[发明专利]一种生成超分辨率图像的方法及装置

说明书

本发明适用于图像处理技术领域，提供了一种生成超分辨率图像的方法及装置。该方法包括：将原始图像样本以及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原始图像样本的质量特征和超分辨率图像样本的质量特征；根据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第一深度神经网络的损失函数；根据损失函数对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，获得待处理的低分辨率图像的超分辨率图像。本发明生成的超分辨率图像的质量特征接近于原始图像的质量特征，解决了只是与原始图像在像素上的逼近造成的失真问题，本发明操作简单，具有较强的实用性和易用性。

技术领域

本发明属于图像处理技术领域，尤其涉及一种生成超分辨率图像的方法及装置。

背景技术

对图像进行超分辨率图像处理后，图像的分辨率得以提高，更多的细节得以体现。在这个过程中，生成超分辨率图像的质量是图像处理成功与否的关键。

超分辨率图像处理的核心是低分辨率图像到高分辨率图像的拟合。近些年来，深度学习技术的飞速发展帮助用户获得更好的拟合函数。通过在训练的过程中最小化生成的超分辨率图和原高分辨率图之间的差别，网络中的参数得以被训练。如何衡量两图之间的差别是非常重要的，直接决定了生成的超分辨率图像的质量。

现有的超分辨方法在衡量超分辨率图和原高分辨率图之间差别的时候，大都是在像素级别进行比较。例如，原高分辨率图为X，降维以后的低分辨图为Y，通过深层神经网络生成的超分辨率图为Z＝G(Y|θ)。在训练此网络的过程中，损失函数定义为均方差的形式，计算公式如下：

其中，θ为神经网络参数，a和b为图像的高度和宽度。(x,y)为图像的位置坐标。以上述形式定义损失函数存在着如下问题：

在像素级别对图像进行比较不完全符合人眼的视觉规律。相同Loss的图像，给人眼视觉系统的感知可能完全不同。例如，均方差较小者可能给人更好的视觉感受。例如下面的例子：图1为原始图像，图2至图6是被不同失真类型处理过的失真图像。将原始图像，以及这些失真图像分别输入上述损失函数，得到的均方差基本相同，但是这些图像给人的视觉感受是明显不同的。

综上所述，如果以上述函数作为损失函数，生成的超分辨图质量就无法得到保证。

发明内容

有鉴于此，本发明实施例提供了一种生成超分辨率图像的方法及装置，以解决现有技术中生成超分辨率图像的方法存在生成的超分辨图质量就无法得到保证的问题。

本发明实施例的第一方面提供了一种生成超分辨率图像的方法，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；

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。

本发明实施例的第二方面提供了一种生成超分辨率图像的装置，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；