本发明专利技术涉及人工智能技术领域，揭露了一种基于AI大模型的图像清晰度提升方法、装置及介质，包括：利用卷积神经网络学习低分辨率图像与高分辨率图像之间的图像映射关系，对图像映射关系进行优化；根据图像映射优化关系对卷积神经网络的学习率进行优化，利用优化后的卷积神经网络提取目标图像对应的目标清晰图像；对目标清晰图像进行分块处理，计算目标清晰分块图像的关注度，计算目标分块图像的清晰度；当清晰度小于清晰度阈值时，对目标分块图像进行更新，得到目标分块更新图像；当清晰度大于或等于清晰度阈值时，将目标分块更新图像融合至目标清晰图像中，得到最佳清晰图像。本发明专利技术可以提高图像清晰度提升时的准确度。
【技术实现步骤摘要】
本专利技术涉及灾害预测及防治，尤其涉及一种基于ai大模型的图像清晰度提升方法、装置及介质。
技术介绍
1、随着社会经济的持续性发展和信息时代的持续推进，图像作为一种信息传播介质逐渐发挥着愈发重要的信息交流作用，不过图像在信息采集、传递等方面极易发生失真问题，导致图像内容不能完整、具体、清晰、真实地呈现出来，因此，需要对图像清晰度进行提升。
2、现有的图像清晰度提升技术为通过在像素之间进行插值来增加图像的分辨率，从而提升图像清晰度。实际应用中，仅仅通过插值方式提高图像清晰度，不能使丢失的图像细节进行恢复，导致对图像清晰度提升的方式过于片面，从而对进行图像清晰度提升时的准确度较低。
技术实现思路
1、本专利技术提供一种基于ai大模型的图像清晰度提升方法、装置及介质，其主要目的在于解决进行图像清晰度提升时的准确度较低的问题。
2、为实现上述目的，本专利技术提供的一种基于ai大模型的图像清晰度提升方法，包括：
3、将预设的图像数据集划分为低分辨率图像及高分辨率图像，提取所述低分辨率图像的第一图像特征，提取所述高分辨率图像的第二图像特征；
4、利用预设的卷积神经网络学习所述第一图像特征与所述第二图像特征之间的图像映射关系，通过预设的多尺度损失函数对所述图像映射关系进行优化，得到图像映射优化关系；
5、根据所述图像映射优化关系对预设的卷积神经网络的学习率进行优化，利用优化后的卷积神经网络提取预设的目标图像对应的目标清晰图像；
<
p>6、对所述目标清晰图像进行分块处理，得到目标清晰分块图像，计算所述目标清晰分块图像的关注度，根据所述关注度选取所述目标清晰图像中的目标分块图像，通过预设的自适应清晰度算法计算所述目标分块图像的清晰度；7、当所述清晰度小于预设的清晰度阈值时，利用预设的多层次算法对所述目标分块图像进行更新，得到目标分块更新图像，包括：将所述目标分块图像进行多层次滤波处理，得到第一分块更新图像；将所述目标分块图像输入至优化后的卷积神经网络中，得到第二分块更新图像；利用如下预设的多层次算法根据所述第一分块更新图像及所述第二分块更新图像对所述目标分块图像进行更新，得到目标分块更新图像：其中，为像素点对应的目标分块更新图像，为第一更新控制因子，为第二更新控制因子，为像素点对应的第一分块更新图像，为像素点对应的第二分块更新图像，为所述目标分块图像对应的清晰度，为清晰度阈值；
8、直至所述目标分块更新图像的清晰度大于或等于预设的清晰度阈值；
9、当所述清晰度大于或等于预设的清晰度阈值时，将所述目标分块更新图像融合至所述目标清晰图像中，得到目标图像对应的最佳清晰图像。
10、可选地，所述提取所述低分辨率图像的第一图像特征，包括：
11、对所述低分辨率图像进行归一化操作；
12、利用预设的卷积核对归一化后的低分辨率图像进行卷积操作，得到低分辨率图像对应的特征图；
13、对所述特征图进行下采样，通过预设的非线性激活函数对下采样后的特征图进行激活，得到第一图像特征。
14、可选地，所述利用预设的卷积神经网络学习所述第一图像特征与所述第二图像特征之间的图像映射关系，包括：
15、通过卷积神经网络中的跳跃连接将所述第一图像特征与所述第二图像特征进行融合，得到图像融合特征；
16、将所述图像融合特征输入至卷积神经网络中的反卷积层中，得到高分辨率特征图，对所述高分辨率特征图进行重建，得到高分辨率图像；
17、将所述高分辨率图像对应的高分辨率图像特征更新所述第二图像特征，将所述第一图像特征与更新后的第二图像特征进行映射，得到图像映射关系。
18、可选地，所述通过预设的多尺度损失函数对所述图像映射关系进行优化，得到图像映射优化关系，包括：
19、根据所述图像映射关系确定目标低分辨率图像和目标高分辨率图像；
20、利用如下的多尺度损失函数计算所述目标高分辨率图像和预设的真实高分辨率图像之间的损失值：其中，为所述损失值，为在级模型通道的数量，为在级模型的多尺度图像中的图像宽度，为在级模型的多尺度图像中的图像高度，为在级模型的生成的目标高分辨率图像，为真实高分辨率图像，为模型的层级数；
21、根据所述损失值对所述目标低分辨率图像对应的目标高分辨率图像进行优化，得到目标高分辨率优化图像；
22、根据所述目标低分辨率图像与所述目标高分辨率优化图像生成图像映射优化关系。
23、可选地，所述根据所述图像映射优化关系对预设的卷积神经网络的学习率进行优化，包括：
24、提取所述图像映射关系中目标高分辨率图像对应的梯度信息，提取所述目标高分辨率图像对应的初始学习率；
25、提取所述图像映射优化关系中目标高分辨率优化图像对应的梯度优化信息；
26、利用如下的自适应学习率算法根据所述梯度信息及所述梯度优化信息对所述初始学习率进行优化：其中，为第步的梯度优化信息对应的优化学习率，为学习率的指数衰减率，为第步的梯度信息对应的梯度加权平均，为第步的梯度信息对应的梯度加权平均，为第步的指数衰减率。
27、可选地，所述计算所述目标清晰分块图像的关注度，包括：
28、将目标图像对应的高分辨率图像进行分块处理，得到高分辨率分块图像；
29、将所述目标清晰分块图像与所述高分辨率分块图像进行块对齐，得到图像配对块；
30、提取所述图像配对块中目标清晰分块图像对应的第一像素点，以及提取所述图像配对块中高分辨率分块图像对应的第二像素点；
31、根据所述第一像素点及所述第二像素点计算所述目标清晰分块图像的关注度，其中所述关注度计算公式为：其中，为第个目标清晰分块图像的关注度，为第个目标清晰分块图像的长度，为第个目标清晰分块图像的宽度，为第个目标清晰分块图像中第一像素点对应的像素值，为第个高分辨率分块图像中第二像素点对应的像素值。
32、可选地，所述通过预设的自适应清晰度算法计算所述目标分块图像的清晰度，包括：
33、对所述目标分块图像进行去噪处理，得到目标分块去噪图像；
34、通过预设的四方向梯度模板计算所述目标分块去噪图像的四方向卷积梯度值，将所述四方向卷积梯度值叠加，得到目标分块梯度图像；
35、根据图像灰度范围将所述目标分块梯度图像进行灰度分割，通过分割后的目标分块梯度图像确定自适应分割阈值及像素点的平均梯度值；
36、根据所述自适应分割阈值及所述平均梯度值计算灰度值梯度均值方差的最大阈值：其中，为所述最大阈值，为最大值函数，为第个像素点的平均梯度值，为所述自适应分割阈值，为最大灰度值；
37、通过如下的自适应清晰度算法根据所述目标分块梯度图像及所述最大阈值计算所述目标分块图像的清晰度：其中，为第个目标清晰分块图像的清晰度，为所述目标分块梯度图像对应的灰度梯度图像像本文档来自技高网
...
【技术保护点】
1.一种基于AI大模型的图像清晰度提升方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于AI大模型的图像清晰度提升方法，其特征在于，所述提取所述低分辨率图像的第一图像特征，包括：
3.如权利要求1所述的基于AI大模型的图像清晰度提升方法，其特征在于，所述利用预设的卷积神经网络学习所述第一图像特征与所述第二图像特征之间的图像映射关系，包括：
4.如权利要求1所述的基于AI大模型的图像清晰度提升方法，其特征在于，所述通过预设的多尺度损失函数对所述图像映射关系进行优化，得到图像映射优化关系，包括：
5.如权利要求4所述的基于AI大模型的图像清晰度提升方法，其特征在于，所述根据所述图像映射优化关系对预设的卷积神经网络的学习率进行优化，包括：
6.如权利要求1所述的基于AI大模型的图像清晰度提升方法，其特征在于，所述计算所述目标清晰分块图像的关注度，包括：
7.如权利要求1所述的基于AI大模型的图像清晰度提升方法，其特征在于，所述通过预设的自适应清晰度算法计算所述目标分块图像的清晰度，包括：
8.如权利要求1所述的基于AI大模型的图像清晰度提升方法，其特征在于，所述将所述目标分块更新图像融合至所述目标清晰图像中，得到目标图像对应的最佳清晰图像，包括：
9.一种基于AI大模型的图像清晰度提升装置，其特征在于，所述装置包括：
10.一种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8中任意一项所述的基于AI大模型的图像清晰度提升方法。
...
【技术特征摘要】
1.一种基于ai大模型的图像清晰度提升方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于ai大模型的图像清晰度提升方法，其特征在于，所述提取所述低分辨率图像的第一图像特征，包括：
3.如权利要求1所述的基于ai大模型的图像清晰度提升方法，其特征在于，所述利用预设的卷积神经网络学习所述第一图像特征与所述第二图像特征之间的图像映射关系，包括：
4.如权利要求1所述的基于ai大模型的图像清晰度提升方法，其特征在于，所述通过预设的多尺度损失函数对所述图像映射关系进行优化，得到图像映射优化关系，包括：
5.如权利要求4所述的基于ai大模型的图像清晰度提升方法，其特征在于，所述根据所述图像映射优化关系对预设的卷积神经网络的学习率进行优化，包括：
【专利技术属性】
技术研发人员：吴天俊，
申请(专利权)人：深圳觉明人工智能有限公司，
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。