[发明专利]一种基于深度学习的联级超分辨率重建的方法及装置

权利要求书

1.一种基于深度学习的联级超分辨率重建的方法，其特征在于，包括：

获取欲进行超分辨率重建的初始图片和欲将所述初始图片的分辨率提高的目标倍数；

将所述初始图片输入到预先训练的超分辨率重建模型中，获取由所述超分辨率重建模型输出的与所述目标倍数匹配的目标图片，输出所述目标图片；

其中，所述超分辨率重建模型由初始构建模型通过机器学习训练得到；所述初始构建模型包括依次连接的至少两个联级组，前一联级组的输出作为后一联级组的输入；每一联级组内均包括卷积层结构和平行反卷积层结构，卷积层结构的输出作为平行反卷积层结构的输入，平行反卷积层结构中包括至少两个并联的反卷积层。

2.根据权利要求1所述的方法，其特征在于，对于所述初始构建模型中的任一非首个联级组，所述非首个联级组中的平行反卷积层结构的输入包括所述非首个联级组中的卷积层结构的输出和残差计算结果；

其中，所述残差计算结果为所述非首个联级组的前一联级组的输出和所述初始图片进行残差计算的结果。

3.根据权利要求1所述的方法，其特征在于，所述初始构建模型通过机器学习训练得到所述超分辨率重建模型，包括：

获取样本图片和欲使得所述超分辨率重建模型对输入的图片提高的至少两个预设倍数，对每一预设倍数，将所述样本图片的分辨率降低所述预设倍数得到与所述预设倍数对应的图片，得到与各预设倍数对应的图片组成的第一图片集合；

以所述第一图片集合作为所述初始构建模型的输入样本，以由相应数量的所述样本图片组成的第二图片集合作为输出样本，通过若干组所述输入样本和所述输出样本对所述初始构建模型进行训练，将训练出的模型作为所述超分辨率重建模型；

其中，所述第二图片集合中的所述样本图片的数量等于所述第一图片集合中的图片数量。

4.根据权利要求3所述的方法，其特征在于，在对所述初始构建模型进行训练的过程中还包括：

获取将输入样本输入当前训练的初始构建模型后得到的输出图片集合，若输出图片集合中的每一图片与所述样本图片的分辨率偏差均在预设的误差函数的容差范围内，则将当前训练的初始构建模型作为所述超分辨率重建模型。

5.根据权利要求1所述的方法，其特征在于，所述将所述初始图片输入到预先训练的超分辨率重建模型中，包括：

获取所述超分辨率重建模型能输出的不同倍数的图片数量，作为设定倍数数量，将数量等于所述设定倍数数量的所述初始图片输入到预先训练的超分辨率重建模型中。

6.根据权利要求1所述的方法，其特征在于，每一联级组内的卷积层结构包括至少两个依次连接的卷积层，前一卷积层的输出作为后一卷积层的输入，且每一卷积层的特征图采用PReLu函数计算。

7.根据权利要求1所述的方法，其特征在于，所述初始构建模型包括依次连接的5个联级组，每一联级组内的卷积层结构包括3个依次连接的卷积层，每一联级组内的平行反卷积层结构包括3个并联的反卷积层。

8.一种基于深度学习的联级超分辨率重建的装置，其特征在于，包括：

获取模块，用于获取欲进行超分辨率重建的初始图片和欲将所述初始图片的分辨率提高的目标倍数；

处理模块，用于将所述初始图片输入到预先训练的超分辨率重建模型中，获取由所述超分辨率重建模型输出的与所述目标倍数匹配的目标图片，输出所述目标图片；

其中，所述超分辨率重建模型由初始构建模型通过机器学习训练得到；所述初始构建模型包括依次连接的至少两个联级组，前一联级组的输出作为后一联级组的输入；每一联级组内均包括卷积层结构和平行反卷积层结构，卷积层结构的输出作为平行反卷积层结构的输入，平行反卷积层结构中包括至少两个并联的反卷积层。