[发明专利]视觉图像增强的生成方法、系统、装置及存储介质

说明书

本发明公开了一种视觉图像增强的生成方法、系统、装置及存储介质，该方法包括：获取待处理的低分辨率图像，通过图像超分辨率模型对所述低分辨率图像进行处理，输出高分辨率图像；采集训练样本，所述训练样本含高分辨率图像样本和低分辨率图像样本，根据采集的训练样本，基于预设损失函数和高分辨率图像样本建立图像超分辨率模型。本发明通过训练好的图像超分辨率模型实现对低分辨率图像运用多尺度子网络提取不同频率信息，以使输出的高分辨率图像包含更多的图像细节，提高图像的清晰度，避免利用单一尺度的卷积神经网络来同时处理图像的低频和高频信息的特征提取，克服了纹理区域过于平滑，视觉效果差的缺陷，可广泛的应用于图像处理技术领域。

技术领域

本发明属于图像处理技术领域，尤其涉及视觉图像增强的生成方法、系统、装置及存储介质。

背景技术

单幅图像超分辨率旨在从单张低分辨率图像中估计高分辨率图像，并且在工业和学术上都已经研究了数十年。到目前为止，单幅图像超分辨率在遥感，医学成像和监控图像等各个领域都有无数的应用。但是，单幅图像超分辨率是一个众所周知的具有挑战性的不适定问题，因为特定的低分辨率图像可能对应众多看似合理的高分辨率图像。为了解决这个待解决的问题，已经提出了许多单幅图像超分辨率方法，其中基于卷积神经网络的方法由于其强大的表征能力而获得了出色的性能。

近年来，几种基于卷积神经网络的方法探索了用于单幅图像超分辨率的不同网络体系结构，并在重建精度方面取得了长足的进步。然而，由于利用单尺度网络来重建低频和高频信息，这些方法在纹理化区域中遭受不同程度的过度平滑。对于单幅图像超分辨率，超分辨率图像的低频和高频信息不仅受网络深度的影响，而且还受特征尺度的影响。较深的网络具有更大的感受野以提取全局低频语义信息，而较浅的网络则具有较小的感受野，专注于包含更多高频信息的局部区域。就特征的尺度而言，大尺度特征比小尺度特征包含更多的像素和高频信息。换句话说，大尺度特征可以更好地反映频率或信号快速变化的区域。

单幅图像超分辨率的关键挑战是低频和高频信息不能同时很好地重建，从而使单幅图像超分辨率容易出现错误，不能产生最佳的超分辨率结果。因此，需要一个更加精确和高效的单幅图像超分辨率网络，进一步提升单幅图像超分辨率的恢复能力，使其能够很好地同时重建高频和低频信息，产生更高质量的超分辨率图像。

发明内容

本发明的目的在于提供视觉图像增强的生成方法、系统、装置及存储介质，以解决上述技术问题。

为达此目的，本发明采用以下技术方案：

第一方面，提供了一种视觉图像增强的生成方法，包括以下步骤：

获取待处理的低分辨率图像；

通过图像超分辨率模型对所述低分辨率图像进行处理，输出高分辨率图像；

所述图像超分辨率模型的训练方法，包括：

采集训练样本，所述训练样本含高分辨率图像样本和低分辨率图像样本；

根据采集的训练样本，基于预设损失函数和高分辨率图像样本建立图像超分辨率模型。

可选地，所述采集训练样本，所述训练样本含高分辨率图像样本和低分辨率图像样本，包括：

采用随机切取方法得到高分辨率图像样本并备份；

采用图像缩放算法对所述高分辨率图像样本进行下采样，生成低分辨率图像样本。

可选地，所述根据采集的训练样本，基于预设损失函数和高分辨率图像样本建立图像超分辨率模型，包括：

获取设定数量低分辨率图像样本；

基于卷积层对所述低分辨率图像提取特征，生成图像浅层特征；

采用空间注意力残差密集连接块对所述浅层特征融合提取一定频率的特征信息；