[发明专利]用于图像超分辨率、图像增强及模型训练的方法及装置

权利要求书

1.一种用于图像超分辨率的方法，其特征在于，包括：

接收原始图像；

从所述原始图像提取特征图；

将所述原始图像切割成多个原始子图像块；

根据所述特征图分别将每个所述原始子图像块分类到多个子图像块集群中的一个子图像块集群中；

根据所述原始子图像块所属于的所述子图像块集群，由多个不同的经预先训练的卷积神经网络(CNN)模型来分别处理所述原始子图像块，以获得多个预测子图像块；以及

基于所述预测子图像块产生预测图像。

2.根据权利要求1所述的方法，其特征在于，从所述原始图像提取所述特征图的步骤包括：

对所述原始图像应用特征提取器，其中所述原始图像中的每一像素在所述特征图中的同一坐标处具有特征值。

3.根据权利要求2所述的方法，其特征在于，原始子图像块中的子图像块的中心像素的所述特征值代表所述子图像块的所述特征值。

4.根据权利要求2所述的方法，其特征在于，根据所述特征图分别将每个所述原始子图像块分类到子图像块集群中的一个子图像块集群中的步骤包括：

将具有相同的所述特征值的原始子图像块分类到一个子图像块集群中，其中每个所述集群对应于所述经预先训练的卷积神经网络模型中的不同的一个经预先训练的卷积神经网络模型。

5.根据权利要求1所述的方法，其特征在于，由所述不同的经预先训练的卷积神经网络模型分别处理所述原始子图像块的步骤包括：

由对应的所述经预先训练的卷积神经网络模型，分别处理所述多个原始子图像块以获得所述预测子图像块。

6.根据权利要求2所述的方法，其特征在于，所述特征提取器是二进制自适应性动态范围编码器(ADRC)。

7.根据权利要求2所述的方法，其特征在于，所述特征提取器是边缘检测器。

8.根据权利要求1所述的方法，其特征在于，所述经预先训练的卷积神经网络模型中的每一者包括多个卷积层。

9.根据权利要求1所述的方法，其特征在于，根据所述原始子图像块所属于的所述子图像块集群，由所述不同的经预先训练的卷积神经网络模型来分别处理所述原始子图像块的步骤包括：

将所述原始子图像块升级到目标分辨率；以及

将经升级的所述原始子图像块送入所属于的所述子图像块集群对应的所述经预先训练的卷积神经网络模型来进行处理。

10.根据权利要求1所述的方法，其特征在于，所述经预先训练的卷积神经网络模型中的每一例包括多个卷积层及升级层，且其中所述经预先训练的卷积神经网络模型中的每一例中的所述升级层将所述卷积层中的一者的输出升级到目标分辨率。

11.根据权利要求1所述的方法，其特征在于，基于所述预测子图像块产生所述预测图像的步骤包括：

将所述预测子图像块组合成所述预测图像。

12.根据权利要求1所述的方法，其特征在于，所述原始图像的分辨率低于所述预测图像的分辨率。

13.根据权利要求1所述的方法，其特征在于，所述原始子图像块中的每一例的分辨率低于所述预测子图像块中的每一例的分辨率。