[发明专利]一种图像超分辨率重构方法、装置、设备及可读存储介质

权利要求书

1.一种图像超分辨率重构方法，其特征在于，包括：

接收待超分辨率重构图像；

利用卷积网络提取所述待超分辨率重构图像的特征信息；

利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率；其中，各所述多尺度密集网络为通过预设损失函数进行训练得到的网络；

利用重构网络将所述待超分辨率重构图像重构为分辨率大小为所述目标分辨率的目标图像；其中，所述重构网络包括顺次连接的第一卷积子网络、子像素网络、第二卷积子网络。

2.根据权利要求1所述的图像超分辨率重构方法，其特征在于，利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率；其中，各所述多尺度密集网络为通过预设损失函数进行训练得到的网络，包括：

利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率；其中，各所述多尺度密集网络为通过L1损失函数进行网络权重优化训练得到的网络。

3.根据权利要求2所述的图像超分辨率重构方法，其特征在于，利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率；其中，各所述多尺度密集网络为通过L1损失函数进行网络权重优化训练得到的网络，包括：

利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率；其中，各所述多尺度密集网络为通过所述L1损失函数以目标图像训练集为训练样本进行网络权重优化训练得到的网络，所述目标图像训练集为对原图像训练集进行数据增强得到的训练集。

4.根据权利要求1至3任一项所述的图像超分辨率重构方法，其特征在于，利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率，包括：

利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率；其中，每个多尺度密集网络包括一个两旁路密集子网络和一个注意力机制子网络，所述两旁路密集子网络中第一密集子网络包括预设数量的第一卷积层，第二密集子网络包括所述预设数量的第二卷积层，各所述第一卷积层与各所述第二卷积层的卷积核大小不同。

5.根据权利要求4所述的图像超分辨率重构方法，其特征在于，所述第一卷积层和所述第二卷积层为部署有激活函数的卷积层。

6.一种图像超分辨率重构装置，其特征在于，包括：

图像接收模块，用于接收待超分辨率重构图像；

信息提取模块，用于利用卷积网络提取所述待超分辨率重构图像的特征信息；

分辨率计算模块，用于利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率；其中，各所述多尺度密集网络为通过预设损失函数进行训练得到的网络；

图像重构模块，用于利用重构网络将所述待超分辨率重构图像重构为分辨率大小为所述目标分辨率的目标图像；其中，所述重构网络包括顺次连接的第一卷积子网络、子像素网络、第二卷积子网络。

7.根据权利要求6所述的图像超分辨率重构装置，其特征在于，所述分辨率计算模块具体为利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率的模块；其中，各所述多尺度密集网络为通过L1损失函数进行网络权重优化训练得到的网络。

8.根据权利要求7所述的图像超分辨率重构装置，其特征在于，所述分辨率计算模块具体为利用各多尺度密集网络对所述特征信息进行特征优化，并计算目标分辨率的模块；其中，各所述多尺度密集网络为通过所述L1损失函数以目标图像训练集为训练样本进行网络权重优化训练得到的网络，所述目标图像训练集为对原图像训练集进行数据增强得到的训练集。

9.一种图像超分辨率重构设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述图像超分辨率重构方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述图像超分辨率重构方法的步骤。