CN109993694B - 一种生成超分辨率图像的方法及装置 - Google Patents
一种生成超分辨率图像的方法及装置 Download PDFInfo
- Publication number
- CN109993694B CN109993694B CN201711488405.4A CN201711488405A CN109993694B CN 109993694 B CN109993694 B CN 109993694B CN 201711488405 A CN201711488405 A CN 201711488405A CN 109993694 B CN109993694 B CN 109993694B
- Authority
- CN
- China
- Prior art keywords
- super
- image sample
- neural network
- resolution image
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims 2
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种生成超分辨率图像的方法及装置。该方法包括:将原始图像样本以及超分辨率图像样本输入预先构建的第二深度神经网络以获得原始图像样本的质量特征和超分辨率图像样本的质量特征;根据原始图像样本的质量特征和超分辨率图像样的质量特征确定第一深度神经网络的损失函数;根据损失函数对第一深度神经网络的参数进行调整;通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得待处理的低分辨率图像的超分辨率图像。本发明生成的超分辨率图像的质量特征接近于原始图像的质量特征,解决了只是与原始图像在像素上的逼近造成的失真问题,本发明操作简单,具有较强的实用性和易用性。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种生成超分辨率图像的方法及装置。
背景技术
对图像进行超分辨率图像处理后,图像的分辨率得以提高,更多的细节得以体现。在这个过程中,生成超分辨率图像的质量是图像处理成功与否的关键。
超分辨率图像处理的核心是低分辨率图像到高分辨率图像的拟合。近些年来,深度学习技术的飞速发展帮助用户获得更好的拟合函数。通过在训练的过程中最小化生成的超分辨率图和原高分辨率图之间的差别,网络中的参数得以被训练。如何衡量两图之间的差别是非常重要的,直接决定了生成的超分辨率图像的质量。
现有的超分辨方法在衡量超分辨率图和原高分辨率图之间差别的时候,大都是在像素级别进行比较。例如,原高分辨率图为X,降维以后的低分辨图为Y,通过深层神经网络生成的超分辨率图为Z=G(Y|θ)。在训练此网络的过程中,损失函数定义为均方差的形式,计算公式如下:
其中,θ为神经网络参数,a和b为图像的高度和宽度。(x,y)为图像的位置坐标。以上述形式定义损失函数存在着如下问题:
在像素级别对图像进行比较不完全符合人眼的视觉规律。相同Loss的图像,给人眼视觉系统的感知可能完全不同。例如,均方差较小者可能给人更好的视觉感受。例如下面的例子:图1为原始图像,图2至图6是被不同失真类型处理过的失真图像。将原始图像,以及这些失真图像分别输入上述损失函数,得到的均方差基本相同,但是这些图像给人的视觉感受是明显不同的。
综上所述,如果以上述函数作为损失函数,生成的超分辨图质量就无法得到保证。
发明内容
有鉴于此,本发明实施例提供了一种生成超分辨率图像的方法及装置,以解决现有技术中生成超分辨率图像的方法存在生成的超分辨图质量就无法得到保证的问题。
本发明实施例的第一方面提供了一种生成超分辨率图像的方法,包括:
将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;
根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
根据所述损失函数对所述第一深度神经网络的参数进行调整;
通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像。
本发明实施例的第二方面提供了一种生成超分辨率图像的装置,包括:
第一输出模块,用于将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
第二输出模块,用于将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;
确定模块,用于根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
调整模块,用于根据所述损失函数对所述第一深度神经网络的参数进行调整;
处理模块,用于通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像。
本发明实施例的第三方面提供了一种生成超分辨率图像的装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;
根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
根据所述损失函数对所述第一深度神经网络的参数进行调整;
通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;
根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
根据所述损失函数对所述第一深度神经网络的参数进行调整;
通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像。
在本发明实施例中,通过将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;根据所述损失函数对所述第一深度神经网络的参数进行调整;通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像,从而使得生成的超分辨率图像的质量特征接近于原始图像的质量特征,解决了只是与原始图像在像素上的逼近造成的失真问题,另外本发明实施例操作简单,具有较强的实用性和易用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的原始图像;
图2-6是本发明提供的原始图像的不同失真类型对应的失真图像;
图7是本发明实施例一提供的生成超分辨率图像的方法的实现流程示意图;
图8是本发明实施例一中步骤S102的具体实现流程示意图;
图9是本发明实施例二提供的生成超分辨率图像的装置的结构框图;
图10是本发明实施例三提供的生成超分辨率图像的装置的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当……时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
图7示出了本发明实施例一提供的生成超分辨率图像的方法的实现流程示意图。如图7所示,该生成超分辨率图像的方法可包括如下步骤:
步骤S101:将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本。
其中,第一深度神经网络可以是超分辨率图像的生成网络。将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本,如此可得到一定数量的超分辨率图像样本。
步骤S102:将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征。
其中,将所述原始图像样本输入预先构建的第二深度神经网络,得到所述原始图像样本的质量特征;将所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述超分辨率图像样本的质量特征。
可选地,所述原始图像样本携带有评价分数;在将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征之前,还包括:
将携带有评价分数的原始图像样本输入所述预先构建的第二深度神经网络对所述第二深度神经网络进行训练,获取第二深度神经网络的目标参数K。
如图8所示,在获取第二深度神经网络的目标参数K的基础上,进一步地,将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征可包括如下步骤:
步骤S201:将所述原始图像样本X输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征FX=K(x)。
步骤S202:将所述超分辨率图像样本Z输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征FZ=K(z)。
对于步骤S201和步骤S202,训练目标是通过目标参数为K的第二深度神经网络得出的质量的分数与评价的分数尽量相近。向目标参数为K的第二深度神经网络输入原始图像样本或者超分辨率图像样本将第二深度神经网络的高层输出即质量特征进行输出。
步骤S103:根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数。
其中,Loss为均方差,FX为原始图像样本X的质量特征,FZ为超分辨率图像样本Z的质量特征,N为所述质量特征的维度。
其中,当原始图像样本X的质量特征与超分辨率图像样本Z的质量特征越接近时,Loss的值越小。
步骤S104:根据所述损失函数对所述第一深度神经网络的参数进行调整。
对所述第一深度神经网络的参数进行调整主要是通过误差反向传播来实现的。在反向传播算法中,通过梯度下降计算出当前误差对于每一个参数的矫正作用,遵循此矫正,对于整个第一深度神经网络进行调节,使整个第一深度神经网络的误差不断减少。举例来说,如果FX和FZ很相近,那么Loss就比较小,在误差反向传播过程中,对于网络中的矫正作用比较小;如果FX和FZ差别很大,那么Loss就比较大。在误差反向传播过程中,网络中参数向着损失减少的反向被大幅度得矫正。因此,通过这个网络的不断训练,就可以得到与FX和FZ在质量上的不断逼近。
可选地,选取第二深度神经网络的高层输出,即第二深度神经网络的特征层作为图像质量。具体来说,Fx=K(x),Fz=K(z)
此时损失函数为,
上述损失函数的优点如下:
1)更专注于图像的质量特征。因为本实施例中利用的是图像质量特征,这些图像质量特征相比与像素级的比对来说更为抽象。上述损失函数可以得到在质量上接近原始图像的超分辨率图像,而非仅限于像素级别与原始图像相近的图像。
2)因为我们训练的网络K的过程中,利用的数据是带有主观评价分数的原始图像。在训练第二深度神经网络的过程中,得到的目标参数是满足人眼的视觉规律的。
步骤S105:通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像。
其中,待处理的低分辨率图像可以是由原始图像进行降维得到。
将待处理的低分辨率图像输入参数调整后的第一深度神经网络,得到预原始图像的评价分数相符的超分辨率图像。
在本发明实施例中,通过将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;根据所述损失函数对所述第一深度神经网络的参数进行调整;通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像,从而使得生成的超分辨率图像的质量特征接近于原始图像的质量特征,解决了只是与原始图像在像素上的逼近造成的失真问题,另外本发明实施例操作简单,具有较强的实用性和易用性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例二
请参考图9,其示出了本发明实施例四提供的生成超分辨率图像的装置的结构框图。生成超分辨率图像的装置30包括:第一输出模块31、第二输出模块33、确定模块33、调整模块34和处理模块35。其中,各模块的具体功能如下:
第一输出模块31,用于将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
第二输出模块33,用于将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;
确定模块33,用于根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
调整模块34,用于根据所述损失函数对所述第一深度神经网络的参数进行调整;
处理模块35,用于通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像。
其中,Loss为均方差,FX为原始图像样本X的质量特征,FZ为超分辨率图像样本Z的质量特征,N为所述质量特征的维度。
可选地,生成超分辨率图像的装置30还包括:
训练模块,用于将携带有评价分数的原始图像样本输入所述预先构建的第二深度神经网络对所述第二深度神经网络进行训练,获取第二深度神经网络的目标参数K。
可选地,所述第二输出模块包括:
第一输出单元,用于将所述原始图像样本X输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征FX=K(x);
第二输出单元,用于将所述超分辨率图像样本Z输入目标参数为K的第二深度神经网络,以获得所述原始图像样本的质量特征FZ=K(z)。
在本发明实施例中,通过将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;根据所述损失函数对所述第一深度神经网络的参数进行调整;通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像,从而使得生成的超分辨率图像的质量特征接近于原始图像的质量特征,解决了只是与原始图像在像素上的逼近造成的失真问题,另外本发明实施例操作简单,具有较强的实用性和易用性。
实施例三
图10是本发明实施例三提供的终端设备的示意图。如图9所示,该实施例的生成超分辨率图像的装置4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42,例如生成超分辨率图像的方法程序。所述处理器40执行所述计算机程序42时实现上述各个生成超分辨率图像的方法实施例中的步骤,例如图7所示的步骤S101至S105。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块的功能,例如图9所示模块31至35的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述生成超分辨率图像的装置4中的执行过程。例如,所述计算机程序42可以被分割第一输出模块、第二输出模块、确定模块、调整模块和处理模块,各模块的具体功能如下:
第一输出模块,用于将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
第二输出模块,用于将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;
确定模块,用于根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
调整模块,用于根据所述损失函数对所述第一深度神经网络的参数进行调整;
处理模块,用于通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像。
所述生成超分辨率图像的装置4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述生成超分辨率图像的装置可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图9仅仅是生成超分辨率图像的装置的示例,并不构成对生成超分辨率图像的装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述生成超分辨率图像的装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述生成超分辨率图像的装置4的内部存储单元,例如生成超分辨率图像的装置4的硬盘或内存。所述存储器41也可以是所述生成超分辨率图像的装置4的外部存储设备,例如所述生成超分辨率图像的装置4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述生成超分辨率图像的装置4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述生成超分辨率图像的装置所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种生成超分辨率图像的方法,其特征在于,包括:
将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;其中,所述第二深度神经网络的特征层输出的特征向量为图像的质量特征;
根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
根据所述损失函数对所述第一深度神经网络的参数进行调整;
通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像;
其中,将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征包括:
3.如权利要求2所述的生成超分辨率图像的方法,其特征在于,所述原始图像样本携带有评价分数;在将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征之前,还包括:
将携带有评价分数的原始图像样本输入所述预先构建的第二深度神经网络对所述第二深度神经网络进行训练,获取第二深度神经网络的目标参数K。
4.一种生成超分辨率图像的装置,其特征在于,包括:
第一输出模块,用于将原始图像样本输入预先构建的第一深度神经网络以输出超分辨率图像样本;
第二输出模块,用于将所述原始图像样本以及所述超分辨率图像样本输入预先构建的第二深度神经网络以获得所述原始图像样本的质量特征和所述超分辨率图像样本的质量特征;其中,所述第二深度神经网络的特征层输出的特征向量为图像的质量特征;
确定模块,用于根据所述原始图像样本的质量特征和超分辨率图像样的质量特征确定所述第一深度神经网络的损失函数;
调整模块,用于根据所述损失函数对所述第一深度神经网络的参数进行调整;
处理模块,用于通过参数调整后的第一深度神经网络对待处理的低分辨率图像进行处理,获得所述待处理的低分辨率图像的超分辨率图像;
所述第二输出模块包括:
6.如权利要求4所述的生成超分辨率图像的装置,其特征在于,还包括:
训练模块,用于将携带有评价分数的原始图像样本输入所述预先构建的第二深度神经网络对所述第二深度神经网络进行训练,获取第二深度神经网络的目标参数K。
7.一种生成超分辨率图像的装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711488405.4A CN109993694B (zh) | 2017-12-29 | 2017-12-29 | 一种生成超分辨率图像的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711488405.4A CN109993694B (zh) | 2017-12-29 | 2017-12-29 | 一种生成超分辨率图像的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993694A CN109993694A (zh) | 2019-07-09 |
CN109993694B true CN109993694B (zh) | 2021-10-08 |
Family
ID=67110992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711488405.4A Active CN109993694B (zh) | 2017-12-29 | 2017-12-29 | 一种生成超分辨率图像的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993694B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700482B (zh) * | 2019-10-23 | 2023-12-29 | 深圳市优必选科技股份有限公司 | 相机深度分辨率确定方法、装置、存储介质和智能设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683048B (zh) * | 2016-11-30 | 2020-09-01 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106709945B (zh) * | 2017-01-09 | 2018-03-06 | 方玉明 | 一种对于超分辨率图像的质量评价方法 |
CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
-
2017
- 2017-12-29 CN CN201711488405.4A patent/CN109993694B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109993694A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
US11416781B2 (en) | Image processing method and apparatus, and computer-readable medium, and electronic device | |
CN108122234B (zh) | 卷积神经网络训练及视频处理方法、装置和电子设备 | |
CN108921806B (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
WO2019137038A1 (zh) | 注视点确定方法、对比度调节方法及对比度调节装置、虚拟现实设备及存储介质 | |
WO2015106700A1 (en) | Method and apparatus for implementing image denoising | |
CN111340077B (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN111860398A (zh) | 遥感图像目标检测方法、系统及终端设备 | |
WO2020082830A1 (zh) | 处理图像的方法和装置 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
US9087272B2 (en) | Optical match character classification | |
CN109993694B (zh) | 一种生成超分辨率图像的方法及装置 | |
CN110458754B (zh) | 图像生成方法及终端设备 | |
CN111222446A (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
CN115689947B (zh) | 一种图像锐化的方法、系统、电子装置和存储介质 | |
GB2587833A (en) | Image modification styles learned from a limited set of modified images | |
CN111340722A (zh) | 图像处理方法、处理装置、终端设备及可读存储介质 | |
US9594955B2 (en) | Modified wallis filter for improving the local contrast of GIS related images | |
CN109308690B (zh) | 一种图像亮度均衡方法及终端 | |
CN110766153A (zh) | 神经网络模型训练方法、装置及终端设备 | |
KR20150094108A (ko) | 배경 영상의 위치를 이용한 관심맵 생성 방법 및 이를 기록한 기록 매체 | |
CN111383187B (zh) | 一种图像处理方法、装置及智能终端 | |
CN113761249A (zh) | 一种确定图片类型的方法和装置 | |
Hsia et al. | Improvement of face recognition using light compensation technique on real-time imaging | |
CN112418098A (zh) | 视频结构化模型的训练方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province Applicant after: TCL Technology Group Co.,Ltd. Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District Applicant before: TCL Corp. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |