[发明专利]一种图像重建方法、装置、终端设备和存储介质

说明书

本申请涉及图像处理技术领域，提出一种图像重建方法、装置、终端设备和存储介质。该方法首先提取原始图像的初始特征图，然后分别计算该初始特征图中每一列像素的元素值的平均值，并根据该平均值构建目标行向量，在对该目标行向量执行一维卷积处理后于列方向上对其进行复制，得到一个特征图；以及，分别计算该初始特征图中每一行像素的元素值的平均值，并根据该平均值构建目标列向量，在对该目标列向量执行一维卷积处理后于行方向上对其进行复制，得到另一个特征图，接着将两个特征图融合；最后，对融合的特征图执行二维卷积处理，并基于该融合的特征图生成重建的图像。通过这样设置，能够捕获图像的远距离依赖关系。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像重建方法、装置、终端设备和存储介质。

背景技术

目前，深度学习已经成为图像重建的常用技术手段，现有的基于深度学习的图像重建方法主要可以分为两类，一类是基于展开的方法，从优化图像的问题出发然后把一个优化算法展开到神经网络里，该神经网络的架构是基于迭代构建的；另一类是非展开的方法，直接学习零填充数据到全采样数据的映射，以完成图像的重建。然而，这两类方法均无法捕获特征图像中内容存在联系的不同图像区域之间的相互依赖关系，也即无法捕获图像的远距离依赖关系。

发明内容

有鉴于此，本申请实施例提供了一种图像重建方法、装置、终端设备和存储介质，能够捕获图像的远距离依赖关系。

本申请实施例的第一方面提供了一种图像重建方法，包括：

获取待重建的原始图像；

提取所述原始图像的初始特征图；

分别计算所述初始特征图中每一列像素的元素值的平均值，并根据获得的各列像素对应的平均值构建目标行向量；

分别计算所述初始特征图中每一行像素的元素值的平均值，并根据获得的各行像素对应的平均值构建目标列向量；

对所述目标行向量执行一维卷积处理，并在列方向上对一维卷积处理后的所述目标行向量进行复制，得到第一特征图；

对所述目标列向量执行一维卷积处理，并在行方向上对一维卷积处理后的所述目标列向量进行复制，得到第二特征图；

将所述第一特征图和所述第二特征图融合，得到第三特征图；

对所述第三特征图执行二维卷积处理，得到第四特征图；

根据所述第四特征图生成所述原始图像对应的重建图像。

在本申请实施例中，首先提取原始图像的初始特征图，然后分别计算该初始特征图中每一列像素的元素值的平均值，并根据该平均值构建目标行向量，在对该目标行向量执行一维卷积处理后于列方向上对其进行复制，得到一个特征图；以及，分别计算该初始特征图中每一行像素的元素值的平均值，并根据该平均值构建目标列向量，在对该目标列向量执行一维卷积处理后于行方向上对其进行复制，得到另一个特征图，接着将两个特征图融合；最后，在对融合的特征图执行二维卷积处理后，基于该融合的特征图生成重建的图像。上述过程采用的是一种交叉池化的方法，相当于沿着一个空间维度部署一个长条形状(特征图的一行或者一列)的池化核，在特征计算时能够用到的像素范围更广，因此能够捕获图像的远距离依赖关系。

在本申请的一个实施例中，所述根据所述第四特征图生成所述原始图像对应的重建图像，可以包括：

对所述第四特征图执行预设卷积核数量的卷积处理，得到多张目标特征图；

将所述多张目标特征图划分为两个以上的目标特征图组合，每个所述目标特征图组合包含两张以上的所述目标特征图；