【技术实现步骤摘要】
本专利技术涉及图像重建领域，特别是涉及一种图像超分辨率重建方法、系统、设备及介质。
技术介绍
1、目前，对于超分辨率重建模型的研究，其采用的数据一般都是由人工退化模型所得到的。传统的图像数据退化模型有双三次插值或高斯下采样等。相比这些人工合成的退化数据，真实场景下的图像数据更具有多样性和复杂性。如果在图像超分中预设的人工退化模型与真实场景中的图像的退化方式存在较大的差异，那么超分辨率重建模型就会出现图像重建性能的显著下降，甚至出现负面的效果。尽管现有的超分辨率重建模型已经考虑多种影响因素(例如噪声影响、模糊核、尺寸、压缩等)，但是这些操作仍然无法高效地模拟出接近真实场景中图像的多样性退化模型，重建质量有待提升。
技术实现思路
1、基于此，本专利技术实施例提供一种图像超分辨率重建方法、系统、设备及介质，基于真实场景实现重建，提高重建质量。
2、为实现上述目的，本专利技术实施例提供了如下方案：
3、一种图像超分辨率重建方法，包括：
4、获取目标图像；所述目标图像是在当前时刻对真实场景进行拍摄得到的；
5、根据超分辨率重建模型对所述目标图像进行重建，得到目标重建图像；所述目标重建图像的分辨率大于所述目标图像的分辨率；
6、其中，所述超分辨率重建模型是采用训练数据对深度学习网络进行训练得到的；所述训练数据包括：训练处理图像和高分辨率图像；所述训练处理图像是根据单应性矩阵和亮度差值矩阵对低分辨率图像进行处理得到的；所述低分辨率图像为
7、所述单应性矩阵是基于同源图像数据采用迭代配准方法进行图像配准得到的；所述同源图像数据包括：所述低分辨率图像和所述高分辨率图像；
8、所述亮度差值矩阵是基于所述低分辨率图像和所述高分辨率图像的像素点的亮度值之差确定的。
9、可选地，所述单应性矩阵的确定方法，具体包括：
10、获取所述同源图像数据；
11、对所述同源图像数据中的低分辨率图像和高分辨率图像分别采用orb算法进行特征提取，得到低分辨率特征点和高分辨率特征点；
12、基于所述低分辨率特征点和所述高分辨率特征点，以所述高分辨率图像作为参考图像模板，采用迭代配准方法进行特征点匹配，得到所述单应性矩阵；所述单应性矩阵用于表征所述低分辨率图像和所述高分辨率图像之间的转换关系。
13、可选地，所述亮度差值矩阵的确定方法，具体包括：
14、在特征点匹配完成之后，计算每对应的两个特征点之间的亮度值之差；
15、根据所有特征点对应的亮度值之差构建亮度差值矩阵。
16、可选地，基于所述低分辨率特征点和所述高分辨率特征点，以所述高分辨率图像作为参考图像模板，采用迭代配准方法进行特征点匹配，得到所述单应性矩阵，具体包括：
17、以所述高分辨率图像作为参考图像模板，采用n次迭代的方法对所述低分辨率特征点和所述高分辨率特征点进行特征点匹配，得到所述单应性矩阵；
18、其中，第n次迭代过程包括：
19、确定第n次迭代的特征点；n≥1；第1次迭代的特征点为所述低分辨率特征点和所述高分辨率特征点中的全部特征点；
20、将第n次迭代的特征点中的低分辨率特征点和高分辨率特征点进行特征点匹配，得到第n次迭代的单应性矩阵；
21、若n＝n，则将第n次迭代的单应性矩确定为最终的单应性矩阵，否则，计算第n次迭代的单应性矩阵的匹配对误差，并根据第n次迭代的单应性矩阵的匹配对误差将第n次迭代时所采用的特征点中的部分特征点剔除，得到第n+1次迭代的特征点，并进行下次迭代。
22、可选地，根所述训练处理图像的确定方法，具体包括：
23、将所述低分辨率图像的矩阵表达形式与所述单应性矩阵相乘，得到同源映射图像；
24、将所述同源映射图像与所述亮度差值矩阵求和，得到所述训练处理图像。
25、可选地，所述深度学习网络为多尺度卷积网络模型；
26、所述多尺度卷积网络模型包括：初始双卷积层、第一下采样层、第二下采样层、残差融合结构、第一上采样层、第二上采样层和卷积融合模块；
27、所述初始双卷积层的输出分别与所述第一下采样层、所述第二下采样层和所述卷积融合模块连接；所述第一下采样层通过所述残差融合结构与所述第一上采样层连接；所述第二下采样层通过所述残差融合结构与所述第二上采样层连接；所述第一上采样层和所述第二上采样层的输出均与所述卷积融合模块连接；所述第一下采样层、所述残差融合结构和所述第一上采样层构成第一分支；所述第二下采样层、所述残差融合结构和所述第二上采样层构成第二分支；所述残差融合结构包括多个依次连接的残差模块；所述残差模块包括：多尺度超分卷积层；
28、所述初始双卷积层用于提取输入的训练处理图像的初始特征图；所述第一分支用于根据所述初始特征图输出第一分支特征；所述第二分支用于根据所述初始特征图输出第二分支特征；所述卷积融合模块用于将所述初始特征图、所述第一分支特征和所述第二分支特征融合，输出高分辨率重建图像。
29、可选地，所述第一设定倍数为10；所述第二设定倍数为20。
30、本专利技术还提供了一种图像超分辨率重建系统，包括：
31、图像获取模块，用于获取目标图像；所述目标图像是在当前时刻对真实场景进行拍摄得到的；
32、图像重建模块，用于根据超分辨率重建模型对所述目标图像进行重建，得到目标重建图像；所述目标重建图像的分辨率大于所述目标图像的分辨率；
33、其中，所述超分辨率重建模型是采用训练数据对深度学习网络进行训练得到的；所述训练数据包括：训练处理图像和高分辨率图像；所述训练处理图像是根据单应性矩阵和亮度差值矩阵对低分辨率图像进行处理得到的；所述低分辨率图像为在历史时刻以第一设定倍数的光学焦距对真实场景拍摄得到的；所述高分辨率图像为在历史时刻以第二设定倍数的光学焦距对真实场景拍摄得到的；所述第一设定倍数小于所述第二设定倍数；
34、所述单应性矩阵是基于同源图像数据采用迭代配准方法进行图像配准得到的；所述同源图像数据包括：所述低分辨率图像和所述高分辨率图像；
35、所述亮度差值矩阵是基于所述低分辨率图像和所述高分辨率图像的像素点的亮度值之差确定的。
36、本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的图像超分辨率重建方法。
37、本专利技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像超分辨率重建方法。
38、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：<本文档来自技高网...
【技术保护点】
1.一种图像超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述单应性矩阵的确定方法，具体包括：
3.根据权利要求2所述的图像超分辨率重建方法，其特征在于，所述亮度差值矩阵的确定方法，具体包括：
4.根据权利要求2所述的图像超分辨率重建方法，其特征在于，基于所述低分辨率特征点和所述高分辨率特征点，以所述高分辨率图像作为参考图像模板，采用迭代配准方法进行特征点匹配，得到所述单应性矩阵，具体包括：
5.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述训练处理图像的确定方法，具体包括：
6.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述深度学习网络为多尺度卷积网络模型；
7.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述第一设定倍数为10；所述第二设定倍数为20。
8.一种图像超分辨率重建系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像超分辨率重建方法。
...【技术特征摘要】
1.一种图像超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述单应性矩阵的确定方法，具体包括：
3.根据权利要求2所述的图像超分辨率重建方法，其特征在于，所述亮度差值矩阵的确定方法，具体包括：
4.根据权利要求2所述的图像超分辨率重建方法，其特征在于，基于所述低分辨率特征点和所述高分辨率特征点，以所述高分辨率图像作为参考图像模板，采用迭代配准方法进行特征点匹配，得到所述单应性矩阵，具体包括：
5.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述训练处理图像的确定方法，具体包括：
6.根据权利要...
【专利技术属性】
技术研发人员：王海滨，李卫民，徐熠，孙有晓，穆新星，欧勇盛，
申请(专利权)人：山东中科先进技术有限公司，
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。