JPG图像数据实体的2s倍超分辨率模型及还原方法技术

本发明专利技术提供JPG图像数据实体的2s倍超分辨率模型，包括,具有执行以下功能的计算机程序：图像噪声处理；高精准度恢复；图像高感知度恢复。有益效果在于：关注于如何处理现实中的JPG图像数据，通过结合特定的需求，设置效果满意的超分辨率模型。通过高精度、高感知度超分辨率模型的迭代、结合，消除JPG图像存在的噪声干扰，进一步产生满足实际需要的超分辨率图像。设备获取高分辨率图像只能针对新的图像数据，对于已有的，尤其是很久之前的照片，新设备是无法处理的。另外，高清图像设备的价格往往都极其昂贵，对很多使用单位，其使用成本过高。本方法从模型的角度出发，可以很好地解决这个问题。题。题。

2S times super-resolution model and restoration method of JPG image data entity

【技术实现步骤摘要】
JPG图像数据实体的2s倍超分辨率模型及还原方法


[0001]本专利技术涉及数据的超分辨率还原
，涉及JPG类型图像数据实体的超分辨率还原模型，具体涉及一种JPG图像数据实体的2S倍超分辨率模型及还原方法。

技术介绍

[0002]人工智能已经成为当前社会发展的最热点。目前，智能技术的发展主要集中在非结构化数据相关的图像任务和自然语言处理。知识图谱可以为多种不同数据提供统一的平台，进一步为涉及到多种不同数据数据类型的智能任务提供数据分析基础。
[0003]图像数据是知识图谱涉及的重要数据，由于其非结构的数据特性，如何处理图像数据是知识图谱的重要任务之一。
[0004]对图像而言，像素是各种任务和需求的基本要素，有限的像素值会约束图像的进一步处理空间。本专利技术的目的是为了解决有限条件下高像素图片的获取问题，进一步为其他决策任务或者应用目的服务。基于高精准度和高感知度两个不同的目的，设置不同的神经网络模型。通过模型的相互组合匹配，可以为不同的目的匹配出最适合的高像素值图像。通过本专利技术的模型，可以在需求和有限的硬件条件获得较好的平衡，进一步提高有限条件下图像数据的信息量和应用范围
[0005]图像、语音识别当前主要是利用深度模型学习拟合非结构化图像、语音和文本数据的分布。受限于客观环境，数据的质量存在着很大的差异，如何更好的处理这些数据信息对模型的结果有着举足轻重的影响。本专利主要关注于如何提高图像数据的像素信息，构建高效素的目标图像。
[0006]作为热门的计算机视觉初级任务之一，超分辨率任务一直是学界和业界研究的热点。当前的研究主要关注在两个方面：如何提高生成图像的精准度(评价指标峰值信噪比PSNR和结构相似性SSIM)和如何提高图像的感知效果(图像相似度度量LPIPS)。像素的生成模型绝大多数都是与深度学习相关，相比于传统方法，取得了飞速的进步。
[0007]目前，研究的模型大都是基于理想状态的标准数据集，与现实中的多种多样的图像存在着很大的差异。另外，对于广泛存在的JPG压缩图像数据，传统超分模型的表现大都不能取得满意效果。

技术实现思路

[0008]为了解决上述问题，本专利技术采用的技术方案是：
[0009]JPG图像数据实体的2s倍超分辨率模型，其特征在于，包括，
[0010]具有执行以下功能的计算机程序：
[0011]图像噪声处理；
[0012]高精准度恢复；
[0013]图像高感知度恢复。
[0014]优选的，采用轻量化的卷积神经网络(CNN)训练并恢复JPG图像数据实体的压缩信
息。
[0015]优选的，所述JPG图像数据实体的压缩信息为无损的1倍(1X)图像通过JPG压缩得到的输入图像；
[0016]输入的图像经过多层的卷积神经网络，信息得到充分的学习和提取，得到了压缩信息部分恢复的去噪图像(1X)；
[0017]其中，损失函数设定为JPG压缩图像和无损的1X图像的L1范数：
[0018][0019]优选的，高精准度恢复过程包括：
[0020]输入的压缩JPG图像经过了第一阶段的区噪处理，得到了满足使用要求的原始尺寸图像，输出的数据作为第二阶段的输入数据，进行下一步的超分操作。
[0021]优选的，超分操作过程包括：
[0022]a,第一阶段的输出Lrec(IC
‑
JPG)作为原始的输入图像，从RGB的三通道经过卷积神经网络，通过大量的卷机操作、激活函数(Leaky
‑
ReLU)、局部残差模块等操作，输入数据的信息被充分的提取和传递，从低维度的信息逐步转变为高维度的信息；
[0023]b,a阶段最后得到的n层信息，通过一层的卷积操作，得到了目标放大倍数s的ns层信息。在多层信息的基础上，通过像素的差值操作，获得了对应s倍尺寸的目标图像Is1；
[0024]c,得到的Is1和监督图像下采样(Bicubic)到改阶段对应尺寸的图像IHR
’
构成了训练数据对。该阶段最终的损失函数设置为：
[0025]Lscale1＝|Is1,IHR
’
|；
[0026]经过第二阶段的训练，去噪的原始图像完成了初步的s倍超分放大。最终得到的图像数据可以作为中间数据输出，满足高精准度要求的超分任务，这一部分的评价指标只要是峰值信噪比(PSNR)。
[0027]有益效果在于：关注于如何处理现实中的JPG图像数据，通过结合特定的需求，设置效果满意的超分辨率模型。通过高精度、高感知度超分辨率模型的迭代、结合，消除JPG图像存在的噪声干扰，进一步产生满足实际需要的超分辨率图像。设备获取高分辨率图像只能针对新的图像数据，对于已有的，尤其是很久之前的照片，新设备是无法处理的。另外，高清图像设备的价格往往都极其昂贵，对很多使用单位，其使用成本过高。本方法从模型的角度出发，可以很好地解决这个问题。传统超分辨率模型对图像的处理基于预训练的模型。已有的超分辨率模型主要分为高精准度(使用峰值信噪比PSNR和相似度SSIM衡量)和高感知度(目前没有标准的衡量指标)。当前，针对不同的场景设置相应的超分模型的研究极其少。本专利技术针对这种情况，通过专业的数据和使用目的分析，使用不同的权重比例，重新设置全新的超分模型。模型的使用比较简单，本专利技术是基于深度学习的端到端模型，只需要输入图像，就可以获得相应的高分辨率图像，方便实用。
附图说明
[0028]图1所示为本专利技术一实施例应用的JPG图像范例；
[0029]图2所示为本专利技术一实施例JPG图像数据实体的2s倍超分辨率模型还原超分辨率图像流程图示。
具体实施方式
[0030]以下实施例是依据本专利技术的专利技术构思而提出，针对某一特定的问题场景，不应理解为对本专利技术保护范围构成的限制。
[0031]实施例1：
[0032]JPG图像数据实体的2s倍超分辨率模型，其特征在于，包括，
[0033]具有执行以下功能的计算机程序：
[0034]图像噪声处理；
[0035]高精准度恢复；
[0036]图像高感知度恢复。
[0037]实施例2：
[0038]采用轻量化的卷积神经网络(CNN)训练并恢复JPG图像数据实体的压缩信息。
[0039]实施例3：
[0040]所述JPG图像数据实体的压缩信息为无损的1倍(1X)图像通过JPG压缩得到的输入图像；
[0041]输入的图像经过多层的卷积神经网络，信息得到充分的学习和提取，得到了压缩信息部分恢复的去噪图像(1X)；
[0042]其中，损失函数设定为JPG压缩图像和无损的1X图像的L1范数：
[0043][0044]实施例4：
[0045]高精准度恢复过程包括：
[0046]输入的压缩JPG图像经过了第一阶段的区噪处理，得到了满足使用要求的原始尺寸图像，输出的数据作为第二阶段的输入数据，进行下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.JPG图像数据实体的2s倍超分辨率模型，其特征在于，包括，具有执行以下功能的计算机程序：图像噪声处理；高精准度恢复；图像高感知度恢复。2.根据权利要求1所述的JPG图像数据实体的2s倍超分辨率模型，其特征在于，采用轻量化的卷积神经网络(CNN)训练并恢复JPG图像数据实体的压缩信息。3.根据权利要求2所述的JPG图像数据实体的2s倍超分辨率模型，其特征在于，所述JPG图像数据实体的压缩信息为无损的1倍(1X)图像通过JPG压缩得到的输入图像；输入的图像经过多层的卷积神经网络，信息得到充分的学习和提取，得到了压缩信息部分恢复的去噪图像(1X)；其中，损失函数设定为JPG压缩图像和无损的1X图像的L1范数：4.根据权利要求1
‑
3之任一项权利要求所述的JPG图像数据实体的2s倍超分辨率模型，其特征在于，高精准度恢复过程包括：输入的压缩JPG图像经过了第一阶段的区噪处理，得到了满足使用要求的原始尺寸图像，输出的数据作为第二阶段的输入数据，进行下一步的超分操作。5.根据权利要求4所述的JPG图像数据实体的2s倍超分辨率模型，其特征在于，超分操作过程包括：a,第一阶段的输出Lrec(I

【专利技术属性】
技术研发人员：李彪，石勇，寇纲，张影飞，彭怡，
申请(专利权)人：西南财经大学，
类型：发明
国别省市：