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；
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]可选的，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：
[0011]利用图像数据集进行特征训练，得到所述隐图像模型。
[0012]可选的，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：
[0013]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；
[0014]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；
[0015]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；
[0016]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。
[0017]可选的，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：
[0018]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；
[0019]根据所述目标图像尺度得到对应超分辨率的像素信息；
[0020]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；
[0021]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。
[0022]可选的，所述正弦周期激活层由正弦线性层构成，每个所述正弦线性层由线性层和正选函数构成，并包含预设固定参数，各所述正弦线性层通过序列式相连接。
[0023]可选的，若目标正弦线性层不为最后一层，则所述目标正弦线性层中的目标线性层的参数输出以第一均匀分布中抽样数值填充；
[0024]若目标正弦线性层为最后一层，所述目标正弦线性层中的目标线性层的参数输出以第二均匀分布中抽样数值填充。
[0025]可选的，所述损失函数为其中，x
i
为低分辨图像，y
i
为对应的目标图像，G为所述隐图像模型。
[0026]本申请还提供一种图像的超分辨率系统，包括：
[0027]获取模块，用于获取目标图像和目标图像尺度；
[0028]下采样模块，用于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；
[0029]特征提取模块，用于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；
[0030]特征学习模块，用于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；
[0031]图像输出模块，用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。
[0032]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
[0033]本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。
[0034]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。
[0035]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，隐图像模块相较于MLP+ReLU或其他结构而言，收敛速度更快，往往只需要在GPU上花费几秒钟，即可获得高保真的图像重构效果，因此本申请可以将输入的图像转换成指定尺寸下的超分辨率图像。
[0036]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，此处不再赘述。
附图说明
[0037]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0038]图1为本申请实施例所提供的一种图像的超分辨率方法的流程图；
[0039]图2为本申请实施例所提供的特征提取采用的结构以及其中残差稠密层的结构示意图；
[0040]图3为本申请实施例所提供的一种图像的超分辨率系统结构示意图。
具体实施方式
[0041]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0042]请参考图1，图1为本申请实施例所提供的一种图像的超分辨率方法的流程图，具体方案包括：
[0043]S101：获取本文档来自技高网...
【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：
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。