[发明专利]一种图像的超分辨率模型的构建方法及装置

说明书

本发明公开了一种图像的超分辨率模型的构建方法及装置，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。这样，通过由不同分辨率的原始图像生成的低分辨率图像的样本集，对三维卷积神经网络进行训练，得到图像的超分辨率模型，这样，实现了通过单一模型对多分辨率图像重建高分辨率图像的目的。并且，设计的三维卷积神经网络包含多个卷积层，但是多个卷积层之间不包含池化层，这样提高了重构后的高分辨率图像的细节分辨能力。

技术领域

本发明涉及图像领域，尤其涉及一种图像的超分辨率模型的构建方法及装置。

背景技术

图像超分辨率模型为用来重建超分辨率图像的模型，其中，超分辨率图像重建为利用一幅或者多幅低分辨率图像获取一幅高分辨率图像。高分辨率图像具有较高的像素密度，可以提供更多的图像细节，在医学领域，对医生的诊断有很好的价值。

传统的超分辨率图像的构建，主要包括三类方法：基于插值的方法、基于重建的方法以及基于学习的方法。基于插值的的方法是通过相邻的像素信息恢复高分辨率的图像，但是未考虑额外的高频信息；基于重建的方法是利用高分辨目标先验知识构建模型，但是计算过程复杂；基于学习的方法，具有较好的适应性，是目前效果较好的重建方法。

然而，由于不同的影像设备得到图像的分辨率不同，目前基于学习的方法，针对于不同的分辨率图像，需要采用不同的图像超分辨率模型才能重建出高分辨率图像，或者说，无法实现一个模型对不同分辨率重建高分辨率图像。

发明内容

有鉴于此，本发明实施例公开了一种图像的超分辨率模型的构建方法及装置，通过本发明实施例的方法，实现了通过单一模型对多分辨率图像重建高分辨率图像的目的。

本发明实施例公开了一种图像的超分辨率模型的构建方法，该方法包括：

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。

可选的，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。

可选的，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；