[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

说明书

本发明涉及一种图像超分辨率重建方法和系统、计算机设备及其存储介质，属于图像处理技术领域。所述图像超分辨率重建方法，包括：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。该技术方案，解决了现有技术中难以准确地恢复出图像中不同的场景内容的相应细节的问题，能够准确地恢复出图像中不同的场景内容的相应细节，提升了重建的图像质量。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像超分辨率重建方法和系统、计算机设备及其存储介质。

背景技术

图像超分辨率重建(或重构)，是指从一幅低分辨率的图像或视频序列恢复出高分率的图像。传统技术方案主要采用稀疏编码来实现超分辨率的重建，分别从低分辨率图像集和高分辨率图像集学习两个稀疏字典集及其映关系，将低分辨率图像映射到低分辨率的字典中，通过字典映射关系得到相应的高分辨率字典系数，进而重构出高分辨的图像；另外，随着深度学习技术的出现，将深度卷积核作为字典，通过深度卷积网络来学习低分辨率图像到高分辨率图像之间的映射，进而重构出高分辨的图像，取得了高于稀疏编码方法的效果。

但在实现本发明过程中，发明人发现如上所述的技术中，至少存在如下问题：在针对图像超分辨率重构时，不同的场景内容进行超分辨后，需要恢复的细节并不相同。例如，光滑的墙面与杂乱的草地在超分辨重建中需要体现的细节也不完全相同，而现有技术难以准确地恢复出图像中不同的场景内容的相应细节，影响了重建的图像质量。

发明内容

基于此，有必要针对难以准确地恢复出图像中不同的场景内容的相应细节的问题，提供一种图像超分辨率重建方法和系统。

一种图像超分辨率重建方法，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。

上述图像超分辨率重建方法，首先根据场景内容对待重建的低分辨图像进行分割并设置标签值，然后将图像中的场景信息作为先验加入到超分辨率深度学习网络中，进而重建出超分辨率图像；该技术方案所学习参数能够适应不同的场景内容，能够更好的对图像进行超分辨率重建，准确地恢复出图像中不同的场景内容的相应细节，提升了重建的图像质量。

在一个实施例中，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。

在一个实施例中，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：

获取的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。

在一个实施例中，所述深度学习网络为卷积神经网络。

在一个实施例中，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：