[发明专利]一种生成超分辨率图像的方法及装置有效

专利信息
申请号: 201711488405.4 申请日: 2017-12-29
公开(公告)号: CN109993694B 公开(公告)日: 2021-10-08
发明(设计)人: 关婧玮 申请(专利权)人: TCL科技集团股份有限公司
主分类号: G06T3/40 分类号: G06T3/40;G06N3/04
代理公司: 深圳中一联合知识产权代理有限公司 44414 代理人: 李艳丽
地址: 516006 广东省惠州市*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 生成 分辨率 图像 方法 装置
【权利要求书】:

1.一种生成超分辨率图像的方法,其特征在于,包括:

将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;

将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;其中,所述第二深度神经网络的特征层输出的特征向量为图像的质量特征;

根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;

根据所述损失函数对所述第一深度神经网络的参数进行调整;

通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像;

其中,将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征包括:

将所述原始图像样本X输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征;

将所述超分辨率图像样本Z输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征。

2.如权利要求1所述的生成超分辨率图像的方法,其特征在于,

损失函数为

其中,Loss为均方差,为原始图像样本X的质量特征,为超分辨率图像样本Z的质量特征,N为所述质量特征的维度。

3.如权利要求2所述的生成超分辨率图像的方法,其特征在于,所述原始图像样本携带有评价分数;在将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征之前,还包括:

将携带有评价分数的原始图像样本输入所述预先构建的第二深度神经网络对所述第二深度神经网络进行训练,获取第二深度神经网络的目标参数K。

4.一种生成超分辨率图像的装置,其特征在于,包括:

第一输出模块,用于将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;

第二输出模块,用于将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;其中,所述第二深度神经网络的特征层输出的特征向量为图像的质量特征;

确定模块,用于根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;

调整模块,用于根据所述损失函数对所述第一深度神经网络的参数进行调整;

处理模块,用于通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像;

所述第二输出模块包括:

第一输出单元,用于将所述原始图像样本X输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征;

第二输出单元,用于将所述超分辨率图像样本Z输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征。

5.如权利要求4所述的生成超分辨率图像的装置,其特征在于,

损失函数为

其中,Loss为均方差,为原始图像样本X的质量特征,为超分辨率图像样本Z的质量特征,N为所述质量特征的维度。

6.如权利要求4所述的生成超分辨率图像的装置,其特征在于,还包括:

训练模块,用于将携带有评价分数的原始图像样本输入所述预先构建的第二深度神经网络对所述第二深度神经网络进行训练,获取第二深度神经网络的目标参数K。

7.一种生成超分辨率图像的装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。

8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于TCL科技集团股份有限公司,未经TCL科技集团股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201711488405.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top