[发明专利]提高图像分辨率的方法、系统、装置及存储介质

说明书

本发明公开了一种提高图像分辨率的方法，所述方法包括：获取低分辨率图像的特征信息并进行卷积操作得到浅层特征信息；将所述浅层特征信息和反馈特征信息进行增强信息多重蒸馏模块(EIMDB)得到中层特征信息；将所述中层特征信息进行信息多重蒸馏模块(IMDB)得到深层特征信息；根据所述浅层特征信息、中层特征信息和所述深层特征信息得到所述反馈特征信息；根据所述中层特征信息、深层特征信息和所述低分辨率图像的特征信息得到低分辨率图像重建后的超分辨率图片信息。本发明还公开一种提高图像分辨率的系统、装置及存储介质。本发明旨在提高低分辨率图片的重建效果的同时进一步减少参数量和计算量。

技术领域

本发明涉及单图像超分辨率领域，尤其涉及一种提高图像分辨率的方法、系统、装置及存储介质。

背景技术

图片是记录人们生活和历史场景重现的重要载体，特别是在交通流量预测、遥感以及刑侦取证等城市治理方面拥有非常多的图像数据。随着高分辨率的显示设备的涌现，低分辨率的图片无法在高分辨率设备上获得良好的视觉效果。单图像超分辨率(SingleImage Super-Resolution，SISR)重建算法目的是将低分辨率图片通过一系列算法恢复成视觉效果良好的高分辨率图像。实际上，单图像超分辨率属于不适定的算法问题，即对于任意的低分辨率图像，都有可能存在无数的高分辨率图像与之对应。单图像超分辨率技术不仅能够从清晰度较低的图片中恢复清晰度，而且由于超分辨率方法是对所拍摄的照片进行处理，能够节约更换或升级摄像头元器件的成本。现有技术缺点①：大型超分辨率网络参数量和计算量高；现有技术缺点②：轻量级超分辨率算法降低了超分辨率重建效果。

针对现有技术缺点①提出的改进，由Dong等人提出的基于卷积神经网络的超分辨率重建网络(SRCNN，Super-Resolution Convolution Neural Network) 首次将三层卷积神经网络应用于图像超分辨率领域，并取得了比传统方法更好的效果。由Kim等人提出的基于深度递归卷积的神经网络(DRCN，Deep Recursive Convolution Network)将递归神经网络应用于超分辨率，在不增加网络参数量的情况下使得特征提取部分通过循环结构重复学习。然而早期基于深度学习的超分辨率将图像放大后直接输入进网络，这导致特征映射较大，增加了网络的参数量和计算量。由Dong等人提出的加速超分辨率卷积神经网络(FSRCNN，,Faster Super-Resolution Convolution Neural Network)和由Shi 等人提出的亚像素卷积神经网络(ESPCN，Enhance Sub-Pixel Convolution Network)分别采用了反卷积和亚像素卷积的方法，低分辨率图像直接通过网络进行特征提取，减少了由于特征映射放大导致的计算量增加。但是，为了提高超分辨率重建的效果，通常会加深网络结构。即便是使用了反卷积或亚像素卷积的重建方法，网络的计算量与参数量还是不可避免的增加。

针对现有技术缺点②提出的改进，由Ahn等人提出的瀑布残差网络CARN(Cascading Residual Network)使用瀑布级联的方式，虽然在拥有少量参数量的同时增加了卷积层之间的信息交互，但是增加的级联操作大幅提高了计算量，由Hui等人提出的信息蒸馏网络(IDN，Information Distillation Network) 将特征提取模块分成信息增强单元和压缩单元，分别将特征进行提取和去除特征中冗余信息。但是网络大部分都是前馈传播，特征信息缺少相互学习，导致重建效果一般。因此，亟需采用一种提高图像超分辨率重建效果的同时，还可以进一步减少参数量和计算量的图像处理方法。

发明内容

本发明的主要目的在于提供一种提高图像分辨率的方法、系统、装置及存储介质，旨在解决现有的低分辨率图片利用单图像超分辨率技术无法保障在提高分辨率重建效果的同时进一步减少参数量和计算量的技术问题。

为实现上述目的，本发明提供一种提高图像分辨率的方法，所述方法包括以下步骤：

获取低分辨率图像的特征信息并进行卷积操作得到浅层特征信息；