[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

说明书

本发明公开了一种图像超分辨率重构方法，该方法包括以下步骤：接收待超分辨率重构图像；利用卷积网络提取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特征信息进行特征优化，并计算目标分辨率；其中，各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；利用重构网络将待超分辨率重构图像重构为分辨率大小为目标分辨率的目标图像；其中，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。应用本发明实施例所提供的技术方案，较大地降低了成本，降低了对存储空间的消耗。本发明还公开了一种图像超分辨率重构装置、设备及存储介质，具有相应技术效果。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像超分辨率重构方法、装置、设备及计算机可读存储介质。

背景技术

图像超分辨率(super-resolution，SR)是指从低分辨率(low resolution，LR)图像中恢复高分辨率(high resolution，HR)图像的过程，是计算机视觉和图像处理中的一个重要研究方向。图像超分辨率具有广泛的实际应用，例如医学成像、安防监控和遥感图像等领域。除了提高图像感知质量外，图像超分辨率还有助于改善其他计算机视觉任务。

近年来，随着深度学习技术的飞速发展，基于深度学习的图像超分辨率模型已得到积极探索。最近在图像超分辨率上的研究工作显示，更深的网络往往带来更好的性能。因此增加网络的深度或宽度可以提升感受野，能够提供更多特征信息来重建图像超分辨率图像。基于此，深度递归卷积网络(deeply-recursive convolutional network，DRCN)被提出来。在DRCN的基础上，深度递归残差网络(Deep Recursive Residual Network，DRRN)应用全局和局部残差学习来帮助实现特征提取和梯度流动。SRDenseNet(super-resolutionusing dense skip connections)在图像超分辨率中使用了DenseNet的架构，但是DenseNet并不是为了针对超分辨率任务设计的网络。尽管上述图像超分辨率方法已经取得了一定的成果，但是仍然存在缺点。比如，需要通过添加新的卷积层来获得更深或更宽的网络，在高维空间中利用预定义的上采样运算符将待超分辨率重构图像的分辨率放大到所需的目标分辨率，从而得到更好的网络性能，成本高，耗费大量存储空间。

综上所述，如何有效地解决现有的图像超分辨率重构方式成本高，存储空间耗费严重等问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种图像超分辨率重构方法，该方法较大地降低了成本，降低了对存储空间的消耗；本发明的另一目的是提供一种图像超分辨率重构装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种图像超分辨率重构方法，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。

在本发明的一种具体实施方式中，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。