[发明专利]一种能够估计结果置信度的超分辨率重建方法

说明书

本发明公开了一种能够估计结果置信度的超分辨率重建方法；包括：获取目标低分辨率图像；将目标低分辨率图像输入至最终超分辨率网络模型中，输出目标最终高分辨率图像和对应的不确定性显著图；通过该方法可以在模型输出重建结果的同时估计结果的置信度，避免错误的重建结果对后续决策产生影响。

技术领域

本发明属于数字图像处理技术领域，特别是一种能够估计结果置信度的超分辨率重建方法。

背景技术

超分辨率重建是一项将低分辨图像重建为具有丰富纹理细节的高分辨图像的图像处理技术，单帧图像超分辨率重建是指输入的图像数据为单帧图像，将其重建为单帧高分辨率图像。基于深度学习的超分辨率方法往往可以获得非常高的重建性能，但是在部分区域会出现错误的重建的结果，导致重建图像对后续的识别和决策产生较大影响。

现有的基于深度学习的超分辨率重建方法，往往可以获得较高的性能指标，但是却无法获知重建结果的置信度；不同的超分辨率重建方法对于同一样本的重建结果有时存在完全相反的结果，这无疑对超分辨方法的应用埋下了很大的隐患。

因此，如何在模型输出重建结果的同时估计结果的置信度，通过置信度对结果进行进一步筛选，避免错误的重建结果对后续决策产生影响，成为当前研究的关键问题。

发明内容

鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种能够估计结果置信度的超分辨率重建方法，通过该方法可以在模型输出重建结果的同时估计结果的置信度，避免错误的重建结果对后续决策产生影响。

本发明实施例提供了一种能够估计结果置信度的超分辨率重建方法，包括：

获取目标低分辨率图像；

将所述目标低分辨率图像输入至最终超分辨率网络模型中，输出所述目标最终高分辨率图像和对应的不确定性显著图。

进一步地，所述最终超分辨率网络模型由下述步骤训练生成，包括：

获取低分辨率图像，并设置模型的超分辨率尺度参数，用于计算重建图像的大小；

根据所述超分辨率尺度参数，构建超分辨率网络；

将所述低分辨率图像输入至所述超分辨率网络中，输出高分辨率图像和对应的不确定性显著图；

将所述低分辨率图像、高分辨率图像和对应的不确定性显著图带入修正后的平方误差损失函数中进行训练，获得最终超分辨率网络模型。

进一步地，所述超分辨率网络表示为：

u(I_x),σ²(I_x)＝f_θ(I_x)

其中，I_x表示为低分辨率图像；u(I_x)表示低分辨率图像通过深度神经网络后的重建结果，即高分辨率图像；σ²(I_x)表示通过神经网络对重建结果的自适应的不确定性估计值；f_θ(·)表示为深度神经网络。

进一步地，所述修正后的平方误差损失函数表示为：

其中，L'_MSE表示修正结果；I_x表示为低分辨率图像；I_y表示为高分辨率图像的真值；f_θ(·)表示为深度神经网络；u(I_x)表示高分辨率图像；σ²(I_x)表示对高分辨率图像的不确定性估计值。

与现有技术相比，本发明记载的一种能够估计结果置信度的超分辨率重建方法，具有如下有益效果：