【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于深度学习的超分辨率图像复原方法及其复原系统。
技术介绍
1、随着信息技术的飞速发展，数字图像在人们的生活中扮演着越来越重要的角色。然而，由于采集设备、传输介质等多种因素的影响，人们经常获得的是分辨率较低、质量较差的图像，这大大影响了图像的视觉效果和后续应用。因此，图像超分辨率复原技术，尤其是针对非常规降质图像的超分辨率复原技术，成为当前图像处理领域的研究热点。
2、在传统的图像超分辨率复原方法中，主要依赖于插值、滤波等技术，但这些方法往往无法有效恢复图像中的高频细节和纹理特征，复原效果有限。近年来，随着深度学习技术的快速发展，其在图像超分辨率复原领域的应用也取得了显著进展。深度学习模型能够从大量的数据中学习到图像的内在规律和特征，从而实现对低分辨率图像的精准复原。
3、然而，现有的基于深度学习的图像超分辨率复原方法主要针对的是常规降质图像，如模糊、噪声等。对于非常规降质图像，如压缩失真、传输错误等，这些方法往往难以取得理想的复原效果。非常规降质图像具有复杂的降质过程和多样的降质类型，传统的复原方法难以应对。
4、因此，有必要提供一种基于深度学习的超分辨率图像复原方法及其复原系统解决上述技术问题。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于深度学习的超分辨率图像复原方法及其复原系统，显著提升复原图像质量，有效恢复高频细节，增强纹理特征，提高视觉体验。
2、本专利技术提供的一种基于
3、s1：收集待复原图像同领域的低分辨率图像样本及其对应的高分辨率图像样本，并对所述低分辨率图像样本进行预处理，其中，所述低分辨率图像样本为非常规降质图像；
4、s2：构建包含多尺度特征提取模块的卷积神经网络，并通过所述卷积神经网络的多尺度特征提取模块提取预处理后的低分辨率图像样本在多个尺度下的增强特征；
5、s3：对多个尺度下的增强特征进行渲染处理，以合成非常规降质图像中丢失的高频细节以及增强非常规降质图像中的纹理特征，其中，所述渲染处理包括利用光线追踪细节合成网络合成丢失的高频细节，以及根据材质属性定制化地选用纹理合成方法增强对应的纹理特征；
6、s4：利用经过步骤s1、步骤s2和步骤s3处理的多个尺度下的低分辨率图像样本及其对应的高分辨率图像样本训练残差网络模型，得到训练好的残差网络模型；
7、s5：将待复原图像输入训练好的残差网络模型，输出复原后的超分辨率图像。
8、优选的，步骤s1具体包括以下步骤：
9、s101：从大规模图像库中筛选出与待复原图像同领域的低分辨率图像样本及其对应的高分辨率图像样本；
10、s102：对筛选出的低分辨率图像样本进行基础预处理，所述基础预处理包括尺寸统一、灰度化和色彩空间转换；
11、s103：基于非局部均值方法nml对基础预处理后的低分辨率图像样本进行去噪处理。
12、优选的，步骤s103具体包括：
13、分块处理：将经基础预处理后的低分辨率图像划分为多个重叠的像素块；
14、相似性度量：计算每个像素块与其他所有像素块的相似度；
15、加权平均：对每个像素块，基于其与相邻像素块的相似度进行加权平均；
16、合成输出图像：将所有处理后的像素块重新组合成去噪后的低分辨率图像样本。
17、优选的，步骤s2具体包括以下步骤：
18、s201：构建卷积神经网络架构，并在卷积神经网络架构中部署具有不同大小卷积核的多尺度特征提取模块；
19、s202：基于具有不同大小卷积核的多尺度特征提取模块对应提取去噪后的低分辨率图像样本在不同尺度下的特征；
20、s203：基于relu激活函数对提取的不同尺度下的特征进行非线性转换，得到不同尺度下的增强特征。
21、优选的，步骤s3具体包括以下步骤：
22、s301：对不同尺度下的增强特征细化处理，得到细化后的特征；
23、s302：基于细化后的特征，使用光线追踪细节合成网络模拟光线在虚拟场景中与不同材质表面的交互，以逆向生成并填充非常规降质图像中丢失的高频细节；
24、s303：分析低分辨率图像中不同区域的材质属性，并根据低分辨率图像中不同区域的材质属性定制化地选择纹理合成方法增强对应的纹理特征；
25、s304：将通过光线追踪合成的高频细节与根据材质属性定制合成的纹理特征相结合。
26、优选的，步骤s4具体包括以下步骤：
27、s401：将多个尺度下的低分辨率图像样本输入残差网络模型；
28、s402：利用对应尺度下的卷积层卷积得到不同尺寸的特征图；
29、s403：将不同尺度的特征图按照预设规则调整到相同尺寸，并根据加权系数进行加权合并，输出残差图像，其中，所述预设规则包括上采样和下采样；
30、s404：基于选定的损失函数计算输出的残差图像与对应的高分辨率图像样本之间的损失值；
31、s405：通过反向传播算法，根据计算出的损失值来调整残差网络模型的参数，以减小残差图像与对应的高分辨率图像样本之间的误差；
32、s406：进行多轮迭代训练，得到训练好的残差网络模型。
33、本专利技术还提供了一种基于深度学习的超分辨率图像复原系统，应用于复原方法，所述复原系统包括：
34、预处理模块，用于收集待复原图像同领域的低分辨率图像样本及其对应的高分辨率图像样本，并对所述低分辨率图像样本进行预处理，其中，所述低分辨率图像样本为非常规降质图像；
35、多尺度特征提取模块，用于构建包含多尺度特征提取模块的卷积神经网络，并通过所述卷积神经网络的多尺度特征提取模块提取预处理后的低分辨率图像样本在多个尺度下的增强特征；
36、渲染模块，用于对多个尺度下的增强特征进行渲染处理，以合成非常规降质图像中丢失的高频细节以及增强非常规降质图像中的纹理特征，其中，所述渲染处理包括利用光线追踪细节合成网络合成丢失的高频细节，以及根据材质属性定制化地选用纹理合成方法增强对应的纹理特征；
37、残差网络训练模块，用于利用经过步骤s1、步骤s2和步骤s3处理的多个尺度下的低分辨率图像样本及其对应的高分辨率图像样本训练残差网络模型，得到训练好的残差网络模型；
38、复原模块，用于将待复原图像输入训练好的残差网络模型，输出复原后的超分辨率图像。
39、与相关技术相比较，本专利技术提供的一种基于深度学习的超分辨率图像复原方法及其复原系统具有如下有益效果：
40、本专利技术通过收集待复原图像同领域的低分辨率图像样本及其对应的高分辨率图像样本，构建包含多尺度特征提取模块的卷积神经网络，提取预处理后的低分辨率图像样本在多个尺度下的本文档来自技高网...
【技术保护点】
1.一种基于深度学习的超分辨率图像复原方法，其特征在于，所述复原方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的超分辨率图像复原方法，其特征在于，步骤S1具体包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的超分辨率图像复原方法，其特征在于，步骤S103具体包括：
4.根据权利要求3所述的一种基于深度学习的超分辨率图像复原方法，其特征在于，步骤S2具体包括以下步骤：
5.根据权利要求4所述的一种基于深度学习的超分辨率图像复原方法，其特征在于，步骤S3具体包括以下步骤：
6.根据权利要求5所述的一种基于深度学习的超分辨率图像复原方法，其特征在于，步骤S4具体包括以下步骤：
7.一种基于深度学习的超分辨率图像复原系统，应用于上述权利要求1至6任意一项所述的复原方法，其特征在于，所述复原系统包括：
【技术特征摘要】
1.一种基于深度学习的超分辨率图像复原方法，其特征在于，所述复原方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的超分辨率图像复原方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的超分辨率图像复原方法，其特征在于，步骤s103具体包括：
4.根据权利要求3所述的一种基于深度学习的超分辨率图像复原方法，其特征在于...
【专利技术属性】
技术研发人员：刘征，李子清，吴成志，虞建，王玮，吴万馨，姚玉立，王曼，王友全，孙忠武，赵周丽，李新宇，黄菊，
申请(专利权)人：四川新视创伟超高清科技有限公司，
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。