[发明专利]虹膜图像超分辨率重建方法及计算设备

权利要求书

1.一种生成虹膜图像超分辨率重建模型的方法，在计算设备中执行，所述方法包括步骤：

获取多个包含虹膜的高分辨率虹膜图像及其对应的低分辨率虹膜图像和低分辨率掩膜图像，包括：采集多个包含虹膜的高分辨率虹膜图像；对各高分辨率虹膜图像分别进行下采样，得到对应的低分辨率虹膜图像；对各低分辨率虹膜图像分别进行虹膜分割，得到对应的低分辨率掩膜图像；

将所述高分辨率虹膜图像和所述低分辨率虹膜图像输入初始的超分辨率重建模型的生成模型中，经处理后生成虹膜分割特征图、超分辨率虹膜图像、以及超分辨率虹膜图像的编码模板和高分辨率虹膜图像的编码模板，所述超分辨率重建模型的生成模型包括：相互耦接的特征提取模块、基于掩膜的注意力模块、上采样模块和虹膜识别模块，其中，

将所述低分辨率虹膜图像输入所述特征提取模块，生成低分辨率图像特征；

利用所述基于掩膜的注意力模块，对所述低分辨率图像特征进行处理，并生成关于所述低分辨率虹膜图像的虹膜分割特征图和虹膜区域注意力特征图；

通过所述上采样模块，对所述虹膜区域注意力特征图进行上采样处理，生成与所述高分辨率虹膜图像尺寸一致的超分辨率虹膜图像；

将所述超分辨率虹膜图像与所述高分辨率虹膜图像输入训练好的虹膜识别模块中，对应得到超分辨率虹膜图像的编码模板和高分辨率虹膜图像的编码模板；

通过计算所述低分辨率掩膜图像与所述虹膜分割特征图之间的第一损失函数、所述高分辨率虹膜图像与所述超分辨率虹膜图像之间的第二损失函数、所述高分辨率虹膜图像的编码模板与所述超分辨率虹膜图像的编码模板之间的第三损失函数，来更新所述超分辨率重建模型的生成模型的参数，直到满足预定条件时，训练结束，得到训练好的超分辨率重建模型的生成模型；

利用所述训练好的超分辨率重建模型的生成模型，生成虹膜图像超分辨率重建模型。

2.如权利要求1所述的方法，其中，在将所述高分辨率虹膜图像和所述低分辨率虹膜图像输入初始的超分辨率重建模型的生成模型之前，还包括：

利用所述高分辨率虹膜图像训练所述虹膜识别模块，以得到训练好的虹膜识别模块。

3.如权利要求2所述的方法，其中，

所述第一损失函数L1_loss通过下式计算：

，

其中，K表示低分辨率掩膜图像的像素数； 表示低分辨率掩膜图像中第i个像素的标签，如果像素属于虹膜区域，则其对应的标签值为1，否则为0；表示在虹膜分割特征图中预测的第i个像素属于虹膜区域的概率值；

所述第二损失函数L2_loss通过下式计算：

，

其中，m表示高分辨率虹膜图像的像素数，I_SR为超分辨率虹膜图像，I_HR为高分辨率虹膜图像；

所述第三损失函数L3_loss通过下式计算：

，或，，

其中，n表示编码模板的长度，表示超分辨率虹膜图像的编码模板，表示高分辨率虹膜图像的编码模板。

4.如权利要求3所述的方法，其中，

所述特征提取模块包括1个卷积层和3个空洞残差组件；

所述基于掩膜的注意力模块包括第一支路和第二支路，其中所述第一支路适于提取虹膜纹理特征，所述第二支路适于对低分辨率虹膜图像进行分割，生成虹膜分割特征图，所述基于掩膜的注意力模块还适于结合第一支路和第二支路，得到虹膜区域注意力特征图；

所述上采样模块包括卷积层、上采样组件和子像素卷积层，其中，所述上采样组件适于对所述虹膜区域注意力特征图进行分块、缩放和卷积处理，并与所述卷积层的结果融合，以得到特征图，将所述特征图输入所述子像素卷积层，以输出所述超分辨率虹膜图像。

5.如权利要求4所述的方法，其中，

所述虹膜图像超分辨率重建模型包括：训练好的特征提取模块、训练好的基于掩膜的注意力模块和训练好的上采样模块。