[发明专利]基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质

说明书

本申请涉及人工智能技术领域，揭露了基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质，包括获取待处理图像；将待处理图像输入预训练的生成对抗网络模型，经预训练的生成对抗网络模型中生成模型的第一预处理层卷积处理中，得到待处理图像对应的第一图像特征；根据生成模型中的通道注意力层，基于第一图像特征中各通道的依赖关系，对第一图像特征中各通道进行加权，得到第二图像特征；基于生成模型中的采样层，提高第二图像特征的分辨率，得到第三图像特征，将第三图像特征进行卷积得到待处理图像对应的超分辨率图像并输出。本申请还涉及区块链技术，超分辨率图像数据存储于区块链中。本申请提高了生成超分辨率图像的质量且避免了伪影的产生。

技术领域

本申请涉及人工智能领域，尤其涉及基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质。

背景技术

目前，超分辨率图片生成在工业领域和军事领域等都有着越来越重要的作用。在现有技术中基于生成对抗网络(GAN)，生成器可以生成高分辨率图片，再由鉴别器计算这张图片与真实高分辨率图片的差值，来衡量这张图片的真实程度。超分辨率重建技术能克服图像系统内在分辨率的限制，改进图像处理中大部分图像性能。但目前以图像超分辨率的生成对抗网络(Super-resolution Generative Adversarial Network，SRGAN)为代表的经典生成式神经网络由于是无监督学习还不能很好的学习图片中细节部分，进而得到的超分辨率图像的质量较差，且SRGAN在高频细节上时常产生的伪影。因此，如何提高生成超分辨率图像的质量且消除伪影成为了亟待解决的问题。

发明内容

本申请提供了基于SRGAN的超分辨率图像生成方法、装置、设备及存储介质，以解决现有技术中超分辨率图片生成时图像质量较差的问题。

为解决上述问题，本申请提供了一种基于SRGAN的超分辨率图像生成方法，包括：

获取待处理图像；

将所述待处理图像输入至预训练的生成对抗网络模型，经所述预训练的生成对抗网络模型中生成模型的第一预处理层进行卷积处理中，得到所述待处理图像对应的第一图像特征；

根据所述生成模型中的通道注意力层，基于所述第一图像特征中各通道的依赖关系，对所述第一图像特征中各通道进行加权，得到第二图像特征；

基于所述生成模型中的采样层，提高所述第二图像特征的分辨率，得到第三图像特征，将所述第三图像特征再进行卷积得到所述待处理图像对应的超分辨率图像并输出。

进一步的，在所述将所述待处理图像输入至预训练的生成对抗网络模型之前，还包括：

获取低分辨率图片集及其对应的高分辨率图像集；

将所述低分辨率图片集中的数据输入所述生成对抗网络模型中的生成模型，得到对应的伪高清图像；

将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练，至所述生成对抗网络模型的损失函数收敛。

进一步的，在所述将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练之前，还包括：

将所述高分辨率图片集中的各图片数据进行数据增广，得到各所述图片数据对应的多个相似数据，将各所述图片数据对应的多个相似数据作为增广图片集，并存储至高分辨率图片集中。

进一步的，所述判别模型包括第二预处理层、隐层特征提取层和全连接层；所述将所述高分辨率图片集中的数据及其对应的所述伪高清图像输入至所述生成对抗网络模型中的判别模型中进行训练包括：

将所述伪高清图像作为负例样本，以及所述增广图片集中的图像数据作为正例样本，所述正例样本和负例样本经所述第二预处理层进行浅层特征提取处理，得到第四图像特征；