[发明专利]图像超分辨率重建的方法、电子设备及存储介质

说明书

本申请公开一种图像超分辨率重建的方法、电子设备及存储介质，首先基于深度学习的神经网络模型将目标图像扩大到指定倍数，得到第一子图；然后对目标图像进行插值处理，得到尺寸为目标图像的指定倍数的第二子图；最后将第一子图和第二子图进行融合处理，得到超分辨率图像，其中，超分辨率图像为目标图像的指定倍数。从而可以解决相关技术中采用神经网络重建超分辨率图像时训练难度大，网络复杂且计算量高的问题。

技术领域

本申请涉及计算机技术领域，尤其涉及一种图像超分辨率重建的方法、电子设备及存储介质。

背景技术

随着信息技术的发展，图像被应用到各种领域中。例如，将图像应用到医疗领域、卫星遥感领域等。目前，人们对图像画质的要求越来越高，因此提高图像的分辨率十分重要。

图像超分辨率重建的核心是利用低分辨率图像构建出高分辨率图像。相关技术中都采用神经网络基于低分辨率图像重建超分辨率图像。但在实际应用中，这种方法训练难度大，网络复杂且计算量高。

发明内容

本申请实施例提供一种图像超分辨率重建的方法、电子设备及存储介质，可以解决相关技术中采用神经网络重建超分辨率图像时训练难度大，网络复杂且计算量高的问题。

一方面，本申请一实施例提供了一种图像超分辨率重建的方法，包括：

基于深度学习的神经网络模型将目标图像扩大到指定倍数，得到第一子图；

对所述目标图像进行插值处理，得到尺寸为所述目标图像的所述指定倍数的第二子图；

将所述第一子图和所述第二子图进行融合处理，得到超分辨率图像，其中，所述超分辨率图像为所述目标图像的所述指定倍数。

本申请一实施例中，所述深度学习的神经网络模型还包括信号叠加单元，所述将所述第一子图和所述第二子图进行融合处理，得到超分辨率图像，包括：

利用所述信号叠加单元，对所述第一子图和所述第二子图进行加法运算，得到所述超分辨率图像。

本申请一实施例中，所述深度学习的神经网络模型中的卷积层采用分时复用的方式复用卷积运算电路来完成卷积操作，其中复用的次数是根据单帧图像的可用耗时以及所述卷积运算电路的单次卷积运算耗时确定的；

所述神经网络模型中的一层卷积层和一层激活层构成一个交替电路，每个交替电路采用分时复用的方式完成交替的卷积层和激活层的处理操作。

一方面，本申请一实施例提供了一种图像超分辨率重建的装置，包括：

第一确定模块，用于基于深度学习的神经网络模型将目标图像扩大到指定倍数，得到第一子图；

第二确定模块，用于对所述目标图像进行插值处理，得到尺寸为所述目标图像的所述指定倍数的第二子图；

融合处理模块，用于将所述第一子图和所述第二子图进行融合处理，得到超分辨率图像，其中，所述超分辨率图像为所述目标图像的所述指定倍数。

本申请一实施例中，所述深度学习的神经网络模型包括特征提取单元、特征筛选单元、高频信号生成单元、高频上采样单元，所述第一确定模块，用于：

基于所述特征提取单元对所述目标图像进行特征提取，得到第一特征；

基于所述特征筛选单元对所述第一特征进行特征筛选操作，得到第二特征；

基于所述高频信号生成单元对所述第二特征进行处理，得到高频信号特征；

基于所述高频上采样单元对所述高频信号特征进行上采样处理，得到所述第一子图。

本申请一实施例中，所述特征提取单元包括：