[发明专利]图像的分辨率处理方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种图像的分辨率处理方法、装置、设备及存储介质，用于基于小波超分辨率框架构建深度学习模型，并对图像进行超分辨率处理，缓解了原图信息的流失，减缓了棋盘效应，抑制了输出图像的椒盐噪声。图像的分辨率处理方法包括：获取待处理图像以及待处理图像对应参数；将待处理图像对应参数导入优化后的深度学习模型中，通过预设的激活函数对待处理图像对应参数进行处理，得到第一图像；对第一图像进行对折相减操作并引入尺度系数矩阵，生成第二图像；判断第二图像的分辨率是否达到预设的标准，得到判断结果，基于判断结果输出目标图像。此外，本发明还涉及区块链技术，目标图像可存储于区块链节点中。

技术领域

本发明涉及小波变换领域，尤其涉及一种图像的分辨率处理方法、装置、设备及存储介质。

背景技术

单图像超分辨率算法主要是输入低分辨率(Low Resolution，LR)图像重建得到高分辨率(High Resolution，HR)图像的算法，目前单幅图像超分辨率算法主要分为三类：基于插值的图像超分辨率算法、基于重建模型的图像超分辨率算法和基于学习的图像超分辨率算法。

基于插值的单图像超分辨率算法简单、处理速度快，但在图像突变处，如边缘、纹理处的处理效果较差，易出现锯齿和块效应，基于重建模型的单图像超分辨率处理效果相对较好，但要求图像具有较好的先验知识，且不适用于放大倍数较大的图像重建，基于学习的单图像超分辨率可以恢复出更加细致的纹理，重建效果好，但算法复杂，计算量大，需要足够多的学习样本图像数据集，不具有普适性，基于深度学习的单图像超分辨率是基于学习的单图像超分辨率的一类，其凭借深度学习强大的拟合能力，已超越传统方法成为超分辨率应用的主流方法，此类框架多数在抽取特征后进行上采样操作，将得到的上采样图像与原图像对比建立损失函数学习上采样的参数，然而，基于深度学习的单图像超分辨率算法将原图抽取特征后再进行采样，造成原图信息的流失。

发明内容

本发明提供了一种图像的分辨率处理方法、装置、设备及存储介质，用于基于小波超分辨率框架构建深度学习模型，并对图像进行超分辨率处理，同时引入尺度系数矩阵对输出的图像进行调制，缓解了原图信息的流失情况，减缓了棋盘效应，抑制了输出图像的椒盐噪声。

本发明第一方面提供了一种图像的分辨率处理方法，包括：获取待处理图像以及待处理图像对应参数，所述待处理图像对应参数包括高度、宽度和颜色通道数；将所述待处理图像对应参数导入优化后的深度学习模型中，通过预设的激活函数对所述待处理图像对应参数进行处理，得到第一图像；对所述第一图像进行对折相减操作并引入尺度系数矩阵，生成第二图像；判断所述第二图像的分辨率是否达到预设的标准，得到判断结果，基于所述判断结果输出目标图像，所述目标图像的分辨率高于所述待处理图像。

可选的，在本发明第一方面的第一种实现方式中，所述将所述待处理图像对应参数导入优化后的深度学习模型中，通过预设的激活函数对所述待处理图像对应参数进行处理，得到第一图像包括：将所述待处理图像对应参数I_H×W×C导入优化后的深度学习模型的神经网络NReLU，得到第一中间结果；调用激活函数σ将所述第一中间结果映射到预置的范围，生成第一图像，其中，所述激活函数σ根据第一公式生成，σ的取值范围为0到1。

可选的，在本发明第一方面的第二种实现方式中，所述对所述第一图像进行对折相减操作并引入尺度系数矩阵，生成第二图像包括：将所述第一图像代入预置的对折相减函数Λ中，得到第二中间结果，其中，所述对折相减函数Λ根据第二公式Λ(x)＝X_0-0.5-X_0.5-1生成；将所述第二中间结果和尺度系数矩阵A进行逐元相乘运算，生成第二图像，所述尺度系数矩阵A根据第三公式生成，其中，*为矩阵间的逐元相乘运算。