[发明专利]图像处理学习程序、图像处理程序、信息处理装置以及图像处理系统

说明书

提供一种图像处理学习程序以及通过该程序进行了学习的图像处理程序、信息处理装置和图像处理系统，该图像处理学习程序以无需标记的方式对用于图像处理的学习的数据集进行聚类，同时进行图像处理的学习以提高对各个分类域的图像处理的精度。终端1具有：多个超分辨单元1020、1021...；以及学习单元104，其用于向与学习对象的组所包含的分类域中具有最多的低分辨率图像的第k个分类域相对应的第k个超分辨单元102k和第i个超分辨单元102i输入所述第k个分类域具有的低分辨率图像，并赋予要输出的超分辨图像的精度高的超分辨单元102k或者超分辨单元102i的分类标签，同时，通过该低分辨率图像使精度高的一方的超分辨单元102k或者超分辨单元102i学习。

技术领域

本发明涉及一种图像处理学习程序、图像处理程序、信息处理装置以及图像处理系统。

背景技术

作为现有技术，提出有一种通过预先对数据集进行聚类来进行超分辨的学习的图像处理学习程序(例如，参照非专利文献1)。

非专利文献1中公开的图像处理学习程序，在从单一的低分辨率图像复原单一的高分辨率图像的单图像超分辨中，准备多个低分辨率图像以作为数据集，在通过k均值算法对该数据集预先进行聚类并划分为分类域的同时，准备与分类域数相同数量的CNN(Convolutional Neural Network，卷积神经网络)模型，使用输入到CNN模型的图像与聚类中心之间的距离来进行学习，以作为超分辨单元。此外，对于作为超分辨单元的学习后的CNN模型，通过使用所输入的图像和聚类中心之间的距离来进行推断。

现有技术文献

非专利文献

非专利文献1Zhen Li、其他5人，”Clustering based multiple branches deepnetworks for single image super-resolution(基于多分支深度网络进行聚类以实现单图像超分辨率)”、Multimedia Tools and Applications(多媒体工具和应用)、SpringerScience+Business Media(施普林格科学+商业媒体)，2018年12月14日

发明内容

本发明所要解决的课题

但是，根据上述非专利文献1中的图像处理学习程序，虽然预先对数据集进行聚类从而提高了学习的效率，但是由于有时例如根据图像的颜色或明暗度等特征量来进行聚类，因此存在未必一定会提高超分辨精度的问题。

因此，本发明的目的在于提供一种图像处理学习程序以及通过该程序进行学习的图像处理程序、信息处理装置和图像处理系统，该图像处理学习程序以无需标记的方式对用于图像处理学习的数据集进行聚类，同时进行图像处理的学习以提高对各个分类域的图像处理的精度。

用于解决课题的方案

为了实现上述目的，本发明的一实施方式提供以下的图像处理学习程序、图像处理程序、信息处理装置以及图像处理系统。

[1]一种图像处理学习程序，使计算机作为以下单元来发挥作用：

多个图像处理单元，其用于对单一的输入图像执行图像处理并输出单一的输出图像；

以及所述学习单元，其用于使用具有多个输入图像和与该多个输入图像相对应的目标图像的学习对象的组所包含的分类域中具有最多输入图像的第k个分类域，使单个或多个未学习的图像处理单元进行学习直至达到与该分类域相对应的已学习完成的第k个图像处理单元大致相同的精度，向该第k个图像处理单元和已学习的该单个或多个图像处理单元输入所述第k个分类域具有的输入图像，将该已学习的单个或多个图像处理单元或该第k个图像处理单元中要输出的输出图像的相对于目标图像的精度高的图像处理单元的分类标签赋给已输入的输入图像，同时，根据精度，通过该输入图像使该已学习的单个或多个图像处理单元或/和该第k个图像处理单元学习。