CN110246084B - 一种超分辨率图像重构方法及其***、装置、存储介质 - Google Patents
一种超分辨率图像重构方法及其***、装置、存储介质 Download PDFInfo
- Publication number
- CN110246084B CN110246084B CN201910409645.3A CN201910409645A CN110246084B CN 110246084 B CN110246084 B CN 110246084B CN 201910409645 A CN201910409645 A CN 201910409645A CN 110246084 B CN110246084 B CN 110246084B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- reconstruction
- super
- convolution
- 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 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种超分辨率图像重构方法及其***、装置、存储介质,首先,输入原始低分辨率图像,经过图像预处理,对输入低分辨率图像进行双三次插值;接着,预处理后的图像通过含有池化流形约束的稀疏深度卷积神经网络,图像数据之间相互连接及排列,学习到图像中缺失的高频细节信息成分,实现高分辨率清晰图像的重构。本发明可有效降低网络参数计算量同时保留图像重要细节信息。将原始低分辨率图像输入到有设定算法训练成的稀疏化深度卷积神经网络模型,实现超分辨率重构成高分辨率图像。
Description
技术领域
本发明涉及图像重构技术领域,尤其是一种基于池化流形约束的深度稀疏卷积神经网络人脸超分辨率图像重构方法及其***、装置、存储介质。
背景技术
近年来,我国已进入社会高速发展期,人们对保障个人隐私、财产以及人身安全的关注度也与日递增,为了维护社会治安以及公民安全,视频监控***在交通以及安全等领域广泛应用。如在侦察追踪案件方面,警察们需要获取清晰的视频监控画质,以便提高破案率。但在实际监控中,由于视频监控***成像设备的分辨率限制,以及目标成像人脸离摄像头距离远、模糊、噪声、天气环境等因素干扰,往往只能得到分辨率较小,质量较差的视频成像效果,使得对目标人脸的识别变得很困难。因此,通过超分辨率重构技术,实现复原低分辨率图像成高分辨率图像十分关键。
目前主流的超分辨率重构算法中,深度卷积神经网络的应用体现了巨大优势。深度卷积神经网络的计算性能主要由网络中卷积的乘法操作数量决定,也正因为卷积神经网络巨大的计算量,限制了应用效果;同时考虑到网络中的池化层(即对图像参数数据进行采样操作)难免造成网络数据传递过程中的图像细节信息丢失,大多选择使用全卷积层的深度神经网络结构,为了保证有效保留图像细节信息,也为了使超分辨率重构效果更接近实际。但是,一旦深度神经网络结构没有池化层,以全卷积层形式对图像数据进行训练和测试,网络各层之间输入输出特征图虽然是保持不变,会导致该神经网络的计算量增大,那么时间消耗就会增大,造成消极影响。虽然现有研究提出,利用卷积操作中的神经元与卷积核的线性变换或通过修减网络权重进行神经网络压缩实现减少卷积神经网络中的乘法操作数量,但是一旦对神经元与卷积核进行线性变换,会使得网络稀疏性消失,无法利用稀疏性进行网络加速;在全卷积网络中使用改进的激活函数来实现减少神经网络层之间的计算复杂度,但也并没有降低网络内存的占用消耗以及网络参数量。
发明内容
为解决上述问题,本发明的目的在于提供一种超分辨率图像重构方法及其***、装置、存储介质,可有效降低网络参数计算量同时保留图像重要细节信息,将原始低分辨率图像输入到有设定算法训练成的稀疏化深度卷积神经网络模型,实现超分辨率重构成高分辨率图像。
本发明解决其问题所采用的技术方案是:
第一方面,本发明实施例提出了一种超分辨率图像重构方法,包括:
获取原始图像;
对原始图像进行双三次插值,增强图像像素数量,得到预处理图像;
将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构;
输出重构图像。
进一步,所述获取原始图像,包括:
对监控录像视频,用Matlab编写程序对录像按帧对视频进行截图操作,获取原始图像数据集。
进一步,所述双三次插值计算涉及16个像素点,计算公式如下:
其中,(i’,j’)表示原始图像中小数部分像素坐标,dx,dy
分别是x轴、y轴方向的坐标,F(i’,j’)表示经过原始图像
中离每个像素点坐标最近的16个像素点之间权重卷积之和计算
的新像素值,R(x)表示插值表达式,计算公式如下:
通过对原始图像进行双三次插值能够增强图像像素数量。
进一步,所述将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构,包括:
预处理图像经过模式一和模式二对图像数据进行流形函数约束的池化采样、卷积层中特征图的提取、数据跳跃连接以及卷积神经网络稀疏化分别得到图像A和图像B,图像A和图像B再进行组合卷积操作得到重构图像。
进一步,所述模式一,包括:
预处理图像经过具有流形约束的池化层,下采样复制特征图数据间的连接与重新排列得到新的特征图,忽略双三次插值生成的插值特征图,输入到由10层卷积以及跳跃连接架构中,然后将生成的特征映射输入到下一层卷积层,得到向量尺寸为(H/2,W/2,4),接着对卷积神经网络进行稀疏化,最后通过对得到的向量进行子像素放大操作上采样到目标分辨率,生成尺寸为(H,W)的图像A。
进一步,所述模式二,包括:
预处理图像首先输入到一个具有64个滤波器的卷积层,生成输出尺寸为(H,W,64)的特征图,接着输入到10层卷积以及跳跃链接架构中,输出尺寸为(H,W,64)的特征图经过网络稀疏化后,通过单个滤波器的卷积层,生成图像B。
第二方面,本发明实施例还提出了一种超分辨率图像重构***,包括:
图像获取单元,用于获取原始图像;
图像数据增强单元,用于对原始图像进行双三次插值,增强图像像素数量,得到预处理图像;
图像分析聚类以及重构单元,用于将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构;
图像输出单元,用于输出重构图像。
第三方面,本发明实施例还提出了一种超分辨率图像重构装置,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明第一方面所述的方法。
第四方面,本发明实施例还提出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可执行指令,所述计算机可执行指令用于使计算机执行本发明第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明提供的一种超分辨率图像重构方法及其***、装置、存储介质,首先,输入原始低分辨率图像,经过图像预处理,对输入低分辨率图像进行双三次插值;接着,预处理后的图像通过含有池化流形约束的稀疏深度卷积神经网络,图像数据之间相互连接及排列,学习到图像中缺失的高频细节信息成分,实现高分辨率清晰图像的重构。本发明可有效降低网络参数计算量同时保留图像重要细节信息。将原始低分辨率图像输入到有设定算法训练成的稀疏化深度卷积神经网络模型,实现超分辨率重构成高分辨率图像。本发明可保持网络稀疏性,缓解池化层在对数据信息采样时造成的重要细节信息消失,以及全卷积深度神经网络带来的网络内存占用消耗和参数计算量增加带来的消极影响。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1a和图1b是本发明第一实施例中超分辨率图像重构方法的流程图;
图2是本发明第一实施例中图像基于深度卷积神经网络进行超分辨率重构的流程图;
图3是本发明第一实施例中对图像数据进行卷积以及跳跃连接处理的示意图;
图4是本发明第一实施例中对图像数据卷积及跳跃连接架构的网络稀疏化操作的流程图;
图5是本发明第二实施例中超分辨率图像重构***的结构简图;
图6是本发明第三实施例中超分辨率图像重构装置的结构简图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合附图,对本发明实施例作进一步阐述。
参照图1a和图1b,本发明的第一实施例提供了一种超分辨率图像重构方法,包括但不限于以下步骤:
S100:获取原始图像;
S200:对原始图像进行双三次插值,增强图像像素数量,得到预处理图像;
S300:将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构;
S400:输出重构图像。
其中,通过S100实现原始数据获取,S100具体包括:对监控录像视频,用Matlab编写程序对录像按帧对视频进行截图操作,获取低分辨率图像数据集。
通过S200实现图像数据增强以及预处理,目的是为了强调原始图像某些感兴趣特征,抑制不感兴趣特征,丰富图像信息量,加强图像识别效果,本发明使用方法是,首先对给定输入的低分辨率图像进行双三次插值,增强图像像素数量,初步增大特征图分辨率。具体函数方法如下:
双三次插值计算涉及16个像素点,(i’,j’)表示原始图像中小数部分像素坐标,dx,dy分别是x轴、y轴方向的坐标,F(i’,j’)表示经过原输入图像中离每个像素点坐标最近的16个像素点之间权重卷积之和计算的新像素值。其中R(x)表示插值表达式,由于本发明研究的是人脸图像超分辨率重构,对于人脸图像的处理,具有一定的复杂度,因此采用一种基于多项式的卷积采样插值计算,公式如下所示:
对原始图像进行双三次插值能够增强图像像素数量。
通过S300实现图像数据分析聚类以及重构,经过图像数据增强的图像输入基于深度卷积神经网络进行超分辨率重构,主要包括具有流形函数约束的池化采样过程、卷积层中特征图的提取与数据跳跃连接以及卷积神经网络稀疏化进行重构高分辨率图像两个方面。网络结构大概如图2所示。
本发明设计的图像数据超分辨率重构主要过程是:原始输入的低分辨率图像经过双三次插值的数据增强之后经过两种不同模式对图像数据进行卷积以及连接处理,如图2所示,两种模式处理的特征图结果图像A和图像B再进行组合卷积操作,输出最终的超分辨率重构图像,图3为卷积与跳跃连接的可视化描述。
模式一,双三次插值数据增强处理后的图像,经过具有流形约束的池化层,下采样复制特征图数据间的连接与重新排列得到新的特征图,忽略双三次插值生成的插值特征图,输入到由10层卷积(包括转换卷积)以及跳跃连接架构中,然后将生成的特征映射输入到下一层卷积层,得到向量尺寸为(H/2,W/2,4),接着对卷积神经网络进行稀疏化,最后通过对得到的向量进行子像素放大操作上采样到目标分辨率,生成尺寸为(H,W)的高质量超分辨率图像A。
模式二,原始低分辨率图像经过双三次插值处理之后的图像直接输入到10层卷积以及跳跃链接架构中,能够为重构高质量超分辨率图像提供更多图像细节信息。如图2的虚线部分所示,经过低分辨率图像双三次插值之后,首先是输入到一个具有64个滤波器的卷积层,生成输出尺寸为(H,W,64)的特征图,接着输入到上述的卷积及跳跃连接架构(与模式一相同权重),输出尺寸为(H,W,64)的特征图经过网络稀疏化后,通过单个滤波器的卷积层,生成高质量超分辨率图像B。
把两个模式生成的高质量超分辨率图像A、B相组合,经过一个单滤波器的卷积层,获得最终的超分辨率重构图像。
最后,通过S400实现输出高分辨率图像。
以下是主要方法详细阐述:
由于原始输入低分辨率图像包含比较多的图像细节信息,同时为了避免全卷积层网络架构带来的网络内存占用消耗和参数计算量增加,本发明提出采用一种具有流行约束的池化过程,将输入特征图下采样到几个通过重新调整像素位置的降低分辨率版本(无图像细节信息缺失)。
在池化层间采用局部线性嵌入(Locally Linear Embedding)的流形学习思想,保持数据在池化采样过程中的细节信息不丢失的同时,减少网络计算量。如样本从高维空间映射到低维空间后,各个领域内样本之间的线性关系不变。
待运算的样本点xi的坐标,通过在它的原始高维邻域里用K近邻思想找到和它最近的三个样本xj,xl,xk,假设xi能由xj,xl,xk线性表示,即:
xi=wijxj+wikxk+wilxl
其中wij,wjk,wil为权重系数。通过LLE降维后,使得xi在低维空间对应投影x’i和xj,xl,xk对应的投影x’i,x’j,x’k尽量保持同样线性关系。即:
x'i≈wijx'j+wikx'k+wilx'l
保持权值参数在低维和高维空间是尽量一致的。
该算法可分为两部分,第一步根据领域关系计算出所有样本的领域重构系数w,即找出每一个样本和其领域内样本之间的线性关系,公式如下所示:
其中令Cjk=(xi-xj)T(xi-xk),
第二步是根据邻域重构系数不变,去求每个样本在低维空间的坐标,公式如下:
令Cjk=(xi-xj)Tz=(z1,z2,...,zm)∈Rd'×m,(W)ij=wij,M=(I-W)T+1
在卷积层中,加入自适应样本选择方法实现人脸局部结构流形分析与聚类,用于恢复低频图像块中缺失的高频信息。
提取第d层卷积层对应位置上的特征图像块pk(k=1,…,n),以列向量方式构成集合Pi=[p1,p2,…,pn],计算Pi的LPP变换矩阵Ai和映射数据矩阵Yi=AiTPi。对于输入的低分辨率图像(LR)的图像块,计算其低维特征集合,接着在映射数据矩阵Yi中按欧氏距离选择与低维特征最相近的集合相对应图像块对作为一个训练集合,用于恢复低频图像块中缺失的高频信息。
紧接着卷积及跳跃连接架构的网络稀疏化操作,使得在执行乘法操作之前,保留了权重和激活函数的稀疏性,并显著减少计算工作量,如图4所示。方法分三个阶段进行:密集训练,修剪和再训练。密集训练:我们直接在变换域训练一个密集的p×p内核。逆变换-消除,通过反向传播直接初始化和训练变换后的内核,需要在空间域中保持内核或转换空间内核;修剪:我们通过计算实现所需修剪率r所需的阈值t并将绝对值小于t的所有权重设置为零来修剪变换后的内核;重新训练:保持被修剪的权重为零,稀疏掩模在修剪步骤期间计算,且在期间保持恒定再培训。公式化如下所示:
S=AT[[Prune(GgGT)]⊙[ReLU(BTdB)]]A
其中,GgGT L为权重梯度,dL为输入激活的计算梯度。
最后为了使重构后的高分辨率图像最大限度地接近原人脸数据库真实图像Y,定义一幅残差图像为r=y–x,其中,x表示低分辨率图像,y表示人脸数据库中对应高分辨率图像。在损失层输入残差估计,低分辨率图像,对应人脸数据库图像,采用均方误差函数作为判断损失值,均方误差函数表示为:
其中n为样本数量,θ={W1,W2,…,Wd,B1,B2,…,Bd}为网络参数。
在整个网络架构中,均用了ReLU激活函数,为了决策函数和整个网络的非线性特性,使得神经网络可以任意逼近任意非线性函数,在网络稀疏化中将所有负转换激活至归零,从而减少域中的乘法次数。公式如下:
F(x)=max(0,x)
通过把低分辨率图像经过深度卷积神经网络进行重构,从而得到对应的高分辨率图像输出。
另外,参照图5,本发明的第二实施例提供了一种超分辨率图像重构***,包括:
图像获取单元110,用于获取原始图像;
图像数据增强单元120,用于对原始图像进行双三次插值,增强图像像素数量,得到预处理图像;
图像分析聚类以及重构单元130,用于将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构;
图像输出单元140,用于输出重构图像。
本实施例中的超分辨率图像重构***与第一实施例中的超分辨率图像重构方法基于相同的发明构思,因此,本实施例中的超分辨率图像重构***具有相同的有益效果:图像获取单元110获取原始图像;图像数据增强单元120对原始图像进行双三次插值,增强图像像素数量,得到预处理图像;图像分析聚类以及重构单元130将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构;图像输出单元140输出重构图像。利用本超分辨率图像重构***可有效降低网络参数计算量同时保留图像重要细节信息。将原始低分辨率图像输入到有设定算法训练成的稀疏化深度卷积神经网络模型,实现超分辨率重构成高分辨率图像。
参照图6,本发明的第三实施例还提供了一种超分辨率图像重构装置,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述第一实施例中任意一种超分辨率图像重构方法。
该装置200可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
处理器和存储器可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的人脸识别模型构建方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行装置200的各种功能应用以及数据处理,即实现上述任一方法实施例的超分辨率图像重构方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据装置200的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该装置200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任意方法实施例中的超分辨率图像重构方法,例如,执行以上描述的第一实施例中的方法步骤S100至S400。
本发明的第四实施例还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可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图6中的一个处理器执行,可使得上述一个或多个处理器执行上述方法实施例中的一种超分辨率图像重构方法,例如第一实施例中的方法步骤S100至S400。
以上所描述的装置实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种超分辨率图像重构方法,其特征在于,包括:
获取原始图像;
对原始图像进行双三次插值,增强图像像素数量,得到预处理图像;
将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构;
输出重构图像;
其中,将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构,包括:预处理图像经过模式一和模式二对图像数据进行流形函数约束的池化采样、卷积层中特征图的提取、数据跳跃连接以及卷积神经网络稀疏化分别得到图像A和图像B,图像A和图像B再进行组合卷积操作得到重构图像;
其中,所述模式一包括:
预处理图像经过具有流形约束的池化层,下采样复制特征图数据间的连接与重新排列得到新的特征图,忽略双三次插值生成的插值特征图,输入到由10层卷积以及跳跃连接架构中,然后将生成的特征映射输入到下一层卷积层,得到向量尺寸为(H/2,W/2,4),接着对卷积神经网络进行稀疏化,最后通过对得到的向量进行子像素放大操作上采样到目标分辨率,生成尺寸为(H,W)的图像A,其中,H为高度,W为宽度;
所述模式二包括:预处理图像首先输入到一个具有64个滤波器的卷积层,生成输出尺寸为(H,W,64)的特征图,接着输入到10层卷积以及跳跃链接架构中,输出尺寸为(H,W,64)的特征图经过网络稀疏化后,通过单个滤波器的卷积层,生成图像B。
2.根据权利要求1所述的一种超分辨率图像重构方法,其特征在于,所述获取原始图像,包括:
对监控录像视频,用Matlab编写程序对录像按帧对视频进行截图操作,获取原始图像数据集。
4.一种超分辨率图像重构***,应用于如权利要求1至3中任一所述的一种超分辨率图像重构方法,其特征在于,包括:
图像获取单元,用于获取原始图像;
图像数据增强单元,用于对原始图像进行双三次插值,增强图像像素数量,得到预处理图像;
图像分析聚类以及重构单元,用于将预处理图像通过含有池化流形约束的稀疏深度卷积神经网络进行图像数据分析聚类以及重构;
图像输出单元,用于输出重构图像。
5.一种超分辨率图像重构装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409645.3A CN110246084B (zh) | 2019-05-16 | 2019-05-16 | 一种超分辨率图像重构方法及其***、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409645.3A CN110246084B (zh) | 2019-05-16 | 2019-05-16 | 一种超分辨率图像重构方法及其***、装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246084A CN110246084A (zh) | 2019-09-17 |
CN110246084B true CN110246084B (zh) | 2023-03-31 |
Family
ID=67884554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910409645.3A Active CN110246084B (zh) | 2019-05-16 | 2019-05-16 | 一种超分辨率图像重构方法及其***、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246084B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581363A (zh) * | 2019-09-29 | 2021-03-30 | 北京金山云网络技术有限公司 | 图像超分辨率重建方法、装置、电子设备及存储介质 |
CN110942425A (zh) * | 2019-11-26 | 2020-03-31 | 贵州师范学院 | 一种超分辨率图像的重构方法、重构***和电子设备 |
CN111222446B (zh) * | 2019-12-31 | 2023-05-16 | Oppo广东移动通信有限公司 | 人脸识别方法、人脸识别装置及移动终端 |
CN113409192A (zh) * | 2021-06-17 | 2021-09-17 | Oppo广东移动通信有限公司 | 超分辨率芯片、超分辨率算法的更新方法和电子设备 |
CN117643059A (zh) * | 2021-07-01 | 2024-03-01 | 抖音视界有限公司 | 超分辨率下采样 |
CN114170619B (zh) * | 2021-10-18 | 2022-08-19 | 中标慧安信息技术股份有限公司 | 基于边缘计算的数据核查方法和*** |
CN113675850B (zh) * | 2021-10-25 | 2022-02-08 | 山东大学 | 一种基于非线性鲁棒估计的电网信息快速精准感知方法 |
CN115546858B (zh) * | 2022-08-15 | 2023-08-25 | 荣耀终端有限公司 | 人脸图像处理方法和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN107480726A (zh) * | 2017-08-25 | 2017-12-15 | 电子科技大学 | 一种基于全卷积和长短期记忆单元的场景语义分割方法 |
CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
CN109461157A (zh) * | 2018-10-19 | 2019-03-12 | 苏州大学 | 基于多级特征融合及高斯条件随机场的图像语义分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI624804B (zh) * | 2016-11-07 | 2018-05-21 | 盾心科技股份有限公司 | 利用超解析重建法生成高解析度影像的方法與系統 |
FR3059804B1 (fr) * | 2016-12-07 | 2019-08-02 | Idemia Identity And Security | Systeme de traitement d'images |
US10616482B2 (en) * | 2017-03-10 | 2020-04-07 | Gopro, Inc. | Image quality assessment |
US10979718B2 (en) * | 2017-09-01 | 2021-04-13 | Apple Inc. | Machine learning video processing systems and methods |
-
2019
- 2019-05-16 CN CN201910409645.3A patent/CN110246084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN107480726A (zh) * | 2017-08-25 | 2017-12-15 | 电子科技大学 | 一种基于全卷积和长短期记忆单元的场景语义分割方法 |
CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
CN109461157A (zh) * | 2018-10-19 | 2019-03-12 | 苏州大学 | 基于多级特征融合及高斯条件随机场的图像语义分割方法 |
Non-Patent Citations (1)
Title |
---|
基于中间层监督卷积神经网络的图像超分辨率重建;李现国等;《中国图象图形学报》;20180716(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110246084A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246084B (zh) | 一种超分辨率图像重构方法及其***、装置、存储介质 | |
US12008797B2 (en) | Image segmentation method and image processing apparatus | |
CN112308200B (zh) | 神经网络的搜索方法及装置 | |
US20210398252A1 (en) | Image denoising method and apparatus | |
CN111683269B (zh) | 视频处理方法、装置、计算机设备和存储介质 | |
CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
CN111914997B (zh) | 训练神经网络的方法、图像处理方法及装置 | |
CN111476719A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112446835B (zh) | 图像恢复方法、图像恢复网络训练方法、装置和存储介质 | |
CN111951195A (zh) | 图像增强方法及装置 | |
Chen et al. | MICU: Image super-resolution via multi-level information compensation and U-net | |
JP2024018938A (ja) | 周波数領域における自己注意機構に基づく夜間オブジェクト検出、訓練方法及び装置 | |
CN109064402B (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
CN111951165A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN113284055A (zh) | 一种图像处理的方法以及装置 | |
CN113658326A (zh) | 三维毛发的重建方法及装置 | |
CN115375548A (zh) | 一种超分辨率的遥感图像生成方法、***、设备和介质 | |
Hua et al. | Dynamic scene deblurring with continuous cross-layer attention transmission | |
CN116452930A (zh) | 降质环境下基于频域增强的多光谱图像融合方法与*** | |
CN111861877A (zh) | 视频超分变率的方法和装置 | |
CN113191947B (zh) | 一种图像超分辨率的方法及*** | |
CN115082306A (zh) | 一种基于蓝图可分离残差网络的图像超分辨率方法 | |
Liu et al. | CNN-Enhanced graph attention network for hyperspectral image super-resolution using non-local self-similarity | |
CN115965839A (zh) | 图像识别方法、存储介质及设备 | |
CN113256556A (zh) | 一种图像选择方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |