[发明专利]一种图像的超分辨率模型的构建方法及装置

权利要求书

1.一种图像的超分辨率模型的构建方法，其特征在于，包括：

获取不同分辨率的原始图像；

计算每个原始图像的转换系数；

依据所述转换系数对相应的原始图像进行采样处理，得到低分辨率图像样本集；

将所述低分辨率图像样本集中的图像输入到三维卷积神经网络中，对三维卷积神经网络进行训练，得到图像的超分辨率模型。

2.根据权利要求1所述的方法，其特征在于，所述对所述三维卷积神经网络进行训练，包括：

在所述三维卷积神经网络模型的第一卷积层采用预设的第一卷积核对所述低分辨率图像进行卷积处理，并采用预设的激活函数对所述低分辨率图像进行非线性映射，得到第一级特征图；

在第一层之后的多层，分别采用第二卷积核对所述第一级特征图进行卷积处理，以及采用预设的激活函数对所述低分辨率图像进行非线性映射，得到第一目标级特征图；其中，后一层的卷积核的数量大于前一层的卷积核的数量；所述第二卷积核小于第一卷积核；

对所述第一目标级特征图进行降维处理，得到第二目标级特征图；所述第二目标级特征图的维度与所述第一级特征图的维度相同；

将所述第一级特征图和所述第二目标级特征图相加，并进行降维处理，得到目标特征图；

计算所述目标特征图和原始的高分辨率图像的均方差损失，并依据所述均方差损失调整相关参数；

当所述均方差损失收敛稳定后，得到三维卷积神经网络的图像超分辨率模型。

3.根据权利要求1所述的方法，其特征在于，所述计算每个原始图像的转换系数，包括：

针对于任意一个原始图像，确定所述原始图像的初始分辨率和目标分辨率；

计算所述原始图像的初始分辨率和所述目标分辨率的分辨率的比值，得到所述原始率图像的转换系数。

4.根据权利要求1所述的方法，其特征在于，所述依据所述转换系数对相应的原始图像进行采样处理，包括：

基于转换系数对所述原始的高分辨率图像进行下采样；

基于相应的转换系数对下采样后的高分辨率图像进行上采样。

5.根据权利要求1所述的方法，其特征在于，还包括：

确定所述低分辨率图像的感兴趣区域；

依据预设窗口尺寸将所述感兴趣区域划分为多个图像块；

判断每个图像块中预设目标所占的比例；

若所述比例大于预设的阈值，保留所述图像块；

若所述比例小于预设的阈值，丢弃所述图像块。

6.一种图像的超分辨率模型的构建装置，其特征在于，包括：

获取单元，用于获取不同分辨率的原始图像；

计算单元，用于计算每个原始图像的转换系数；

采样单元，用于依据所述转换系数对相应的原始图像进行采样处理，得到低分辨率图像样本集；

训练单元，用于将所述低分辨率图像样本集中的图像输入到三维卷积神经网络中，对三维卷积神经网络进行训练，得到图像的超分辨率模型。

7.根据权利要求6所述的装置，其特征在于，所述训练单元，包括：

第一卷积处理子单元，用于在所述三维卷积神经网络模型的第一卷积层采用预设的第一卷积核对所述低分辨率图像进行卷积处理，并采用预设的激活函数对所述低分辨率图像进行非线性映射，得到第一级特征图；

第二卷积处理子单元，用于在第一层之后的多层，分别采用第二卷积核对所述第一级特征图进行卷积处理，以及采用预设的激活函数对所述低分辨率图像进行非线性映射，得到第一目标级特征图；其中，后一层的卷积核的数量大于前一层的卷积核的数量；所述第二卷积核小于第一卷积核；

降维处理子单元，用于对所述第一目标级特征图进行降维处理，得到第二目标级特征图；所述第二目标级特征图的维度与所述第一级特征图的维度相同；

第一计算子单元，用于将所述第一级特征图和所述第二目标级特征图相加，并进行降维处理，得到目标特征图；

第二计算子单元，用于计算所述目标特征图和原始的高分辨率图像的均方差损失，并依据所述均方差损失调整相关参数；

确定子单元，用于当所述均方差损失收敛稳定后，得到三维卷积神经网络的图像超分辨率模型。