一种基于DLSS深度学习超级采样技术的图像滤波方法技术

本发明专利技术公开了一种基于DLSS深度学习超级采样技术的图像滤波方法，包括如下步骤：获取原始图像IL；使用DLSS深度学习超级采样技术由原始图像IL生成轮廓模板；对轮廓模板进行差值得到初始插值图像II；基于原始图像IL提取低频图像ILL和高频图像ILH；将原始图像IL分为多个待匹配块；基于原始图像IL分成的多个待匹配块生成多个高频信息块；将得到的高频信息块拼接成具有初始插值图像II尺寸的高频信息H；将高频信息H叠加到初始插值图像II上合成具有原始图像IL纹理特征的超分辨率图像IH；对超分辨率图像IH进行滤波得到目标图像。本发明专利技术将DLSS深度学习超级采样技术与数学形态学相结合，从而有效提高了采用数学形态学进行图像处理时的细节处理精准度，缩短了处理耗时。

An Image Filtering Method Based on DLSS Deep Learning Super Sampling Technology

【技术实现步骤摘要】
一种基于DLSS深度学习超级采样技术的图像滤波方法
本专利技术涉及图像处理领域，尤其涉及一种基于DLSS深度学习超级采样技术的图像滤波方法。
技术介绍
数学形态学是一门非线性的图像处理和分析工具。在图像滤波处理过程中,采用形态学开闭算子组成的滤波器,能得到很好的滤波效果。由于图像中几何形状多样性,以及噪声的特性,在形态学滤波器中常需要选择合适的形态学结构元。形态学对于卫星云图的处理也有很好的效果。通过处理提取出云图的结构特征，并使云图的应用趋于客观定量化，减少了人为误差,提高了预报精度和天气预报的自动化程度。数学形态学应用于遥感图像处理方面的研究相当深入。尤其是地震勘探中，用形态学滤波器来平滑地震属性分布图，去除随机噪音，使得地震属性分布的区域性更为醒目，有时也应用于油藏分布的区域分割。经过处理后最终得到用于解释的地震剖面实际上都可以看作是一些图像。地震层析成像是通过观察地震波在岩体中的走时，反演观测区域波速分布的图像，以解决地质问题。层析成像处理后的图像，既包含了一些观测过程中噪声，又包含了重建过程中噪声，应用形态学滤波器技术，可以改善图像的质量，突出图像中有效信息，提高CT技术的应用效果。地震属性分析中也有去掉那些并不真正连通的假象。然而，现有的采用数学形态学进行图像处理的方案存在细节处理精准度较低及处理耗时较长的问题。
技术实现思路
因此，本专利技术需要解决的问题是如何提高采用数学形态学进行图像处理时的细节处理精准度及缩短处理耗时。为了解决上述技术问题，本专利技术采用了如下的技术方案：一种基于DLSS深度学习超级采样技术的图像滤波方法，包括如下步骤：S1、获取原始图像IL；S2、使用DLSS深度学习超级采样技术由原始图像IL生成轮廓模板；S3、对轮廓模板进行差值得到初始插值图像II；S4、基于原始图像IL提取低频图像ILL和高频图像ILH；S5、将原始图像IL分为多个待匹配块；S6、基于原始图像IL分成的多个待匹配块生成多个高频信息块；S7、将得到的高频信息块拼接成具有初始插值图像II尺寸的高频信息H；S8、将高频信息H叠加到初始插值图像II上合成具有原始图像IL纹理特征的超分辨率图像IH；S9、对超分辨率图像IH进行滤波得到目标图像。优选地，S2包括如下步骤：将原始图像IL进行卷积计算后进行局部归一化和池化处理得到轮廓模板，其中，池化处理包括将局部归一化处理后的图片不重叠地分割成若干个同样大小的区域，每个区域内取最大的值，并舍弃其他值，以池化前的图片的平面结构输出轮廓模板。优选地，采用函数f(x)＝(1+e-x)-1进行局部归一化处理，其中，f(x)为输出，x为输入。优选地，S5中将原始图像IL分为多个待匹配块的方法包括：以原始图像IL中构造多个尺寸为i×i的待匹配块，控制顶点为待匹配块左上角的顶点。优选地，S6中基于原始图像IL分成的多个待匹配块生成多个高频信息块的方法包括：对于任意一个待匹配块，找到其控制顶点在低频图像ILL中对应的点p；以点p为中心，在点p邻域内进行块粗匹配，找到总变分最小的匹配块控制点p1；以点p1为中心，在点p1邻域内进行块细匹配,找到最佳块匹配控制点p2；以点p2为顶点构件一个块R，基于块R求对应的待加窗高频块Hk；将待加窗高频块Hk加窗得到高频信息块Hks。综上所述，本专利技术公开了一种基于DLSS深度学习超级采样技术的图像滤波方法，包括如下步骤：获取原始图像IL；使用DLSS深度学习超级采样技术由原始图像IL生成轮廓模板；对轮廓模板进行差值得到初始插值图像II；基于原始图像IL提取低频图像ILL和高频图像ILH；将原始图像IL分为多个待匹配块；基于原始图像IL分成的多个待匹配块生成多个高频信息块；将得到的高频信息块拼接成具有初始插值图像II尺寸的高频信息H；将高频信息H叠加到初始插值图像II上合成具有原始图像IL纹理特征的超分辨率图像IH；对超分辨率图像IH进行滤波得到目标图像。本专利技术将DLSS深度学习超级采样技术与数学形态学相结合，从而有效提高了采用数学形态学进行图像处理时的细节处理精准度，缩短了处理耗时。附图说明为了使专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：图1为本专利技术公开的一种基于DLSS深度学习超级采样技术的图像滤波方法的一种具体实施方式的流程图；图2为本专利技术中卷积操作的示意图；图3为将原始图像IL分为多个待匹配块的示意图；图4为本专利技术中定位点p的示意图；图5为本专利技术中匹配过程的示意图；图6为本专利技术中开启和闭合结构元素示意图；图7为标准的形态学滤波器结构示意图。具体实施方式下面结合附图对本专利技术作进一步的详细说明。如图1所示，本专利技术公开了一种基于DLSS深度学习超级采样技术的图像滤波方法，包括如下步骤：S1、获取原始图像IL；S2、使用DLSS深度学习超级采样技术由原始图像IL生成轮廓模板；S3、对轮廓模板进行差值得到初始插值图像II；对于输入的原始图像IL,首先采用插值算法将其放大得到初始插值图像II.选取Getreuer的轮廓模板插值算法利用高分辨率图像的轮廓与输入的低分辨率图像的轮廓保持一致的特性,事先估计自然图像轮廓的形状得到了具有多个轮廓模板的待选模板的集合.对于输入的低分辨率图像的每个像素点计算其为中心的邻域的轮廓模板值,选取合适的模板进行插值。Getreuer的轮廓模板插值算法为现有技术，再次不再赘述。S4、基于原始图像IL提取低频图像ILL和高频图像ILH；ILL＝IL*Gσ，*为卷积符号，Gσ为高斯核函数，ILH＝IL-ILL。S5、将原始图像IL分为多个待匹配块；S6、基于原始图像IL分成的多个待匹配块生成多个高频信息块；S7、将得到的高频信息块拼接成具有初始插值图像II尺寸的高频信息H；S8、将高频信息H叠加到初始插值图像II上合成具有原始图像IL纹理特征的超分辨率图像IH；IH＝II+HS9、对超分辨率图像IH进行滤波得到目标图像。将以上得到的超分辨率图像IH用开启和闭合运算进行滤波，从而可以得到高质量的目标图像。现有技术中，DLSS技术是运用在3D游戏图像显示领域，是为了解决显卡性能瓶颈而运用的新图像生成解决方案，DLSS的意思是深度学习超级采样，它是一种全新的游戏图像显示技术，它能够使用深度学习和AI的强大功能来训练GPU渲染清晰的游戏图像，并运行速度比使用传统抗锯齿技术的上一代GPU快了两倍。目前，DLSS技术只运用在3D游戏图像输出时，通过游戏中高清材质，在结合其图像模型，由较低的硬件运算单元，生成高清4k或者8k效果的抗锯齿技术。当性能不足以支持高分辨率流畅运行时，用DLSS技术实现的过程为：1.用2k分辨率或(4k分辨率x66％解析)的硬件消耗量；2.实现接近4k原生分辨率的显示效果。(例如：显示效果从4k*66％解析，提升到4k*80％解析)形态学滤波器是工业生产或专业领域使用的图像处理技术，DLSS深度学习降采样是针对游戏显卡硬件行业，产生的一种在显卡性能不足时，为输出4k或8k高清游戏图像的新方法。这两种技术的应用领域，跨度十分巨大，各自的运用行业也非常专业，并且都是属于底层基础部分的原理，即使在知道两者的技术后，也很难用有效的方法，将两者结合。而本专利技术创新的提出了基于DLSS本文档来自技高网...

【技术保护点】
1.一种基于DLSS深度学习超级采样技术的图像滤波方法，其特征在于，包括如下步骤：S1、获取原始图像IL；S2、使用DLSS深度学习超级采样技术由原始图像IL生成轮廓模板；S3、对轮廓模板进行差值得到初始插值图像II；S4、基于原始图像IL提取低频图像ILL和高频图像ILH；S5、将原始图像IL分为多个待匹配块；S6、基于原始图像IL分成的多个待匹配块生成多个高频信息块；S7、将得到的高频信息块拼接成具有初始插值图像II尺寸的高频信息H；S8、将高频信息H叠加到初始插值图像II上合成具有原始图像IL纹理特征的超分辨率图像IH；S9、对超分辨率图像IH进行滤波得到目标图像。

【技术特征摘要】
1.一种基于DLSS深度学习超级采样技术的图像滤波方法，其特征在于，包括如下步骤：S1、获取原始图像IL；S2、使用DLSS深度学习超级采样技术由原始图像IL生成轮廓模板；S3、对轮廓模板进行差值得到初始插值图像II；S4、基于原始图像IL提取低频图像ILL和高频图像ILH；S5、将原始图像IL分为多个待匹配块；S6、基于原始图像IL分成的多个待匹配块生成多个高频信息块；S7、将得到的高频信息块拼接成具有初始插值图像II尺寸的高频信息H；S8、将高频信息H叠加到初始插值图像II上合成具有原始图像IL纹理特征的超分辨率图像IH；S9、对超分辨率图像IH进行滤波得到目标图像。2.如权利要求1所述的基于DLSS深度学习超级采样技术的图像滤波方法，其特征在于，S2包括如下步骤：将原始图像IL进行卷积计算后进行局部归一化和池化处理得到轮廓模板，其中，池化处理包括将局部归一化处理后的图片不重叠地分割成若干个同样大小的区域，每个区域内取最大的值，并舍弃其他值，以池化前的图片...

【专利技术属性】
技术研发人员：甘平，陆鹏，张晓松，周鑫，刘闻通，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50