基于深度神经网络的图像超分辨率重建方法及系统技术方案

本公开描述一种基于深度神经网络的图像超分辨率重建方法及系统，方法包括将待处理图像输入至经训练的神经网络模型以获得目标图像，神经网络模型包括第一提取模块、第一上采样模块、第二上采样模块、以及残差连接模块，第一提取模块包括残差模块且配置为获得深层特征信息，残差模块包括至少一个深度可分离卷积层且配置为获得残差特征信息，第一上采样模块对深层特征信息进行通道融合以获得融合特征信息，并对融合特征信息进行像素重组以获得重组图像，第二上采样模块对待处理图像进行插值上采样以获得上采样图像，残差连接模块将上采样图像与重组图像进行残差连接以获得目标图像。根据本公开，能够降低神经网络模型对计算资源的需求。

【技术实现步骤摘要】

本公开涉及人工智能领域，具体涉及一种基于深度神经网络的图像超分辨率重建方法及系统。

技术介绍

1、随着科技的不断发展，图像和视频技术在各个领域中的应用越来越广泛。然而，由于受到成像设备和传输信道等因素的限制，获取的图像或视频往往存在分辨率不足的问题，会导致图像细节不清晰，视觉效果不佳。因此，图像超分辨率重建方法应运而生。

2、图像超分辨率重建方法是指通过算法处理，基于低分辨率图像生成对应的高分辨率图像的方法。近年来，随着深度学习技术的快速发展，神经网络模型在图像超分辨率重建领域得到了广泛的应用。基于神经网络的图像超分辨率重建方法通过学习大量的低分辨率和高分辨率图像对，建立二者的映射关系，从而实现从低分辨率图像到高分辨率图像的转换。相较于传统的插值方法，神经网络模型具有更强的学习能力和自适应能力，能够更好地保持图像的细节，提高重建效果。

3、然而，现有的基于神经网络的图像超分辨率重建方法一般计算量大，需要大量计算资源，难以部署在计算资源有限的设备(例如嵌入式设备或者fpga(field-programmablegate array，现本文档来自技高网...

【技术保护点】

1.一种基于深度神经网络的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所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

3.根据权利要求1或2所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

4.根据权利要求1所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

5.根据权利要求1或4所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

6.根据权利要求1或4所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

7.根据权利要求6所述的基于深度神经网络的图像超分辨...

【技术特征摘要】

1.一种基于深度神经网络的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所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

3.根据权利要求1或2所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

4.根据权利要求1所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

5.根据权利要求1或4所述的基于深度神经网络的图像超分辨率重建方法，其特征在于，

6...

【专利技术属性】
技术研发人员：陈学宇，邓磊，
申请(专利权)人：深圳大学，
类型：发明
国别省市：