[发明专利]超分辨率图像重构方法、装置、设备及可读存储介质

权利要求书

1.一种超分辨率人脸图像重构方法，其特征在于，包括：

获取预置高分辨率图像，并对所述预置高分辨率图像进行处理得到对应的低分辨率图像；

将所述预置高分辨率图像与所述低分辨率图像与写入了激活函数的卷积神经网络进行神经网络模型训练，得到卷积神经网络模型；

将待重建的人脸区域图像作为待重建字典，与输入了预置外部训练样本字典的所述卷积神经网络模型得到的卷积神经网络模型参数进行超分辨率人脸图像的重构处理。

2.根据权利要求1所述的超分辨率人脸图像重构方法，其特征在于，获取预置高分辨率图像，并对所述预置高分辨率图像进行处理得到对应的低分辨率图像具体包括：

获取外部数据库中的所述预置高分辨率图像，并对所述预置高分辨率图像进行缩小处理得到对应的低分辨率图像；

将所述预置高分辨率图像和所述低分辨率处理。

3.根据权利要求1所述的超分辨率人脸图像重构方法，其特征在于，将所述预置高分辨率图像与所述低分辨率图像与写入了激活函数的卷积神经网络进行神经网络模型训练，得到卷积神经网络模型具体包括：

将进行块划分后的所述预置高分辨率图像与所述低分辨率图像作为训练库输入通过激活函数的已经激活的卷积神经网络进行神经网络模型训练，得到包含有训练参数样本的卷积神经网络模型。

4.根据权利要求1所述的超分辨率人脸图像重构方法，其特征在于，将待重建的人脸区域图像作为待重建字典，与输入了预置外部训练样本字典的所述卷积神经网络模型得到的卷积神经网络模型参数进行超分辨率人脸图像的重构处理具体包括：

利用双三次插值将输入的待重建的人脸区域图像放大至和所述预置高分辨率图像同样大小，并作为初始重建图像；

根据所述初始重建图像构建待重建字典；

将所述训练参数样本作为输入，通过所述卷积神经网络模型学习得到卷积神经网络模型参数；

利用所述待重建字典和所述卷积神经网络模型参数进行超分辨率人脸图像重建处理。

5.根据权利要求4所述的超分辨率人脸图像重构方法，其特征在于，所述待重建的人脸区域图像获取方式为通过能量函数计算获取的耦合曲线确定。

6.根据权利要求1至5中任意一项所述的超分辨率人脸图像重构方法，其特征在于，所述激活函数为Noisy Softplus激活函数。

7.一种超分辨率人脸图像重构的装置，其特征在于，包括：

获取单元，用于获取预置高分辨率图像，并对所述预置高分辨率图像进行处理得到对应的低分辨率图像；

神经网络训练单元，用于将所述预置高分辨率图像与所述低分辨率图像与写入了激活函数的卷积神经网络进行神经网络模型训练，得到卷积神经网络模型；

重构单元，用于将待重建的人脸区域图像作为待重建字典，与输入了预置外部训练样本字典的所述卷积神经网络模型得到的卷积神经网络模型参数进行超分辨率人脸图像的重构处理。

8.一种超分辨率人脸图像重构设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-6中任一项所述的超分辨率人脸图像重构方法。

9.一种可读存储介质，其特征在于，所述可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-6中任一项所述的超分辨率人脸图像重构方法。

10.一种包括指令的计算机程序产品，其特征在于，当其在计算机上运行时，使得所述计算机执行权利要求1-6中任一项所述的超分辨率人脸图像重构方法。