[发明专利]一种基于DLSS深度学习超级采样技术的图像滤波方法

说明书

本发明公开了一种基于DLSS深度学习超级采样技术的图像滤波方法，包括如下步骤：获取原始图像I_L；使用DLSS深度学习超级采样技术由原始图像I_L生成轮廓模板；对轮廓模板进行差值得到初始插值图像I_I；基于原始图像I_L提取低频图像I_LL和高频图像I_LH；将原始图像I_L分为多个待匹配块；基于原始图像I_L分成的多个待匹配块生成多个高频信息块；将得到的高频信息块拼接成具有初始插值图像I_I尺寸的高频信息H；将高频信息H叠加到初始插值图像I_I上合成具有原始图像I_L纹理特征的超分辨率图像I_H；对超分辨率图像I_H进行滤波得到目标图像。本发明将DLSS深度学习超级采样技术与数学形态学相结合，从而有效提高了采用数学形态学进行图像处理时的细节处理精准度，缩短了处理耗时。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于DLSS深度学习超级采样技术的图像滤波方法。

背景技术

数学形态学是一门非线性的图像处理和分析工具。在图像滤波处理过程中,采用形态学开闭算子组成的滤波器,能得到很好的滤波效果。由于图像中几何形状多样性,以及噪声的特性,在形态学滤波器中常需要选择合适的形态学结构元。形态学对于卫星云图的处理也有很好的效果。通过处理提取出云图的结构特征，并使云图的应用趋于客观定量化，减少了人为误差,提高了预报精度和天气预报的自动化程度。数学形态学应用于遥感图像处理方面的研究相当深入。尤其是地震勘探中，用形态学滤波器来平滑地震属性分布图，去除随机噪音，使得地震属性分布的区域性更为醒目，有时也应用于油藏分布的区域分割。经过处理后最终得到用于解释的地震剖面实际上都可以看作是一些图像。地震层析成像是通过观察地震波在岩体中的走时，反演观测区域波速分布的图像，以解决地质问题。层析成像处理后的图像，既包含了一些观测过程中噪声，又包含了重建过程中噪声，应用形态学滤波器技术，可以改善图像的质量，突出图像中有效信息，提高CT技术的应用效果。地震属性分析中也有去掉那些并不真正连通的假象。

然而，现有的采用数学形态学进行图像处理的方案存在细节处理精准度较低及处理耗时较长的问题。

发明内容

因此，本发明需要解决的问题是如何提高采用数学形态学进行图像处理时的细节处理精准度及缩短处理耗时。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于DLSS深度学习超级采样技术的图像滤波方法，包括如下步骤：

S1、获取原始图像I_L；

S2、使用DLSS深度学习超级采样技术由原始图像I_L生成轮廓模板；

S3、对轮廓模板进行插值得到初始插值图像I_I；

S4、基于原始图像I_L提取低频图像I_LL和高频图像I_LH；

S5、将原始图像I_L分为多个待匹配块；

S6、基于原始图像I_L分成的多个待匹配块生成多个高频信息块；

S7、将得到的高频信息块拼接成具有初始插值图像I_I尺寸的高频信息H；

S8、将高频信息H叠加到初始插值图像I_I上合成具有原始图像I_L纹理特征的超分辨率图像I_H；

S9、对超分辨率图像I_H进行滤波得到目标图像。