【技术实现步骤摘要】
一种融合高频信息的图像缩放方法及系统
专利
[0001]本专利技术涉及计算机视觉
,更具体地,涉及一种融合高频信息的图像缩放方法及系统。
技术介绍
[0002]图像超分辨率,简称超分,是指利用算法将图像从低分辨率恢复到高分辨率的过程,是计算机视觉和图像处理领域里一种重要的图像处理技术。在许多领域有着重要的应用价值,如目标检测、医学成像、卫星遥感和安防监控等。由于总有多个高分辨率图像对应于同一个低分辨率图像,因此超分问题非常具有挑战性且是一个不适定问题。
[0003]我们将基于图像的超分方法分为基于插值的方法、基于重构和基于样例学习的方法和基于深度学习的方法三大类。而基于重构和基于样例学习的方法普遍难以恢复高频细节信息,导致重建图像模糊且计算量大、实时性不高等问题,此外,目前基于卷积网络的方法在图像超分上取得了巨大的成功。
[0004]图像缩放技术是数字图像处理领域一项基础而重要的技术,也是数字图像处理领域研究的热点,图像缩放也称为图像重采样、分辨率转换。随着互联网上高分辨率图像和高分辨率视频数量的爆炸式增长,图像的缩小对于存储、传输和共享此类大型数据非常不可或缺,高分辨率数字图像通常会缩小以适应各种显示屏幕或节省存储成本,同时保持视觉上的有效信息。但此类缩小场景不可避免的对反向任务提出了巨大要求,即将缩小的图像提升到更高的分辨率或原始尺寸,如图像超分辨率。如何通过算法平衡低分辨率图像的视觉效果和高分辨率图像的质量,图像缩放算法采用什么样的结合方式才能充分利用各种方法的优点,便成为问题研究的重点。<
【技术保护点】
【技术特征摘要】
1.一种融合高频信息的图像缩放方法,其特征在于,所述方法由计算机执行,包括以下步骤:S1、构建图像缩放网络框架,该网络由下采样子网络和上采样子网络两部分组成;S2、将给定的输入图像输入到下采样子网络中得到低分辨率图像,同时引入潜在变量捕捉高频信息的分布特征,从而学习图像下采样过程中的高频信息;S3、将得到的低分辨率图像,联合随机采样的高频信息共同输入到上采样子网络,并在上采样过程中引入长跳跃连接进行特征聚合,得到重构图像;S4、最后将得到的特征计算联合损失,包含低分辨率图像指导损失、分布匹配损失和重构损失。2.如权利要求1所述的融合高频信息的图像缩放方法,其特征在于,构建图像缩放网络框架,对应S1的具体实现过程如下:S101、构建一个由“DSNet+SRNet”组成的框架,由上采样和下采样2个子网络模块组成;(y
down
,z)=F
DS
(x)
ꢀꢀꢀꢀ
(1)x
up
=F
SR
(y
down
,z)
ꢀꢀꢀꢀ
(2)其中F
DS
(
·
)是下采样网络DSNet,F
SR
(
·
)是上采样网络SRNet,x是给定的输入图像,y
down
是下采样网络得到的低分辨率图像,且网络通过引入潜在变量z对高频信息分布建模,我们强制它是不可知的并服从特定的高斯分布,x
up
是上采样网络重构得到的超分辨率图像。3.如权利要求1所述的融合高频信息的图像缩放方法,其特征在于,下采样子网络中低分辨率图像生成及高频信息分布的学习,对应S2的具体实现过程如下:S201、该下采样子网络由几个下采样模块组成,模块数量取决于下采样的倍数,每个下采样模块包括一个哈尔变换模块和一些堆叠的特征提取模块;该子网络主要学习高频信息的分布,并产生视觉良好的低分辨率图像;S202、首先通过哈尔变换模块有效分离高频低频信息,该模块在很多经典的网络架构中出现,已经得到广泛的认同和证明;故用哈尔变换模块来对输入图像进行高低频信息分离;S203、其次将哈尔变换模块得到的特征信息输入第一个特征提取模块,特征提取模块由一堆密集模块组成,称为耦合层,其目的是进一步改进高频和低频信息,以获得视觉良好的低分辨率图像和服从特定分布的高频信息潜在表示:{x
L
,x
H
}=Haar(f
i
‑1)
ꢀꢀꢀꢀ
(3)f
i
=DB
i
(x
L
,x
H
),i=1,2,...,k
ꢀꢀꢀꢀ
(4)其中Haar(
·
)是哈尔变换模块,DB
i
表示第i块特征提取模块,f
i
‑1和f
i
分别表示第i
‑
1块和第i块特征提取模块的输出,其中f0表示网络给定的输入图像。4.如权利要求1所述的融合高频信息的图像缩放方法,其特征在于,上采样子网络特征聚合及高分辨率图像重构,对应S3的具体实现过程如下:S301、首先上采样子网络主要由改进后的骨干网络和长跳跃连接组成;该网络旨在利用学习到的高频信息,将输入的低分辨率图像重构成更好的高分辨率图像;S302、其次我们将EDSR作为骨干网络,其中去掉了预处理和后处理操作(即MeanShift操作),并改变了网络输入,除了提供的低分辨率图像,并从预先指定的分布中提取信息作
为附加输入,得到了由骨干...
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。