[发明专利]一种图像超分辨和着色方法、系统及电子设备

说明书

本申请涉及一种图像超分辨和着色方法、系统及电子设备。所述方法包括：步骤a：结合图像超分辨和着色设计新的网络模型，所述网络模型包括编码模块和解码模块；步骤b：将低分辨灰度图输入网络模型；步骤c：通过所述编码模块提取低分辨灰度图像的语义特征图，并将所述语义特征图传入解码模块，所述解码模块对各个层级的语义特征图进行叠加，并输出高分辨彩色图。本申请针对超分辨与着色问题设计新的网络模型，对超分辨和着色任务共同处理，将低分辨的灰度图直接映射到高分辨的彩色图，提高人们视觉观感，节省资源和时间。

技术领域

本申请属于图像处理技术领域，特别涉及一种图像超分辨和着色方法、系统及电子设备。

背景技术

在图像处理领域，图像的超分辨和着色一直是两个热门的研究领域。图像超分辨率技术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。该技术最早在光学领域被提出，现在广泛应用于图像压缩领域、医学成像领域、遥感成像领域等。传统的超分辨技术包括：基于插值的方法(如：最近邻插值法，双线性插值法，双三次插值法等)、基于重建的方法(如：非均匀插值法、迭代反投影法、最大后验概率法等)等。目前效果最好的是深度学习的方法，参考文献[Dong C,Loy C C,He K,et al.Image super-resolution using deepconvolutional networks[J].IEEE transactions on pattern analysis and machineintelligence,2016,38(2):295-307.]首次将卷积神经网络应用于图像超分辨领域，仅仅用了一个三层的卷积神经网络模型进行学习，就在重建质量和重建效率上远远的超越了现有的方法。后来越来越多的网络结构被提出，其中包括：FSRCNN[Dong C,Loy C C,TangX.Accelerating the super-resolution convolutional neural network[C]//Europeanconference on computer vision.Springer,Cham,2016:391-407]、SRDenseNet[Tong T,Li G,Liu X,et al.Image super-resolution using dense skip connections[C]//Proceedings of the IEEE International Conference on Computer Vision.2017:4799-4807.]、SRGAN[Ledig C,Theis L,Huszár F,et al.Photo-realistic single imagesuper-resolution using a generative adversarial network[C]//Proceedings ofthe IEEE conference on computer vision and pattern recognition.2017:4681-4690.]等。