[发明专利]超分辨率图像重建方法、装置、设备及存储介质

说明书

本申请公开了一种超分辨率图像重建方法、装置、设备和存储介质，该方法包括：获取待处理低分辨率图层，将所述待处理低分辨率图层输入至预设超分图像重建模型中；基于所述预设超分图像重建模型对所述待处理低分辨率图层进行逐像素的超分映射处理，得到所述待处理低分辨率图层对应的高分辨率图像；其中，所述预设超分图像重建模型是基于无监督的高分辨率可见光图像和相应低分辨率图层构成的训练数据，对预设待训练模型进行迭代训练后得到的。在本申请中，只需要相应低分辨率图层对应一张高分辨率底图即便高分辨率可见光图像能准确得到预设超分图像重建模型，避免了人为标注造成的资源浪费。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种超分辨率图像重建方法、装置、设备及存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对超分辨率图像重建也有更高的要求。

目前，常常需要基于深度学习网络将低分辨率的图像映射到高分辨率的图像(即超分)，以基于高分辨率的图像，对图像进行分析，进而获取需要的西悉尼，然而，现有基于深度学习网络往往是基于有监督学习方法，即需要一张低分辨率的数据图像，以及一张该数据在高分辨率上的真实分布做为标签。然而，该方法标注成本高，资源耗费多。

发明内容

本申请的主要目的在于提供一种超分辨率图像重建方法、装置、设备和存储介质，旨在解决现有技术中基于有监督学习的方案进行低分辨率图像的超分重建，资源耗费多的技术问题。

为实现上述目的，本申请提供一种超分辨率图像重建方法，应用于超分辨率图像重建装置，所述超分辨率图像重建方法包括：

获取待处理低分辨率图层，将所述待处理低分辨率图层输入至预设超分图像重建模型中；

基于所述预设超分图像重建模型对所述待处理低分辨率图层进行逐像素的超分映射处理，得到所述待处理低分辨率图层对应的高分辨率图像；

其中，所述预设超分图像重建模型是基于无监督的高分辨率可见光图像和相应低分辨率图层构成的训练数据，对预设待训练模型进行迭代训练后得到的。

可选地，所述基于所述预设超分图像重建模型对所述待处理低分辨率图层进行逐像素的超分映射处理，得到所述待处理低分辨率图层相应的高分辨率图像的步骤之前，所述方法包括：

获取无监督的高分辨率可见光图像和相应低分辨率图层构成的训练数据；

基于所述训练数据对预设待训练模型进行迭代训练，判断迭代训练后的所述预设待训练模型是否满足预设训练完成条件；

若满足预设训练完成条件，将迭代训练后得到的目标模型设置为所述预设超分图像重建模型。

可选地，所述基于所述训练数据对预设待训练模型进行迭代训练，判断迭代训练后的所述预设待训练模型是否满足预设训练完成条件的步骤，包括：

基于所述训练数据，确定所述预设待训练模型的输入矩阵和标签矩阵；

基于所述输入矩阵和标签矩阵对预设待训练模型进行迭代训练，判断迭代训练后的所述预设待训练模型是否满足预设训练完成条件。

可选地，所述基于所述训练数据，确定所述预设待训练模型的输入矩阵和标签矩阵的步骤，包括：

确定所述高分辨率可见光图像的第一高度和第一宽度，并确定所述相应低分辨率图层的第二高度和第二宽度，其中，所述第一高度大于所述第二高度，所述第一宽度大于所述第二宽度；

基于所述第一高度、第一宽度、第二高度和第二宽度，确定所述高分辨率可见光图像和所述相应低分辨率图层的高度比例系数以及宽度比例系数；