[发明专利]图像超分辨率重建方法和系统、计算机设备及其存储介质

权利要求书

1.一种图像超分辨率重建方法，其特征在于，包括如下步骤：

根据场景内容对待重建的低分辨图像进行分割，并分别设置各个分割场景区域的图像数据的标签值；

将各个分割场景区域的图像数据及其对应的标签值进行拼合得到深度学习网络的输入数据；

将所述输入数据输入到深度学习网络进行参数学习，并根据学习得到的网络参数重建出超分辨率图像；

所述将各个分割场景区域的图像数据及其对应的标签值进行拼合得到深度学习网络的输入数据的步骤包括：

获取各个分割场景区域的RGB三通道图像数据；

获取所述RGB三通道图像数据所在分割场景区域的标签值L；

将所述RGB三通道图像数据和标签值L拼合成四通道的图像数据RGBL，作为深度学习网络的输入数据。

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，所述分别设置各个分割场景区域的图像数据的标签值的步骤包括：

针对各种场景内容的类型，设置各种类型所相应的标签值；

根据各个分割场景区域的图像数据的类型获取相应的标签值；

将所述获取到的标签值写入该分割场景区域的图像数据中。

3.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卷积神经网络。

4.根据权利要求3所述的图像超分辨率重建方法，其特征在于，所述将所述输入数据输入到深度学习网络进行参数学习，并根据学习得到的网络参数重建出超分辨率图像的步骤包括：

将四通道的图像数据RGBL输入卷积神经网络进行参数学习得到卷积核，根据所述卷积核对待重建的低分辨图像的各个分割场景区域进行重建，输出超分辨率图像。

5.一种图像超分辨率重建系统，其特征在于，包括：

分割模块，用于根据场景内容对待重建的低分辨图像进行分割，并分别设置各个分割场景区域的图像数据的标签值；

拼合模块，用于将各个分割场景区域的图像数据及其对应的标签值进行拼合得到深度学习网络的输入数据；

重建模块，用于将所述输入数据输入到深度学习网络进行参数学习，并根据学习得到的网络参数重建出超分辨率图像；

所述拼合模块，进一步用于获取各个分割场景区域的RGB三通道图像数据；获取所述RGB三通道图像数据所在分割场景区域的标签值L；将所述RGB三通道图像数据和标签值L拼合成四通道的图像数据RGBL，作为深度学习网络的输入数据。

6.根据权利要求5所述的图像超分辨率重建系统，其特征在于，所述分割模块，进一步用于针对各种场景内容的类型，设置各种类型所相应的标签值；根据各个分割场景区域的图像数据的类型获取相应的标签值；将所述获取到的标签值写入该分割场景区域的图像数据中。

7.根据权利要求5所述的系统，其特征在于，所述深度学习网络为卷积神经网络。

8.根据权利要求5所述的系统，其特征在于，所述重建模块，进一步用于将四通道的图像数据RGBL输入卷积神经网络进行参数学习得到卷积核，根据所述卷积核对待重建的低分辨图像的各个分割场景区域进行重建，输出超分辨率图像。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述的图像超分辨率重建方法。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任意一项所述的图像超分辨率重建方法。