一种超分辨率重构方法、装置以及存储介质制造方法及图纸

本发明专利技术提供一种超分辨率重构方法、装置以及存储介质，属于图像处理领域，方法包括：分别对训练集图像进行特征提取分析得到待训练图像特征；构建训练模型，通过待训练图像特征对训练模型进行训练得到训练后模型；根据所有的测试集图像对训练后模型进行测试得到超分辨率重构模型；通过超分辨率重构模型对待重构图像进行图像重构得到超分辨率重构结果。本发明专利技术具备了图像特征信息采集范围广，特征信息增强，低参数量，图像分辨率提高效果好等优点，在提高图像特征信息采集范围的同时，增强了信息的特征属性。的特征属性。的特征属性。

【技术实现步骤摘要】
一种超分辨率重构方法、装置以及存储介质


[0001]本专利技术主要涉及图像处理
，具体涉及一种超分辨率重构方法、装置以及存储介质。

技术介绍

[0002]图像超分辨率(SR)技术的目的是根据单幅低分辨(LR)图像输入得到清晰的高分辨率(HR)图像。作为一个经典的图像复原问题，SR仍然是机器视觉中一个具有挑战性的研究。目前，图像超分辨率(SR)技术主基于插值方法、重建方法和学习方法来提高图像的分辨率。但是，插值法没有考虑图像退化模型，会大大降低图像的复原程度；重建方法虽然考虑了图像退化模型，但具有一定的不确定性。基于学习方法，利用大量训练数据得到低分辨率图像和高分辨率图像的对应关系，通过学习映射关系大大提高了图像SR率的效果。
[0003]目前基于学习方法的图像超分辨率技术普遍存在网络结构深度过大、参数量大等问题。而注意力机制中的空间域无法识别关键信息(边缘)，通道域忽略了每个通道的局部信息，故从低级特征的提取到高级特征的提取，在特征的分类、参数复杂度的降低等方面的研究仍有进一步提升的空间。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种超分辨率重构方法、装置以及存储介质。
[0005]本专利技术解决上述技术问题的技术方案如下：一种超分辨率重构方法，包括如下步骤：
[0006]S1：导入多个训练集图像和多个测试集图像，分别对各个所述训练集图像进行特征提取分析，得到与各个所述训练集图像对应的待训练图像特征；
[0007]S2：构建训练模型，通过多个所述待训练图像特征对所述训练模型进行训练，得到训练后模型；
[0008]S3：根据所有的测试集图像对所述训练后模型进行测试，得到超分辨率重构模型；
[0009]S4：导入待重构图像，通过所述超分辨率重构模型对所述待重构图像进行图像重构，得到超分辨率重构图像，并将所述超分辨率重构图像作为超分辨率重构结果。
[0010]本专利技术解决上述技术问题的另一技术方案如下：一种超分辨率重构装置，包括：
[0011]特征提取分析模块，用于导入多个训练集图像和多个测试集图像，分别对各个所述训练集图像进行特征提取分析，得到与各个所述训练集图像对应的待训练图像特征；
[0012]模型训练模块，用于构建训练模型，通过多个所述待训练图像特征对所述训练模型进行训练，得到训练后模型；
[0013]模型测试模块，用于根据所有的测试集图像对所述训练后模型进行测试，得到超分辨率重构模型；
[0014]超分辨率重构结果获得模块，用于导入待重构图像，通过所述超分辨率重构模型
对所述待重构图像进行图像重构，得到超分辨率重构图像，并将所述超分辨率重构图像作为超分辨率重构结果。
[0015]本专利技术解决上述技术问题的另一技术方案如下：一种超分辨率重构装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的超分辨率重构方法。
[0016]本专利技术解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的超分辨率重构方法。
[0017]本专利技术的有益效果是：通过对训练集图像的特征提取分析得到待训练图像特征，通过待训练图像特征对训练模型的训练得到训练后模型，根据测试集图像对训练后模型的测试得到超分辨率重构模型，通过超分辨率重构模型对待重构图像的图像重构得到超分辨率重构结果，具备了图像特征信息采集范围广，特征信息增强，低参数量，图像分辨率提高效果好等优点，在提高图像特征信息采集范围的同时，增强了信息的特征属性。
附图说明
[0018]图1为本专利技术实施例提供的一种超分辨率重构方法的流程示意图；
[0019]图2为本专利技术实施例提供的构建训练模型的流程示意图；
[0020]图3为本专利技术实施例提供的一种超分辨率重构方法的步骤执行示意图；
[0021]图4为本专利技术实施例提供的一种超分辨率重构装置的模块框图。
具体实施方式
[0022]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0023]图1为本专利技术实施例提供的一种超分辨率重构方法的流程示意图。
[0024]如图1所示，一种超分辨率重构方法，包括如下步骤：
[0025]S1：导入多个训练集图像和多个测试集图像，分别对各个所述训练集图像进行特征提取分析，得到与各个所述训练集图像对应的待训练图像特征；
[0026]S2：构建训练模型，通过多个所述待训练图像特征对所述训练模型进行训练，得到训练后模型；
[0027]S3：根据所有的测试集图像对所述训练后模型进行测试，得到超分辨率重构模型；
[0028]S4：导入待重构图像，通过所述超分辨率重构模型对所述待重构图像进行图像重构，得到超分辨率重构图像，并将所述超分辨率重构图像作为超分辨率重构结果。
[0029]应理解地，确定训练用的公用数据集(即多个所述训练集图像和多个所述测试集图像)，并获取低分辨率图像的浅层特征信息。
[0030]应理解地，采用的公用数据集(即多个所述训练集图像和多个所述测试集图像)包括DIV2K、Set5、Set14、B100、Urban100和Manga109，其中，DIV2K作为训练集(即多个所述训练集图像)，Set5、Set14、B100、Urban100和Manga109作为测试集(即多个所述测试集图像)。
[0031]具体地，确定训练用的公用数据集(即多个所述训练集图像和多个所述测试集图像)。数据集(即多个所述训练集图像和多个所述测试集图像)包括DIV2K、Set5、Set14、
B100、Urban100和Manga109，其中DIV2K包含800张训练图像(即多个所述训练集图像)，Set5、Set14、B100、Urban100和Manga109包含328张测试图像(即多个所述测试集图像)。将DIV2K中的800张数据集经过翻转、裁剪等处理后得到3000张训练集用于模型的训练。将Set5、Set14、B100、Urban100和Manga109作为测试数据集，每例数据包含一张高分辨率图像和一张经过2倍、3倍或4倍下采样的低分辨率图像。
[0032]上述实施例中，通过对训练集图像的特征提取分析得到待训练图像特征，通过待训练图像特征对训练模型的训练得到训练后模型，根据测试集图像对训练后模型的测试得到超分辨率重构模型，通过超分辨率重构模型对待重构图像的图像重构得到超分辨率重构结果，具备了图像特征信息采集范围广，特征信息增强，低参数量，图像分辨率提高效果好等优点，在提高图像特征信息采集范围的同时，增强了信息的特征属性。
[0033]可选地，作为本专利技术的一个实施例，所述步骤S1中，分别对各个所述训练集图像进行特征提取分析，得到与各个所述训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超分辨率重构方法，其特征在于，包括如下步骤：S1：导入多个训练集图像和多个测试集图像，分别对各个所述训练集图像进行特征提取分析，得到与各个所述训练集图像对应的待训练图像特征；S2：构建训练模型，通过多个所述待训练图像特征对所述训练模型进行训练，得到训练后模型；S3：根据所有的测试集图像对所述训练后模型进行测试，得到超分辨率重构模型；S4：导入待重构图像，通过所述超分辨率重构模型对所述待重构图像进行图像重构，得到超分辨率重构图像，并将所述超分辨率重构图像作为超分辨率重构结果。2.根据权利要求1所述的超分辨率重构方法，其特征在于，所述步骤S1中，分别对各个所述训练集图像进行特征提取分析，得到与各个所述训练集图像对应的待训练图像特征的过程包括：通过卷积神经网络分别对各个所述训练集图像进行低分辨率特征的提取，得到与各个所述训练集图像对应的低分辨率特征；通过第一式分别对各个所述低分辨率特征进行待训练图像特征的提取，得到与各个所述训练集图像对应的待训练图像特征，所述第一式为：H0＝f
dsc
(I
LR
)，其中，H0为待训练图像特征，f
dsc
()为深度卷积层，I
LR
为低分辨率特征。3.根据权利要求1所述的超分辨率重构方法，其特征在于，所述训练模型包括编码器和解码器，所述步骤S2的过程包括：通过所述编码器分别对各个所述待训练图像特征进行编码，得到与各个所述训练集图像对应的编码后特征，具体为：通过第二式分别对各个所述待训练图像特征进行编码，得到与各个所述训练集图像对应的编码后图像特征，所述第二式为：H(H0)＝F(H0)+H0，其中，H(H0)为编码后图像特征，H0为待训练图像特征，F(H0)为期望函数；通过所述解码器分别对各个所述编码后图像特征进行解码，得到与各个所述训练集图像对应的解码后图像特征；根据所有的解码后图像特征和所有的待训练图像特征对所述训练模型进行损失值分析，得到训练后模型。4.根据权利要求3所述的超分辨率重构方法，其特征在于，所述解码器包括第一3
×
3卷积层、通道注意力模块、空间注意力模块和第一1
×
1卷积层，所述通过所述解码器分别对各个所述编码后图像特征进行解码，得到与各个所述训练集图像对应的解码后图像特征的过程包括：通过所述第一3
×
3卷积层分别对各个所述编码后图像特征进行特征提取，得到与各个所述训练集图像对应的特征提取后图像特征；通过所述通道注意力模块分别对各个所述特征提取后图像特征进行通道注意力的特征融合分析，得到与各个所述训练集图像对应的第一融合特征；通过所述空间注意力模块分别对各个所述特征提取后图像特征进行空间注意力的特征融合分析，得到与各个所述训练集图像对应的第二融合特征；
通过所述第一1
×
1卷积层分别对各个所述第一融合特征以及与各个所述训练集图像对应的第二融合特征进行合并，得到与各个所述训练集图像对应的合并后特征；分别对各个所述合并后特征进行上采样处理，得到与各个所述训练集图像对应的解码后图像特征。5.根据权利要求4所述的超分辨率重构方法，其特征在于，所述通道注意力模块包括第二1
×
1卷积层、第一ReLU激活函数层和第二3
×
3卷积层，所述通过所述通道注意力模块分别对各个所述特征提取后图像特征进行通道注意力的特征融合分析，得到与各个所述训练集图像对应的第一融合特征的过程包括：根据预设通道数分别对各个所述特征提取后图像特征进行图像通道数的调整，得到与各个所述训练集图像对应的图像通道数调整后特征；通过所述第二1
×
1卷积层分别...

【专利技术属性】
技术研发人员：戴耀南，喻九阳，郑小涛，胡天豪，张德安，夏文凤，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：