[发明专利]一种图像超分辨率重建方法及装置

说明书

本发明实施例提供一种图像超分辨率重建方法及装置。该方法包括：将第一分辨率图像输入图像重建模型，输出第二分辨率图像；图像重建模型是基于第一分辨率样本图像及其对应的第二分辨率样本图像进行训练后得到的；其中，第一分辨率小于第二分辨率，所述图像重建模型包括若干层残差结构和一层超像素结构，所述残差结构包括若干卷积层和若干级联非线性激活函数层。本发明实施例提供的图像超分辨率重建方法，图像重建模型的残差结构使用级联的非线性激活函数CReLU代替部分卷积层，减少了图像重建模型的参数，提高了图像超分辨率重建的速度。

技术领域

本发明实施例涉及图像重建领域，尤其涉及一种图像超分辨率重建方法及装置。

背景技术

在电子图像应用领域，人们经常期望得到高分辨率图像。高分辨率意味着图像中的像素密度高，能够提供更多的细节，而这些细节在许多实际应用中不可或缺。例如，高分辨率医疗图像对于医生做出正确的诊断是非常有帮助的；使用高分辨率卫星图像就很容易从相似物中区别相似的对象；如果能够提供高分辨的图像，计算机视觉中的模式识别的性能就会大大提高。因此，寻找一种增强当前分辨率水平的方法是非常必须的。

图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前，图像超分辨率研究可分为3个主要范畴：基于插值的重建方法、基于学习的方法以及频率域方法。基于插值的方法是针对图像上每个像素点的值是用其周围几个点进行计算逼近得到的，得到的图像过于平滑，丢失了许多高频细节。参数频率域方法是图像超分辨率重建中一类重要方法，其中最主要的是消混叠重建方法。消混叠重建方法是通过解混叠而改善图像的空间分辨率实现超分辨率复原，它的缺点是频域数据缺少相关性。

目前，也有一些基于卷积神经网络的超分辨率重建算法，采用大量的高分辨率图像构造学习库产生学习模型，在对低分辨率图像进行恢复的过程中引入由学习模型获得的先验知识，以得到图像的高频细节。然而基于学习的方法仅使用图像表层特征。而且，卷积神经网络的卷积核尺寸较大，影响了卷积神经网络的运行速度。

发明内容

针对传统图像超分辨率重建方法的上述缺陷。本发明实施例提供一种图像超分辨率重建方法。

第一方面，本发明实施例提供一种图像超分辨率重建方法，包括：

将第一分辨率图像输入图像重建模型，输出第二分辨率图像；所述图像重建模型是基于第一分辨率样本图像及其对应的第二分辨率样本图像进行训练后得到的；其中，第一分辨率小于第二分辨率，图像重建模型包括若干层残差结构和一层超像素结构，残差结构包括若干卷积层和若干级联非线性激活函数层。

第二方面，本发明实施例提供一种图像超分辨率重建装置，包括：

图像重建模块，用于将第一分辨率图像输入图像重建模型，输出第二分辨率图像；所述图像重建模型是基于第一分辨率样本图像及其对应的第二分辨率样本图像进行训练后得到的；其中，第一分辨率小于第二分辨率，图像重建模型包括若干层残差结构和一层超像素结构，残差结构包括若干卷积层和若干级联非线性激活函数层。

第三方面，本发明实施例提供了一种电子设备，包括：

至少一个处理器、至少一个存储器、通信接口和总线；其中，

所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的图像超分辨率重建方法。

第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的图像超分辨率重建方法。