[发明专利]一种图像均衡增强的方法、系统、装置及存储介质

说明书

本发明公开了一种图像均衡增强的方法、系统、装置及存储介质，该方法包括：收集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，生成高分辨率图像；收集训练样本，所述训练样本含低分辨率图像样本和高分辨率图像样本，根据收集的训练样本，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由低分辨率图像恢复为高分辨率图像的效果，而且能融合面向评价指标的方法和感知驱动方法的优点，进一步提升单幅图像超分辨率的恢复效果，可广泛的应用于图像处理技术领域。

技术领域

本发明属于数字图像处理技术领域，尤其涉及一种图像均衡增强的方法、系统、装置及存储介质。

背景技术

随着技术的发展，人们对图像质量的要求不断提升，如何获得高质量的图像成为了必不可少的研究方向。单幅图像超分辨率是一种从单一低分辨率图像中恢复为高分辨率图像的方法，在计算机视觉研究中受到广泛关注。这项技术在多个领域都有其重要的实用意义，例如在安全监控领域，由于摄像头本身的分辨率问题或者拍摄目标物过远的问题，其获得的监控图像存在分辨率低，难以识别的问题，对从中挖掘信息造成一定的阻碍。通过单幅图像超分辨率技术，可以有效提高图像的分辨率，细化图像的纹理信息，从而提升监控图像的质量。在医学领域方面，医学仪器获得的图像往往是低分辨率的图像，对医生根据图像做出恰当的诊断也产生一定的影响。通过单幅图像超分技术，对低分辨率图像进行超分辨率，提升低分辨率图像的质量，帮助医生更好地进行诊断。旧照片由于当时技术的限制，放到当今时代，其分辨率往往不尽人意，严重影响视觉体验，利用单幅图像超分辨率技术可以在一定程度上对其恢复，提升旧照片的质量。除此之外，单幅图像超分还可以用于遥感影像、目标识别等其他多个领域。

目前的单幅图像超分辨率方法可以分为以下三类：基于插值的方法，基于重构的方法，以及基于学习的方法。基于插值的方法是非常快速和直接的，如双三次插值。但是插值方法会失去图像的细节信息，超分辨率的效果不理想。基于重构的方法，采用复杂的先验知识来限制可能的解空间，可以恢复出一些锐化的细节。但是，随着尺度因子的增大，基于重构的方法性能会大大下降，并且基于重构的方法往往需要花费大量的时间。基于学习的方法通常使用机器学习算法来获得模型，从而产生从低分辨率到高分辨率图像的映射。基于学习的方法以其优异的性能和快速的计算速度引起了人们的广泛关注。

近年来，随着深度学习的发展和广泛应用，许多基于深度学习的方法被提出来解决单幅超分辨率的问题，并且与其他方法相比，基于深度学习的方法具有很大的优越性。之前的基于深度学习的方法主要以均方误差损失为优化函数，获得较高的评价指标。但是，这些面向评价指标的方法通常会产生严重的过度平滑的边缘，生成的图像缺少高频细节，感知的质量差。因此，为了提高超分辨率结果的视觉质量，感知驱动的方法就被提出。然而，感知驱动的方法产生真实的细节的同时，也会带来一些令人不舒服的噪声。

发明内容

本发明的目的在于提供一种图像均衡增强的方法、系统、装置及存储介质，可以融合面向评价指标的方法和感知驱动方法的优点，进一步提升单幅图像超分辨率的恢复效果，使其能够处理各类复杂场景下的单幅图像超分辨率的任务。

为达此目的，本发明采用以下技术方案：

第一方面，一种图像均衡增强的方法，其特征在于，包括：

所述图像超分辨率模型的训练方法，包括：

收集训练样本，所述训练样本含低分辨率图像样本和高分辨率图像样本；

基于共享模块对所述低分辨率图像样本提取图像特征，生成图像浅层特征；

结合左右不对称的超分网络，全局引导机制对所述图像浅层特征进一步提取全局特征信息和细节特征信息；

基于掩模网络对所述图像浅层特征，生成注意掩模；

利用所述注意掩模，自适应重构所述全局特征信息和细节特征信息，重建高分辨率图像；