一种基于图像边缘检测的图像超分装置、方法和系统，图像超分装置包括：边缘信息处理模块，包括：并联的边缘处理支路，所述边缘处理支路包括：非正交特征提取支路和以下一个或多个支路：非正交特征提取支路为：串联的扩展卷积层和非正交特征提取层；将边缘处理支路的输出结果进行加权融合，获得边缘信息处理模块的输出结果。一种图像超分方法，使用上述了图像超分装置进行图像处理。一种图像超分系统，执行上述的方法。使用本发明专利技术的装置、方法及系统，可以更准确的检测和处理边缘信息，从而输出更高质量的超分图像。质量的超分图像。质量的超分图像。
【技术实现步骤摘要】
基于图像边缘检测的图像超分装置、图像超分方法及系统
[0001]本专利技术涉及一种基于图像边缘检测的图像超分装置、图像超分方法及系统。
技术介绍
[0002]图像边缘检测是图像处理、图像超分中一项重要的技术，图像的边缘信息反映了图像内容中的物体轮廓和拓扑结构，图像边缘检测的信息包括丰富的语义信息，是图像处理、图像超分技术的基础。图像边缘检测的原理为利用灰度等信息的突变，即探测图像局部的不连续性。受大气条件和拍摄条件的影响，图像往往存在一定程度的模糊情况，因此需要对图像进行图像超分辨率处理，将图像重建为高分辨率图像，称作图像超分（SR，superresolution）。同时，需要图像超分的图片的模糊，往往又影响着边缘检测的准确性，因此在相关技术中，边缘检测还存在提取的信息不够丰富，特别是当模型较小时，更难提取到准确、有效的边缘特征信息的问题，在这种情况下，也会影响图像超分的效果。
[0003]专利文献CN107103585A一种图像超分辨率系统，包括特征提取模块、细节预测模块和重构模块，其中：所述特征提取模块，用于对输入的待进行分辨率提升的目标图像进行特征提取，生成所述目标图像对应的特征图；所述细节预测模块，用于对输入的所述目标图像对应的特征图进行细节预测，获得所述目标图像丢失的细节图像；所述重构模块，用于将所述目标图像和所述细节图像进行叠加操作，重构所述目标图像对应的高分辨率图像。
[0004]在相关技术中，未考虑对图像边缘检测进行改进，也存在上述问题。
技术实现思路
[0005]本专利技术要解决图像超分中，提取边缘信息不够丰富准确、图像超分效果不佳的问题。
[0006]针对上述存在的局限性，本专利技术提出了一种基于图像边缘检测的图像超分装置，包括：边缘信息处理模块：包括：并联的边缘处理支路，所述边缘处理支路包括：非正交特征提取支路和以下一个或多个支路：Sobel
‑
x特征提取支路、Sobel
‑
y特征提取支路、拉普拉斯特征提取支路、高斯特征提取支路；非正交特征提取支路为：串联的扩展卷积层和非正交特征提取层，所述非正交特征提取层，使用的算子为：
[0007]将各边缘处理支路获得的结果进行加权融合，获得边缘信息处理模块的输出结果。
[0008]进一步地：图像处理模块：所述图像处理模块，包括：并联的基本卷积层、扩展卷积层和扩展挤压卷积层；所述扩展挤压卷积层，包括串联的1个扩展卷积层和1个挤压卷积层，所述扩展卷积层的输出结果作为所述挤压卷积层的输入；
将所述基本卷积层、所述扩展卷积层、所述扩展挤压卷积层的输出结果进行加权融合获得所述图像处理模块的输出结果；将所述图像处理模块的输出结果和所述边缘信息处理模块的输出结果进行加权融合；所述基本卷积层为3
×
3卷积；所述扩展卷积层为1
×
1卷积；所述挤压卷积层为3
×
3卷积。
[0009]进一步地：所述Sobel
‑
x特征提取支路为：串联的扩展卷积层和Sobel
‑
x特征提取层，所述Sobel
‑
x特征提取层使用的算子为：
[0010]所述Sobel
‑
y特征提取支路为：串联的扩展卷积层和Sobel
‑
y特征提取层，Sobel
‑
y特征提取层使用的算子为：
[0011]所述拉普拉斯特征提取支路为：串联的扩展卷积层和拉普拉斯特征提取层，拉普拉斯特征提取层使用的算子为：
[0012]所述高斯特征提取支路为：串联的扩展卷积层和高斯特征提取层，所述高斯特征提取层使用的算子为：；所述扩展卷积层为1
×
1卷积。
[0013]进一步地：对所述图像超分装置计算损失函数的方法为，分别计算所述图像处理模块11的损失函数L
SR
和边缘信息处理模块12的损失函数L
E
，对L
SR
和L
E
进行加权计算求出总损失函数L，所述L为：
[0014]其中，为检测到的边缘像素数；为检测到的非边缘像素数。
[0015]进一步地：所述计算损失函数时使用L1损失函数、L2损失函数、感知损失函数、GAN损失函数中任意一种或多种的组合。
[0016]一种基于图像边缘检测的图像超分方法，包括以下步骤：步骤S101：提取输入图像中的Y通道；步骤S102：将所述步骤S101获得的Y通道图像，使用如上述所述的图像超分装置进行处理；
步骤S103：将所述步骤S102输出结果进行激活函数映射处理；步骤S104：重复所述步骤S102
‑
S103；重复次数为n；完成后获得输出结果；步骤S105：将所述步骤S104中所述输出结果与残差连接进行融合；步骤S106：将所述步骤S105输出结果进行像素清洗获得超分图像。
[0017]进一步地：在步骤S103还包括，将所述步骤S102输出结果进行激活函数映射处理后与残差连接进行融合。
[0018]进一步地：所述图像处理模块提取输入图像中的Y通道的方法为：当所述输入图像为RGB图像时，使用以下公式提取Y通道：Y=W
R
×
R+W
G
×
G+W
B
×
B+ BiasW
R
为R通道的权重，W
G
为G通道的权重，W
B
为B通道的权重，Bias为偏置参数。上述权重和偏置参数可以根据实验确定。
[0019]一种基于图像边缘检测的图像超分系统，所述系统执行上述所述的方法，所述系统包括：输入图像处理模块：执行所述步骤S101；图像超分模块：执行所述步骤S102
‑
步骤S105。
[0020]像素清洗模块：执行所述步骤S106。
[0021]进一步地：所述系统训练时，所述激活函数层使用的激活函数为RRelu函数：；所述系统推理时，所述激活函数层使用的激活函数为Leaky Relu函数：。
[0022]与相关技术相对比，本专利技术具有以下优点：本专利技术一个专利技术点的基于图像边缘检测的图像超分装置，通过设置非正交特征提取层，可以对其他边缘特征提取层的提取信息进行有效的补充，从而能提取到更丰富的边缘信息，从而能提高模型边缘识别和超分处理的准确性。通过融合各边缘特征提取层的输出结果，可以综合各边缘特征提取层的优势，通过融合图像处理模块、边缘信息处理模块的输出结果，可以输出更高质量的超分处理结果。
[0023]本专利技术一个专利技术点的图像超分方法，也具有上述优点。
[0024]本专利技术一个专利技术点的图像超分系统，也具有上述优点。
附图说明
[0025]图1为本专利技术一个实施例的基于图像边缘检测的图像超分装置结构图；图2为本专利技术一个实施例的基于图像边缘检测的图像超分方法流程图；图3为本专利技术一个实施例的基于图像边缘检测的图像超分方原理图；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图像边缘检测的图像超分装置，其特征在于：包括：边缘信息处理模块（12）：包括：并联的边缘处理支路，所述边缘处理支路包括：非正交特征提取支路和以下一个或多个支路：Sobel
‑
x特征提取支路、Sobel
‑
y特征提取支路、拉普拉斯特征提取支路、高斯特征提取支路；非正交特征提取支路为：串联的扩展卷积层和非正交特征提取层，所述非正交特征提取层，使用的算子为：；将各边缘处理支路获得的结果进行加权融合，获得边缘信息处理模块（12）的输出结果。2.如权利要求1所述的图像超分装置，其特征在于：还包括：图像处理模块（11）：所述图像处理模块（11），包括：并联的基本卷积层、扩展卷积层和扩展挤压卷积层；所述扩展挤压卷积层，包括串联的1个扩展卷积层和1个挤压卷积层，所述扩展卷积层的输出结果作为所述挤压卷积层的输入；将所述基本卷积层、所述扩展卷积层、所述扩展挤压卷积层的输出结果进行加权融合获得所述图像处理模块（11）的输出结果；将所述图像处理模块（11）的输出结果和所述边缘信息处理模块（12）的输出结果进行加权融合；所述基本卷积层为3
×
3卷积；所述扩展卷积层为1
×
1卷积；所述挤压卷积层为3
×
3卷积。3.如权利要求1所述的图像超分装置，其特征在于：所述Sobel
‑
x特征提取支路为：串联的扩展卷积层和Sobel
‑
x特征提取层，所述Sobel
‑
x特征提取层使用的算子为：所述Sobel
‑
y特征提取支路为：串联的扩展卷积层和Sobel
‑
y特征提取层，Sobel
‑
y特征提取层使用的算子为：所述拉普拉斯特征提取支路为：串联的扩展卷积层和拉普拉斯特征提取层，拉普拉斯特征提取层使用的算子为：所述高斯特征提取支路为：串联的扩展卷积层和高斯特征提取层，所述高斯特征提取
层使用的算子为：；所述扩展卷积层为1
×
1卷积。4.如权利要求1所述的图像超分装置，其特征在于：对所述图像超分装置计算损失函数的方法为，分别计算所述图像处理模块（11）的损失函数L
SR
...
【专利技术属性】
技术研发人员：郭建君，
申请(专利权)人：北京蔚领时代科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。