基于噪声水平的图像超分方法与流程

技术特征：
1.基于噪声水平的图像超分方法，其特征在于，包括预处理模块、图像增强模块和重建模块，方法包括：图像数据准备，构建图像超分数据库，对图像进行图像块采样，并对图像块进行处理得到低分辨率图像块；图像预处理，通过多尺度的图像预处理模块对低分辨率图像块进行处理；图像的增强，通过图像增强模块，对预处理后的图像块进行增强；图像重建，通过重建模块，对图像块进行重建；模型的训练，将预处理模块、图像增强模块和重建模块进行连接构成超分模型，并同时训练这三个模块。2.根据权利要求1所述的基于噪声水平的图像超分方法，其特征在于，数据准备包括，获取高分辨率的图像，通过图像数据库获取高分辨率的图像；图像块的获取，对于获取的高分辨率的图像，通过设置的图像块大小进行图像块的采样，获取多个图像块；低分辨率图像的获取，对图像块进行模糊、加噪和下采样处理得到低分辨率的图像块。3.根据权利要求1所述的基于噪声水平的图像超分方法，其特征在于，图像预处理模块包括1个卷积层，9个doubleconv2d模块，4个下采样层，4个上采样层和4个拼接层；其中，第一个卷积层的内核大小为3*3，数量为16，填充模式是same，步长为1；doubleconv2d模块的卷积层的内核大小均为3*3，数量与输入特征图一样，填充模式是same，步长为1；下采样采用的步长为2的卷积层，内核大小均为3*3，数量是输入特征图的2倍，填充模式是same；上采样采用双线性插值方法进行采样；拼接层是将2个输入特征图在通道维度进行拼接。4.根据权利要求1所述的基于噪声水平的图像超分方法，其特征在于，增强模块为噪声水平增强模块，包括3个卷积层、2个上采样层、1个leakyrelu激活层和1个变换操作；其中，卷积层的内核大小均为3*3，填充模式是same，步长为1，内核数量分别为3、3、16；上采样均采用双线性插值方法；leakyrelu激活层的负斜率参数为0.1；变换操作的输入是低分辨率图像对应的噪声水平参数组成的向量，与随机初始化可训练的正态分布的矩阵参数进行线性变换。5.根据权利要求1所述的基于噪声水平的图像超分方法，其特征在于，重建模块为基于残差模块的图像重建模块，包括1个卷积层，6个resblock模块，2个卷积层，1个add层，输入为图像增强模块后的特征图，输出为重建后的超分结果；resblock由1个卷积层，1个leakyrelu激活层，1个卷积层构成；卷积层的内核大小均为3*3，除了最后一个卷积层的内核数量为3，其余数量均为64，且卷积步长均为1；leakyrelu激活层的负斜率参数为0.1。6.根据权利要求1所述的基于噪声水平的图像超分方法，其特征在于，模型的训练包括损失函数的计算，损失函数为：
其中，表示清晰的高分辨率图像在位置(x,y)的像素值，表示低分辨率图像i
lr
经过超分模型g超分后的图像在位置(x,y)的像素值，w，h分别是图像的宽度和高度；训练参数通过adam算法对训练参数进行优化，其中设置训练参数，初始学习率设为10-4
，训练迭代次数设定为200个epoch，每训练50个epoch，学习率降1/2。

技术总结
本发明涉及图像处理技术，公开了基于噪声水平的图像超分方法，其包括预处理模块、图像增强模块和重建模块，方法包括：构建图像超分数据库，对图像进行图像块采样，并对图像块进行处理得到低分辨率图像块；通过多尺度的图像预处理模块对低分辨率图像块进行处理；通过图像增强模块，对预处理后的图像块进行增强；通过重建模块，残差网络结构对图像块进行重建；对于预处理后的图像、增强的图像和重建后的图像进行拼接构成超分模型，并同时模型的训练预处理模块、图像增强模块和重建模块三个模块。本发明通过预处理模块、增强模块、重建模块，可以实现更好的超分效果，让用户在高清设备端观看有清晰的视觉感受。看有清晰的视觉感受。看有清晰的视觉感受。


技术研发人员：徐烂烂 陈梅丽 谢亚光 孙彦龙
受保护的技术使用者：杭州当虹科技股份有限公司
技术研发日：2021.11.22
技术公布日：2022/4/8