[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

说明书

本申请提供了一种超分辨率图像重构方法、装置、设备及可读存储介质，具体地超分辨率图像重构方法通过获取预置高分辨率图像，并对预置高分辨率图像进行处理得到对应的低分辨率图像；将预置高分辨率图像与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，解决了目前基于人脸图像的超分辨率算法，在图像降质严重的情况下，重构效果并不理想，导致图像清晰度不足的技术问题的技术问题。

技术领域

本申请实施例涉及图像处理技术和计算机视觉领域，尤其涉及一种超分辨率图像重构方法、装置、设备及可读存储介质。

背景技术

超分辨率图像重建是指将低质量、低分变率图像(Low-resolution,LR)进行处理,恢复出高分辨率图像(High-resolution,HR)的技术,在军事,医学,公共安全,计算机视觉等方面都存在着重要的应用前景。过去的几十年，图像超分辨率已得到广泛研究，并产生了许多的有用方法。这些方法大体可以分成三类:基于插值的方法，基于重构的方法和基于学习的方法。

近年来，专门针对人脸图像的超分辨率重构算法得到了研究者们的广泛关注和研究。人脸图像作为一种特殊的、多维的非刚性模式，具有非常复杂的生理学构造，相比于其他图像形式，基于人脸图像的超分辨率图像重构相对于其他图像的重构具有更大的挑战性。在人脸图像超分辨率重构算法中，Baker等人第一次提出“虚幻脸”算法，通过引入图像的梯度先验信息进行训练获取有效的细节信息。朱华生等人结合稀疏表示理论，提出了一种基于局部约束的人脸图像超分辨率重构算法来约束图像。张地等在传统基于像素空间超分辨率重构算法的基础了，提出了一种基于特征空间的人脸超分辨率图像重构算法，能够获取更优秀的特征。An等提出了一种基于二维典型关联分析人脸图像超分辨率重构算法，找到了人脸图像的关联性。

以上基于人脸图像的超分辨率算法，在图像降质严重的情况下，重构效果并不理想，例如在某些轮廓部分存在不规则边缘，导致图像清晰度不足的技术问题。

发明内容

本申请实施例提供了一种超分辨率图像重构方法、装置、设备及可读存储介质解决了目前基于人脸图像的超分辨率算法，在图像降质严重的情况下，重构效果并不理想，导致图像清晰度不足的技术问题的技术问题。

本申请实施例提供了一种超分辨率图像重构方法，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。

可选地，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。

可选地，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。