基于超分辨的低质量图像识别方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于超分辨的低质量图像识别方法、装置、设备及介质。


背景技术：

2.在人工智能领域，图像质量的高低会对最终的图像处理结果造成一定的影响，因此，如何准确的识别出低质量的图像则尤为重要，
3.现有技术中，为了对图像进行细粒度的分类，通常采用注意力机制，将网络的注意力引到决定细粒度分类的图像内容上，运算过程较为复杂。


技术实现要素：

4.鉴于以上内容，有必要提供一种基于超分辨的低质量图像识别方法、装置、设备及介质，旨在解决对低质量图像进行细粒度识别的问题。
5.一种基于超分辨的低质量图像识别方法，所述基于超分辨的低质量图像识别方法包括：
6.采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率；
7.组合所述初始图像及所述转化图像，得到训练样本；
8.获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失；
9.利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型；
10.获取待识别图像，并对所述待识别图像进行预处理，得到目标图像；
11.将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。
12.根据本发明优选实施例，所述将所述多张初始图像转化为多张转化图像包括：
13.对所述多张初始图像中的每张初始图像进行下采样处理，得到每张初始图像对应的中间图像；
14.对每张中间图像进行二次线性插值处理，得到每张初始图像对应的转化图像。
15.根据本发明优选实施例，所述方法还包括：
16.在所述超分辨网络中，将任意的图像输入至超分辨卷积层，得到残差图像，其中，所述超分辨卷积层由预设数量的超分辨卷积进行首尾相接而构成；
17.融合所述残差图像及所述任意的图像，得到所述超分辨网络的输出特征。
18.根据本发明优选实施例，每个所述超分辨卷积包括第一分支及第二分支，所述第一分支由第一形变卷积、第一激活函数层及第二形变卷积进行首尾相接而构成，所述第二分支由第三形变卷积、第二激活函数层及第四形变卷积进行首尾相接而构成，所述方法还
包括：
19.对于每个所述超分辨卷积，将接收到的图像分别输入至所述第一分支及所述第二分支；
20.获取所述第一分支的输出数据作为第一输出特征；
21.获取所述第二分支的输出数据作为第二输出特征；
22.计算所述接收到的图像、所述第一输出特征及所述第二输出特征的和作为每个所述超分辨卷积的输出特征；
23.将每个所述超分辨卷积的输出特征确定为相接的下一个超分辨卷积的第一分支及第二分支的输入数据。
24.根据本发明优选实施例，所述方法还包括：
25.采用下述公式构建所述超分辨损失：
[0026][0027]
其中，l1表示所述超分辨损失，k表示所述训练样本的样本量，xh表示输入所述超分辨网络的初始图像，x
l
表示输入的初始图像对应的转化图像，g(x
l
)表示输入的初始图像对应的所述超分辨网络的输出特征；
[0028]
将所述分类网络的交叉熵损失确定为所述分类损失；
[0029]
计算所述超分辨损失与所述分类损失的和，得到所述初始网络的损失函数。
[0030]
根据本发明优选实施例，所述方法还包括：
[0031]
在利用所述训练样本训练所述初始网络时，配置所述超分辨网络的学习率为1，并按照衰减速度为0.1每100轮的方式进行衰减；
[0032]
配置所述分类网络的学习率为0.1，并不进行衰减。
[0033]
根据本发明优选实施例，所述对所述待识别图像进行预处理，得到目标图像包括：
[0034]
对所述待识别图像进行归一化处理，得到所述目标图像。
[0035]
一种基于超分辨的低质量图像识别装置，所述基于超分辨的低质量图像识别装置包括：
[0036]
转化单元，用于采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率；
[0037]
组合单元，用于组合所述初始图像及所述转化图像，得到训练样本；
[0038]
构建单元，用于获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失；
[0039]
训练单元，用于利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型；
[0040]
预处理单元，用于获取待识别图像，并对所述待识别图像进行预处理，得到目标图像；
[0041]
识别单元，用于将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。
computing)的由大量主机或网络服务器构成的云。
[0055]
所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0056]
其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0057]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0058]
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
[0059]
s10，采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率。
[0060]
在本实施例中，每张初始图像的分辨率为正常图像的分辨率，每张转化图像的分辨率代表低分辨率。
[0061]
由于具有正常分辨率的图像较为容易获取，因此，本实施例对具有正常分辨率的图像进行转换，得到低分辨率图像。
[0062]
在本发明的至少一个实施例中，所述将所述多张初始图像转化为多张转化图像包括：
[0063]
对所述多张初始图像中的每张初始图像进行下采样处理，得到每张初始图像对应的中间图像；
[0064]
对每张中间图像进行二次线性插值处理，得到每张初始图像对应的转化图像。
[0065]
通过上述实施方式，能够自动生成一一匹配的正常分辨率图像与低分辨率图像，为后续训练模型提供数据基础。
[0066]
s11，组合所述初始图像及所述转化图像，得到训练样本。
[0067]
在本实施例中，利用采集到的多张初始图像及转化后得到的转化图像共同构建数据集，得到所述训练样本。
[0068]
s12，获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失。
[0069]
在本发明的至少一个实施例中，所述方法还包括：
[0070]
在所述超分辨网络中，将任意的图像输入至超分辨卷积层，得到残差图像，其中，所述超分辨卷积层由预设数量的超分辨卷积进行首尾相接而构成；
[0071]
融合所述残差图像及所述任意的图像，得到所述超分辨网络的输出特征。
[0072]
在上述实施方式中，通过几个超分辨卷积将输入的任意的图像转变为残差图像，所述残差图像是正常分辨率图像与低分辨率图像的残差。
[0073]
当获得该残差时，即可根据该残差恢复出正常分辨率图像。本实施例使用网络学习残差，而不是直接映射到正常分辨率图像，采用的网络结构更加有利于学习相对差距而
非直接的关系。
[0074]
具体地，每个所述超分辨卷积包括第一分支及第二分支，所述第一分支由第一形变卷积、第一激活函数层及第二形变卷积进行首尾相接而构成，所述第二分支由第三形变卷积、第二激活函数层及第四形变卷积进行首尾相接而构成，所述方法还包括：
[0075]
对于每个所述超分辨卷积，将接收到的图像分别输入至所述第一分支及所述第二分支；
[0076]
获取所述第一分支的输出数据作为第一输出特征；
[0077]
获取所述第二分支的输出数据作为第二输出特征；
[0078]
计算所述接收到的图像、所述第一输出特征及所述第二输出特征的和作为每个所述超分辨卷积的输出特征；
[0079]
将每个所述超分辨卷积的输出特征确定为相接的下一个超分辨卷积的第一分支及第二分支的输入数据。
[0080]
其中，所述第一激活函数层及所述第二激活函数层可以为relu激活函数。
[0081]
在本实施例中，所述第一分支及所述第二分支属于两个并行的相同支路。因此，每个所述超分辨卷积中的各分支在输出数据时还需要同另一个分支进行加和计算，各个分支能够互相印证，进而把反映细节的残差完整的学习下来。
[0082]
在本发明的至少一个实施例中，所述方法还包括：
[0083]
采用下述公式构建所述超分辨损失：
[0084][0085]
其中，l1表示所述超分辨损失，k表示所述训练样本的样本量，xh表示输入所述超分辨网络的初始图像，x
l
表示输入的初始图像对应的转化图像，g(x
l
)表示输入的初始图像对应的所述超分辨网络的输出特征；
[0086]
将所述分类网络的交叉熵损失确定为所述分类损失；
[0087]
计算所述超分辨损失与所述分类损失的和，得到所述初始网络的损失函数。
[0088]
在上述实施方式中，在所述分类网络之前接入所述超分辨网络，使得送入模型的图像本身可以做得较大，则后续分类网络对于重点区域关注的可能性就会更高，不会由于计算过程中图像信息的丢失而导致无法关注到这些区域，使得分类更加准确。
[0089]
在本实施例中，所述分类网络可以为任意分类模型，如resnet50。在resnet50网络中，使用两个全连接层进行特征张量信息的统合，最后使用softmax函数进行输出，训练resnet50网络使用的是交叉熵损失函数作为分类损失。
[0090]
进一步地，综合所述超分辨损失及所述分类损失，在训练过程中能够同时兼顾所述超分辨网络及所述分类网络的损失，提高模型训练的效果。
[0091]
s13，利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型。
[0092]
在本发明的至少一个实施例中，所述方法还包括：
[0093]
在利用所述训练样本训练所述初始网络时，配置所述超分辨网络的学习率为1，并按照衰减速度为0.1每100轮的方式进行衰减；
[0094]
配置所述分类网络的学习率为0.1，并不进行衰减。
[0095]
可以理解的是，对于所述超分辨网络，由于其设计结构较为复杂，并且学习目标相较于所述分类网络有较大差别，因此，需要对所述超分辨网络的学习率进行配置，以保证整体训练时所述超分辨网络及所述分类网络的能力能够均衡。
[0096]
进一步地，当所述损失函数达到收敛时，即可停止训练，得到能够对低分辨率图像进行细粒度分类的所述低质量图像识别模型。
[0097]
并且，本实施例没有使用ycbcr的色彩转换空间进行训练，而是使用rgb空间的图像进行训练，充分降低了图像预处理的时间，并提高了图像的适配性。
[0098]
s14，获取待识别图像，并对所述待识别图像进行预处理，得到目标图像。
[0099]
在本发明的至少一个实施例中，所述对所述待识别图像进行预处理，得到目标图像包括：
[0100]
对所述待识别图像进行归一化处理，得到所述目标图像。
[0101]
可以理解的是，所述待识别图像通常为低分辨率图像，因此，在输入至所述低质量图像识别模型之前，还需要对所述待识别图像进行归一化处理，以满足模型对于数据的处理需求。
[0102]
s15，将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。
[0103]
在本发明的至少一个实施例中，所述根据所述低质量图像识别模型的输出确定识别结果包括：
[0104]
获取识别到的每个类型的概率值；
[0105]
将所述概率值最高的类型确定为目标类型；
[0106]
根据所述目标类型生成所述识别结果。
[0107]
例如：所述低质量图像识别模型可以用来识别图像是否模糊、是否有遮挡、是否有截断等。当用来识别图像是否模糊时，是模糊图像的概率为0.9，则确定所述待识别图像的识别结果为图像模糊。
[0108]
本实施例侧重于对低分辨率的图像进行细粒度分类，准确度更高。
[0109]
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，低质量图像识别模型可存储于区块链节点中。
[0110]
由以上技术方案可以看出，本发明能够采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率，自动生成一一匹配的正常分辨率图像与低分辨率图像，为后续训练模型提供数据基础，组合所述初始图像及所述转化图像，得到训练样本，获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失，利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型，获取待识别图像，并对所述待识别图像进行预处理，得到目标图像，将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果，进而结合超分辨网络及分类网络实现对低分辨率图像的细粒度分类，准确度更高。
[0111]
如图2所示，是本发明基于超分辨的低质量图像识别装置的较佳实施例的功能模
块图。所述基于超分辨的低质量图像识别装置11包括转化单元110、组合单元111、构建单元112、训练单元113、预处理单元114、识别单元115。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0112]
转化单元110采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率。
[0113]
在本实施例中，每张初始图像的分辨率为正常图像的分辨率，每张转化图像的分辨率为低分辨率。
[0114]
由于具有正常分辨率的图像较为容易获取，因此，本实施例对具有正常分辨率的图像进行转换，得到低分辨率图像。
[0115]
在本发明的至少一个实施例中，所述转化单元110将所述多张初始图像转化为多张转化图像包括：
[0116]
对所述多张初始图像中的每张初始图像进行下采样处理，得到每张初始图像对应的中间图像；
[0117]
对每张中间图像进行二次线性插值处理，得到每张初始图像对应的转化图像。
[0118]
通过上述实施方式，能够自动生成一一匹配的正常分辨率图像与低分辨率图像，为后续训练模型提供数据基础。
[0119]
组合单元111组合所述初始图像及所述转化图像，得到训练样本。
[0120]
在本实施例中，利用采集到的多张初始图像及转化后得到的转化图像共同构建数据集，得到所述训练样本。
[0121]
构建单元112获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失。
[0122]
在本发明的至少一个实施例中，在所述超分辨网络中，将任意的图像输入至超分辨卷积层，得到残差图像，其中，所述超分辨卷积层由预设数量的超分辨卷积进行首尾相接而构成；
[0123]
融合所述残差图像及所述任意的图像，得到所述超分辨网络的输出特征。
[0124]
在上述实施方式中，通过几个超分辨卷积将输入的任意的图像转变为残差图像，所述残差图像是正常分辨率图像与低分辨率图像的残差。
[0125]
当获得该残差时，即可根据该残差恢复出正常分辨率图像。本实施例使用网络学习残差，而不是直接映射到正常分辨率图像，采用的网络结构更加有利于学习相对差距而非直接的关系。
[0126]
具体地，每个所述超分辨卷积包括第一分支及第二分支，所述第一分支由第一形变卷积、第一激活函数层及第二形变卷积进行首尾相接而构成，所述第二分支由第三形变卷积、第二激活函数层及第四形变卷积进行首尾相接而构成，对于每个所述超分辨卷积，将接收到的图像分别输入至所述第一分支及所述第二分支；
[0127]
获取所述第一分支的输出数据作为第一输出特征；
[0128]
获取所述第二分支的输出数据作为第二输出特征；
[0129]
计算所述接收到的图像、所述第一输出特征及所述第二输出特征的和作为每个所
述超分辨卷积的输出特征；
[0130]
将每个所述超分辨卷积的输出特征确定为相接的下一个超分辨卷积的第一分支及第二分支的输入数据。
[0131]
其中，所述第一激活函数层及所述第二激活函数层可以为relu激活函数。
[0132]
在本实施例中，所述第一分支及所述第二分支属于两个并行的相同支路。因此，每个所述超分辨卷积中的各分支在输出数据时还需要同另一个分支进行加和计算，各个分支能够互相印证，进而把反映细节的残差完整的学习下来。
[0133]
在本发明的至少一个实施例中，所述方法还包括：
[0134]
采用下述公式构建所述超分辨损失：
[0135][0136]
其中，l1表示所述超分辨损失，k表示所述训练样本的样本量，xh表示输入所述超分辨网络的初始图像，x
l
表示输入的初始图像对应的转化图像，g(x
l
)表示输入的初始图像对应的所述超分辨网络的输出特征；
[0137]
将所述分类网络的交叉熵损失确定为所述分类损失；
[0138]
计算所述超分辨损失与所述分类损失的和，得到所述初始网络的损失函数。
[0139]
在上述实施方式中，在所述分类网络之前接入所述超分辨网络，使得送入模型的图像本身可以做得较大，则后续分类网络对于重点区域关注的可能性就会更高，不会由于计算过程中图像信息的丢失而导致无法关注到这些区域，使得分类更加准确。
[0140]
在本实施例中，所述分类网络可以为任意分类模型，如resnet50。在resnet50网络中，使用两个全连接层进行特征张量信息的统合，最后使用softmax函数进行输出，训练resnet50网络使用的是交叉熵损失函数作为分类损失。
[0141]
进一步地，综合所述超分辨损失及所述分类损失，在训练过程中能够同时兼顾所述超分辨网络及所述分类网络的损失，提高模型训练的效果。
[0142]
训练单元113利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型。
[0143]
在本发明的至少一个实施例中，在利用所述训练样本训练所述初始网络时，配置所述超分辨网络的学习率为1，并按照衰减速度为0.1每100轮的方式进行衰减；
[0144]
配置所述分类网络的学习率为0.1，并不进行衰减。
[0145]
可以理解的是，对于所述超分辨网络，由于其设计结构较为复杂，并且学习目标相较于所述分类网络有较大差别，因此，需要对所述超分辨网络的学习率进行配置，以保证整体训练时所述超分辨网络及所述分类网络的能力能够均衡。
[0146]
进一步地，当所述损失函数达到收敛时，即可停止训练，得到能够对低分辨率图像进行细粒度分类的所述低质量图像识别模型。
[0147]
并且，本实施例没有使用ycbcr的色彩转换空间进行训练，而是使用rgb空间的图像进行训练，充分降低了图像预处理的时间，并提高了图像的适配性。
[0148]
预处理单元114获取待识别图像，并对所述待识别图像进行预处理，得到目标图像。
[0149]
在本发明的至少一个实施例中，所述预处理单元114对所述待识别图像进行预处理，得到目标图像包括：
[0150]
对所述待识别图像进行归一化处理，得到所述目标图像。
[0151]
可以理解的是，所述待识别图像通常为低分辨率图像，因此，在输入至所述低质量图像识别模型之前，还需要对所述待识别图像进行归一化处理，以满足模型对于数据的处理需求。
[0152]
识别单元115将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。
[0153]
在本发明的至少一个实施例中，所述识别单元115根据所述低质量图像识别模型的输出确定识别结果包括：
[0154]
获取识别到的每个类型的概率值；
[0155]
将所述概率值最高的类型确定为目标类型；
[0156]
根据所述目标类型生成所述识别结果。
[0157]
例如：所述低质量图像识别模型可以用来识别图像是否模糊、是否有遮挡、是否有截断等。当用来识别图像是否模糊时，是模糊图像的概率为0.9，则确定所述待识别图像的识别结果为图像模糊。
[0158]
本实施例侧重于对低分辨率的图像进行细粒度分类，准确度更高。
[0159]
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，低质量图像识别模型可存储于区块链节点中。
[0160]
由以上技术方案可以看出，本发明能够采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率，自动生成一一匹配的正常分辨率图像与低分辨率图像，为后续训练模型提供数据基础，组合所述初始图像及所述转化图像，得到训练样本，获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失，利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型，获取待识别图像，并对所述待识别图像进行预处理，得到目标图像，将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果，进而结合超分辨网络及分类网络实现对低分辨率图像的细粒度分类，准确度更高。
[0161]
如图3所示，是本发明实现基于超分辨的低质量图像识别方法的较佳实施例的计算机设备的结构示意图。
[0162]
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于超分辨的低质量图像识别程序。
[0163]
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
[0164]
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产
品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
[0165]
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如基于超分辨的低质量图像识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0166]
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(control unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于超分辨的低质量图像识别程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
[0167]
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于超分辨的低质量图像识别方法实施例中的步骤，例如图1所示的步骤。
[0168]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成转化单元110、组合单元111、构建单元112、训练单元113、预处理单元114、识别单元115。
[0169]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于超分辨的低质量图像识别方法的部分。
[0170]
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
[0171]
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器等。
[0172]
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储
程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0173]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0174]
总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
[0175]
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0176]
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
[0177]
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
[0178]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0179]
图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0180]
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种基于超分辨的低质量图像识别方法，所述处理器13可执行所述多个指令从而实现：
[0181]
采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率；
[0182]
组合所述初始图像及所述转化图像，得到训练样本；
[0183]
获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失；
[0184]
利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得
到低质量图像识别模型；
[0185]
获取待识别图像，并对所述待识别图像进行预处理，得到目标图像；
[0186]
将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。
[0187]
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0188]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0189]
本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0190]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，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。
[0191]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0192]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0193]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0194]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0195]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。