[发明专利]一种基于图像特征快速拼接的图像超分辨率方法及其系统有效

专利信息
申请号: 202011556673.7 申请日: 2020-12-24
公开(公告)号: CN112634136B 公开(公告)日: 2023-05-23
发明(设计)人: 梁可弘;史景伦 申请(专利权)人: 华南理工大学
主分类号: G06T3/40 分类号: G06T3/40;G06T7/10;G06N3/084;G06N3/0464
代理公司: 广州粤高专利商标代理有限公司 44102 代理人: 何淑珍;江裕强
地址: 510640 广*** 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 基于 图像 特征 快速 拼接 分辨率 方法 及其 系统
【说明书】:

发明公开了一种基于图像特征快速拼接的图像超分辨率方法及其系统,该系统包括多级快速的大视野图像信息提取模块、图像特征快速拼接模块、图像上采样重建模块以及对抗神经网络判别器。其中,所述多级快速的大视野图像信息提取模块从图像中快速提取大视野的信息;所述图像特征快速拼接模块将各级视野的图像信息以不均衡加权的方式整合起来;所述图像上采样重建模块使用亚像素卷积的方法从图像信息中重建出超分辨率图像;所述对抗神经网络判别器为算法模型的训练提供对抗损失。本发明将图像下采样的卷积计算引入到图像超分辨率重建的问题中,提升了图像超分辨率重建的计算速度和精度,具有广阔的应用前景。

技术领域

本发明涉及计算机视觉领域、图像处理领域和深度学习领域,尤其涉及一种基于图像特征快速拼接的图像超分辨率方法及其系统。

背景技术

近年来,随着计算机硬件性能的飞速发展和并行计算的广泛普及,深度学习和计算机视觉成为了越来越热门的研究方向。一些本来计算量很庞大的智能算法被业界学者广泛研究,并正被许多企业应用到产品中去。神经网络的方法,尤其是特别适合应用于图像处理与计算机视觉的卷积神经网络方法,被应用于处理画面防抖、去雾、分割、识别等丰富多样的产品中。逐年增加的图像数据集更进一步地提升了这些只能算法的准确率和表现效果,使传统非深度学习的处理方法正逐渐被取代。

图像的超分辨率重建算法一直是一个热门的研究领域。它的主要目标是将给定不清晰、小尺寸的低分辨率图像重建为细节清晰、大尺寸的高分辨率图像。尽管从信息论的角度上看,我们不可能确定地补全缺失的图像信息,但我们仍可以预测一个看起来清晰的图片来提升大尺寸图片的预测效果。传统的超分辨率方法主要是通过简单的计算来补全缺失的像素,如经典的双立方插值算法等。这些方法计算的输入范围往往较小,且对复杂细节的重建效果较差,在放大倍数较大时表现很差。

深度学习,尤其是卷积神经网络在深度学习的应用很大程度上解决了上述的难题,如超分辨率卷积神经网络(SRCNN、FSRCNN)、超分辨率对抗网络(SRGAN)、拉普拉斯金字塔网络(LapSRN)等。通过整理数据量庞大的训练数据集,对设计的卷积神经网络模型进行训练和调参,使其超分辨率重建的预测图片更加准确、清晰。但随着图像超分辨率重建研究的深入发展,更多基于深度学习的超分辨率重建方法会倾向于增大算法模型的计算量,从而提升图像的重建效果。但这种改进方法往往会导致计算量增大,降低算法的处理速度,并提高了处理硬件的性能要求,不利于算法的实际应用。

因此,针对现有方法计算量过大、硬件性能要求高的问题,有必要发明一种计算量更少、更加快速高效的超分辨率重建方法及其系统(Yang W,Zhang X,Tian Y,et al.DeepLearning for Single Image Super-Resolution:A Brief Review[J].2018.)。在超分辨率重建中应用内部特征降采样的方法可以有效地降低算法的计算量,并可以通过快速特征拼接的方法提升重建图像的准确度和视觉效果,从而提升超分辨率重建的效率。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于图像特征快速拼接的图像超分辨率方法及其系统。

本发明至少通过如下技术方案之一实现。

一种基于图像特征快速拼接的图像超分辨率方法,包括以下步骤:

S1、构造超分辨率重建模型;

S2、结合欧几里得距离和预训练VGG卷积神经网络得到超分辨率重建模型的损失,用于超分辨率重建算法模型的参数训练;

S3、将所述超分辨率重建模型的损失通过反向传播算法,更新算法模型所有的可训练参数,再向该模型输入不同的训练集图片组,得到最优化的超分辨率重建模型;

S4、输入任意低分辨率图像至最优化的超分辨率重建模型得到相应的超分辨率重建图像。

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华南理工大学,未经华南理工大学许可,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/202011556673.7/2.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