[发明专利]基于特征分离的超分辨率图像生成方法、装置、设备和介质

说明书

本发明公开了一种基于特征分离的超分辨率图像生成方法、装置、计算机设备和存储介质，该方法包括：获取训练数据集；利用网络模型中的特征提取子网络对训练数据集中的低分辨图像进行特征提取，得到图像特征；利用网络模型中的特征分离与重组子网络对图像特征进行深层特征提取，得到深层特征；利用网络模型中的图像重构子网络对图像特征和深层特征进行特征叠加，得到高分辨率图像；根据高分辨率图像和训练数据集中的低分辨图像对应的清晰图像，优化网络模型的损失函数，得到训练好的网络模型；将待测的图像输入训练好的网络模型，生成超分辨率图像。本发明利用构建的网络模型，能够获得具有较多细节的超分辨率图像，为后续图像处理和应用打下基础。

技术领域

本发明涉及深度学习应用技术领域，具体涉及一种基于特征分离的超分辨率图像生成方法、装置、计算机设备和存储介质。

背景技术

近年来视频监控在全国大中城市普及，并已广泛应用于社会治安防控体系建设中。但是，不可避免的，受到监控画面的分辨率的影响，画面中的部分区域会因为分辨率过低而难以分辨。此外，日常生活中，人们对于图像的质量也有较高的像素要求：希望能够看清楚图像中的细节部分，使到图像的整体感观性好。因此，需要对低分辨率的监控画面进行超分辨率生成，进而获得更具细节信息的图像。

近年来，人工智能领域已经被提到国家重点建设的范围，人工智能领域中最主要的是针对不同的行业任务，设计相应的深度学习网络模型。随着计算机算力的提高，网络训练的难度大大减低，网络预测精度不断提高。深度学习网络的基本特点是模型拟合能力强、信息量大和精度高，能够满足不同行业中不同需求。

对于超分辨率图像的生成，关键的问题是如何对低分辨率的图像进行细节丰富化，以便获得更为详细的信息；另一方面，虽然高算力能够得到高性能的网络模型，获得高精度的恢复图像，但是高算力带来了昂贵的计算成本以及网络难以部署等问题。

发明内容

为了解决上述现有技术的不足，本发明提供了一种基于特征分离的超分辨率图像生成方法、装置、计算机设备和存储介质，该方法利用深度学习网络框架构建网络模型，通过构建网络模型中的特征分离与重组子网络，从而获得低参数量的网络模型，实现了网络模型的轻量化；将获得的低分辨率图像输入训练好的网络模型，生成具有更多细节的超分辨率图像，为后续图像处理和实际应用打下坚实基础。

本发明的第一个目的在于提供一种基于特征分离的超分辨率图像生成方法。

本发明的第二个目的在于提供一种基于特征分离的超分辨率图像生成装置。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于特征分离的超分辨率图像生成方法，所述方法包括：

获取训练数据集；其中，所述训练数据集中的图像对包括低分辨率的图像和对应的清晰图像；

利用网络模型中的特征提取子网络对所述低分辨率的图像进行特征提取，得到图像特征；

利用网络模型中的特征分离与重组子网络对所述图像特征进行深层特征提取，得到深层特征；

利用网络模型中的图像重构子网络对所述图像特征和所述深层特征进行特征叠加，得到高分辨率图像；

根据所述高分辨率图像和所述低分辨率的图像对应的训练数据集中的清晰图像，优化网络模型的损失函数，实现网络模型的收敛，得到训练好的网络模型；

将待测的图像输入所述训练好的网络模型，生成具有较多细节的超分辨率图像。

进一步的，所述特征分离与重组子网络包括n个特征分离模块、n个特征变换模块以及特征重组模块，n为大于1的正整数；