像模型进行处理，收敛速度更快，可以将输入的图像转换成指定尺寸下的超分辨率图像。本申请还提供一种图像的超分辨率系统、计算机可读存储介质和电子设备，具有上述有益效果。具有上述有益效果。具有上述有益效果。

【技术实现步骤摘要】
一种图像的超分辨率方法、系统及相关装置


[0001]本申请涉及图像处理领域，特别涉及一种图像的超分辨率方法、系统及相关装置。

技术介绍

[0002]超分辨率(Super Resolution，SR)是从给定的低分辨率(LR)图像中恢复高分辨率(HR)图像的过程，是计算机视觉的一个经典应用。SR是指通过软件或硬件的方法，从观测到的低分辨率图像重建出相应的高分辨率图像(说白了就是提高分辨率)，在监控设备、卫星图像遥感、数字高清、显微成像、视频编码通信、视频复原和医学影像等领域都有重要的应用价值。现在的神经网络普遍很深，通道很多，比如像VGG，ResNe等这些模型参数量巨大，推理过程需要大量的存储空间、计算量以及较高的访存带宽，给部署过程带来严重的挑战。

技术实现思路

[0003]本申请的目的是提供一种图像的超分辨率方法、系统、计算机可读存储介质和电子设备，能够输出任意尺度的超分辨率图像。
[0004]为解决上述技术问题，本申请提供一种图像的超分辨率方法，具体技术方案如下：
[0005]获取目标图像和目标图像尺度；...

【技术保护点】

【技术特征摘要】
1.一种图像的超分辨率方法，其特征在于，包括：获取目标图像和目标图像尺度；对所述目标图像进行低倍数的随机下采样，得到所述低分辨率图像；利用卷积网络处理所述低分辨率图像得到浅层特征，利用残差稠密层融合所述低分辨率图像的所有所述浅层特征，得到深层特征；通过全局残差学习结合所述浅层特征和深层特征，得到所述低分辨率的全局密集特征；将所述目标图像尺度和所述全局密集特征输入隐图像模型，输出对应的超分辨率图像。2.根据权利要求1所述的图像的超分辨率方法，其特征在于，根据所述目标图像尺度输入隐图像模型，得到对应的超分辨率图像之前，还包括：利用图像数据集进行特征训练，得到所述隐图像模型。3.根据权利要求2所述的图像的超分辨率方法，其特征在于，所述利用图像数据集进行特征训练，得到所述隐图像模型包括：获取图像数据集，对所述图像数据集中的目标图像进行随机下采样，得到2倍、3倍和4倍下的低分辨率图像，将低分辨率图像和高分辨率图像两两一组作为训练集合；对低分辨率图像经过特征提取模块得到和输入图像大小相同的低分辨率特征图；将所述低分辨特征图和对应的坐标信息通过隐图像层进行上采样得到超分辨图像；对所述超分辨率图像和所述目标图像计算L1损失，并利用所述L1损失反向更新编码器和所述隐图像层，得到所述隐图像模型。4.根据权利要求1所述的图像的超分辨率方法，其特征在于，将所述目标图像尺度和所述全局密集特征输入隐图像模型，输出对应的超分辨率图像包括：将所述目标图像尺度和所述全局密集特征输入隐图像模型；根据所述目标图像尺度得到对应超分辨率的像素信息；利用正弦周期激活层将包含连续图像域坐标信息的所述全局密集特征从二维空间映射至RGB空间；利用所述全局密集特征的左上、右上、左下、右下四个隐特征构成的矩形和损失函数对所述全局密集特征计算，输出对应的超分辨率图像...

【专利技术属性】
技术研发人员：赵健，葛沅，张英杰，史宏志，崔星辰，尹云峰，
申请(专利权)人：浪潮北京电子信息产业有限公司，
类型：发明
国别省市：