[发明专利]一种超分辨图像训练方法、装置、介质及设备

权利要求书

1.一种超分辨模型训练方法，其特征在于，包括：

获取低清图像集；

从高清图像库中获取与低清图像匹配的高清图像；其中，匹配指从高清图库中找到与低清图像的相似度最高的高清图像；

以从高清图像库中获取的与低清图像匹配的高清图像组成数据对，并以若干所述数据对构成的数据集训练得到超分辨模型。

2.根据权利要求1所述的超分辨模型训练方法，其特征在于，所述从高清图像库中获取与低清图像匹配的高清图像，包括：

生成低清图像的哈希码与高清图像的哈希码；

根据所述低清图像的哈希码与所述高清图像的哈希码从高清图像库中获取与低清图像匹配的高清图像。

3.根据权利要求2所述的超分辨模型训练方法，其特征在于，通过dhash算法、AHash算法、PHash算法或SimHash算法计算低清图像的哈希码和高清图像的哈希码。

4.根据权利要求1所述的超分辨模型训练方法，其特征在于，所述超分辨模型包括：依次连接的多个超分辨模块、上采样模块；所述超分辨模块包括依次连接的多个卷积层，每个卷积层具有激活函数。

5.根据权利要求1所述的超分辨模型训练方法，其特征在于，以若干所述数据对构成的数据集训练得到超分辨模型，包括：

以低清图像以及与所述低清图像匹配的高清图像作为输入，反复迭代训练超分辨模型，直到超分辨模型的损失小于阈值。

6.根据权利要求5所述的超分辨模型训练方法，其特征在于，在超分辨模型的训练过程中，输入低清图像，通过超分辨模型前向传播得到模拟高清图像；通过模拟高清图像和真实高清图像，计算超分辨模型的损失Loss，然后反向传播，更新超分辨模型的参数。

7.根据权利要求6所述的超分辨模型训练方法，其特征在于，所述超分辨模型的损失Loss为：

L＝w_ganL_gan+w_pixelL_pixel

其中，w_gan和w_pixel表示设定的系数，L_pixel表示像素损失，L_gan表示对抗损失，

其中，N是像素数量，p_1i是模拟高清图像每个RGB像素的值，p_2i是真实高清图像每个RGB像素的值，x是输入图像，G是超分辨模型，D是判别模型，其中，模拟高清图像与相应的真实高清图像为判别模型的输入。

8.一种超分辨模型训练装置，其特征在于，包括：

图像获取模块，用于获取低清图像集；

图像匹配模块，用于从高清图像库中获取与低清图像匹配的高清图像；其中，匹配指从高清图库中找到与低清图像的相似度最高的高清图像；

训练模块，用于以从高清图像库中获取的与低清图像匹配的高清图像组成数据对，并以若干所述数据对构成的数据集训练得到超分辨模型。

9.根据权利要求8所述的超分辨模型训练装置，其特征在于，所述图像匹配模块包括：

哈希码生成子模块，用于生成低清图像的哈希码与高清图像的哈希码；

匹配子模块，用于根据所述低清图像的哈希码与所述高清图像的哈希码从高清图像库中获取与低清图像匹配的高清图像。

10.根据权利要求8所述的超分辨模型训练装置，其特征在于，所述超分辨模型包括：依次连接的多个超分辨模块、上采样模块；所述超分辨模块包括依次连接的多个卷积层，每个卷积层具有激活函数。

11.根据权利要求8所述的超分辨模型训练装置，其特征在于，所述训练模块以低清图像以及与所述低清图像匹配的高清图像作为输入，反复迭代训练超分辨模型，直到超分辨模型的损失小于阈值。