一种基于Hodges-Lehmann的消防危险品图像超分方法及装置

一种基于hodges-lehmann的消防危险品图像超分方法及装置
技术领域
1.本发明涉及安全工程技术领域，特别是指一种基于hodges-lehmann的消防危险品图像超分方法及装置。


背景技术：

2.图像视频作为一个信息传递的载体时时刻刻在人们的日常生活中发挥着极其重要的作用，人类社会每天都会产生不计其数的图像与视频信息。随着人工智能和计算机视觉技术的发展，图像识别技术逐渐应用于文物古建筑中进行危险品的识别。然而，由于有效距离、设备硬件和存储单元等储存条件的限制，导致采集的图像分辨率质量不高；尤其是拍摄的图像中存在很多小尺寸目标，这些小尺寸目标缺乏足够的细节信息，这导致他们容易被错误分类，影响识别精度。这可能使一些小型点火源等危险品无法精准识别，从而导致十分严重的事故，因此需要提出一种有效且实时性的图像超分技术对采集的图像进行重建。
3.在数值分析中，双三次插值是二维空间中最常用的插值方法。在这种方法中，插值点(x, y)的像素灰度值f(x, y)通过矩形网格中最近的十六个采样点的加权平均得到，而各采样点的权重由该点到待求插值点的距离确定，此距离包括水平和竖直两个方向上的距离。但4
×
4大小的区域内的16个像素点均不在区域内的几何中心上，这样计算出插值核中各点的权重可能存在权重数值分布不均，距离中心点越远的点权重越小，外围点对插值点的计算贡献度微乎其微，从而使得图像边缘模糊，双三次插值计算量很大等问题。因此本专利提出一种基于hodges-lehmann（hl）的双三次插值算法，旨在消除边缘模糊提升识别图像质量的同时减少算法的计算量。
4.目前基于学习的图像超分技术能够重建更好的分辨率图像，但是大多数算法无法在移动端部署或实际应用，少有真正基于超分需求建立的网络，多数是通用型架构，而且需要依赖大量的数据集进行训练。传统的基于插值的图像超分技术相对基于学习的方法更为简单有效，但是往往重建结果的边缘和轮廓较为模糊，纹理恢复效果不佳。即是效果最好的双三次插值，由于计算出插值核中各点的权重可能存在权重数值分布不均，距离中心点越远的点权重越小，外围点对插值点的计算贡献度微乎其微，从而使得图像边缘细节损失，而使重建的图像边缘轮廓模糊。


技术实现要素：

5.针对现有技术中由于图像边缘细节损失，而使重建的图像边缘轮廓模糊的问题，本发明提出了一种基于hodges-lehmann的消防危险品图像超分方法及装置。
6.为解决上述技术问题，本发明提供如下技术方案：一方面，提供了一种基于hodges-lehmann的消防危险品图像超分方法，该方法应用于电子设备，包括以下步骤：s1：通过危险品的原始图像，获取待检测图像中多个像素点的各颜色通道下的灰度值矩阵；
s2：对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像，构建矩形网格，选取矩形网格中距离目标像点最近的十六个采样点；s3：根据所述十六个采样点，计算插值核内像素值的hodges-lehmann值，更新目标像点的像素值；s4：根据所述插值核内像素值的hodges-lehmann值，设定图像超分评估指标，完成基于hodges-lehmann的消防危险品图像超分。
7.可选地，步骤s1中，通过危险品的原始图像，获取待检测图像中多个像素点的各颜色通道下的灰度值矩阵，包括：s11：采集原始图像rgb颜色通道的灰度矩阵，记为原始像素矩阵，记第行、第列的像素点为，彩色值为；s12：对原始像素矩阵进行0值加边填充，获得待检测图像，以及检测图像的灰度值矩阵。
8.可选地，步骤s2中，对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像，构建矩形网格，选取矩形网格中距离目标像点最近的十六个采样点，包括：s21：对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像；其中所述重构图像中待插入像素点的坐标为，缩放倍数为，则映射到原始图像中点坐标的计算公式如下述公式（1）所示：s22：判定中心点p，构建矩形网格；s23：根据所述中心点p，通过插值运算法，选取矩形网格中距离目标像点最近的十六个采样点，得到插值点的像素灰度值，其中，采样点与目标像点的距离包括水平和竖直两个方向上的距离。
9.可选地，步骤s22中，判定中心点p，构建矩形网格，包括：设定中心点p落在映射后的图像区域内，则以p为中心，对所述图像区域进行左上、右上、左下、右下四个区域的正方形划分，则对应中心点p的区域四角选取分别为a、b、c、d四点，构建矩形网格。
10.可选地，步骤s3中，根据所述十六个采样点，计算插值核内像素值的hodges-lehmann值，更新目标像点的像素值，包括：s31：将确定的十六个采样点看成4
×
4矩阵；s32：将所有像素值进行展平排列，，并进行两两配对，并将配对结果置于集合中；其中表示像素值矩阵中的像素值；s33：计算每个配对像素的平均值，并将计算结果保存至新的集合中，待所有配对像素的平均值计算完成后，计算新的集合中所有元素的中位数，根据下述公式（2）
得到插值核内像素灰度值的hl值：其中，表示hodges-lehmann值；median函数为中位数计算函数；表示缩放后插值所对应的像素值。
11.可选地，步骤s4，根据所述插值核内像素值的hodges-lehmann值，设定图像超分评估指标，完成基于hodges-lehmann的消防危险品图像超分，包括：s41：将原始图像像素值和hodges-lehmann值对比，进行峰值信噪比评估；s42：通过计算协方差作为图像结构相似性程度的度量值，通过计算均值作为图像亮度估计值，通过计算标准差作为图像对比度估计值，进行结构相似度ssim评估；s43：综合所述峰值信噪比评估结果以及ssim评估结果，完成基于hodges-lehmann的消防危险品图像超分。
12.一方面，提供了一种基于hodges-lehmann的消防危险品图像超分装置，该装置应用于电子设备，该装置包括：初始化模块，用于通过危险品的原始图像，获取待检测图像中多个像素点的各颜色通道下的灰度值矩阵；缩放模块，用于对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像，选取矩形网格中距离目标像点最近的十六个采样点；hl值计算模块，用于根据所示十六个采样点，计算插值核内像素值的hodges-lehmann值，更新目标像点的像素值；超分评估模块，用于根据所述插值核内像素值的hodges-lehmann值，设定图像超分评估指标，完成基于hodges-lehmann的消防危险品图像超分。
13.可选地，初始化模块，用于采集原始图像rgb颜色通道的灰度矩阵，记第行、第列的像素点为，彩色值为；对原始像素矩阵进行0值加边填充，获得待检测图像，以及所述检测图像的灰度值矩阵。
14.可选地，缩放模块，用于对原始图像进行缩放获得重构图像，其中所述重构图像中待插入像素点的坐标为，缩放倍数为，则映射到原始图像中点坐标的计算公式如下述公式（1）所示：通过插值运算法判定中心点p；其中，所述距离包括水平和数值两个方向上的距离；插值点的像素灰度值通过矩形网格中最近的十六个采样点得到，而各采样点由该点到待求插值点的距离确定。
15.可选地，缩放模块，用于将图像区域进行左上、右上、左下、右下四个区域的正方形
划分，则对应中心点p的区域四角选取分别为a、b、c、d四点，则以p点为中心确定周边十六个采样点的位置与坐标。
16.一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种基于hodges-lehmann的消防危险品图像超分方法。
17.一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种基于hodges-lehmann的消防危险品图像超分方法。
18.本发明实施例的上述技术方案至少具有如下有益效果：上述方案中，本发明提供的基于hodges-lehmann统计量的图像超分算法，通过对插值核中16个像素点进行稳健性估计，更新目标像素点灰度值，不会出现权重分布不均等现象，增强图像边缘轮廓，为识别小尺寸目标图像引入更多细节信息，提升识别精度。
附图说明
19.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本发明实施例提供的一种基于hodges-lehmann的消防危险品图像超分方法的流程图；图2是本发明实施例提供的一种基于hodges-lehmann的消防危险品图像超分方法的流程图；图3是本发明实施例提供的一种基于hodges-lehmann的消防危险品图像超分方法的插值点的简单判定方法图；图4是本发明实施例提供的一种一种基于hodges-lehmann的消防危险品图像超分方法的高清图像与低清图像映射关系图图5是本发明实施例提供的一种基于hodges-lehmann的消防危险品图像超分装置框图；图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
21.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
22.本发明实施例提供了一种基于hodges-lehmann的消防危险品图像超分方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的基于hodges-lehmann的消防危险品图像超分方法流程图，该方法的处理流程可以包括如下的步骤：s101：通过危险品的原始图像，获取危险品待检测图像中多个像素点的各颜色通道下的灰度值矩阵；s102：对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到
原始图像，构建矩形网格，选取矩形网格中距离目标像点最近的十六个采样点；s103：根据所述十六个采样点，计算插值核内像素值的hodges-lehmann值，更新目标像点的像素值；s104：根据所述插值核内像素值的hodges-lehmann值，设定图像超分评估指标，完成基于hodges-lehmann的消防危险品图像超分。
23.可选地，步骤s101中，通过危险品的原始图像，获取危险品待检测图像中多个像素点的各颜色通道下的灰度值矩阵，包括：s111：采集原始图像rgb颜色通道的灰度矩阵，记为原始像素矩阵，记第行、第列的像素点为，彩色值为；s112：对原始像素矩阵进行0值加边填充，获得待检测图像，以及检测图像的灰度值矩阵。
24.可选地，步骤s102中，对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像，构建矩形网格，选取矩形网格中距离目标像点最近的十六个采样点，包括：s121：对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像；其中所述重构图像中待插入像素点的坐标为，缩放倍数为，则映射到原始图像中点坐标的计算公式如下述公式（1）所示：s122：判定中心点p，构建矩形网格；s123：根据所述中心点p，通过插值运算法，选取矩形网格中距离目标像点最近的十六个采样点，得到插值点的像素灰度值，其中，采样点与目标像点的距离包括水平和竖直两个方向上的距离。
25.可选地，步骤s122中，判定中心点p，构建矩形网格，包括：设定中心点p落在映射后的图像区域内，则以p为中心，对所述图像区域进行左上、右上、左下、右下四个区域的正方形划分，则对应中心点p的区域四角选取分别为a、b、c、d四点，构建矩形网格。
26.可选地，步骤s103中，根据所述十六个采样点，计算插值核内像素值的hodges-lehmann值，更新目标像点的像素值，包括：s131：将确定的十六个采样点看成4
×
4矩阵；s132：将所有像素值进行展平排列，，并进行两两配对，并将配对结果置于集合中；其中表示像素值矩阵中的像素值；s133：计算每个配对像素的平均值，并将计算结果保存至新的集合中，待所有配对像素的平均值计算完成后，计算新的集合中所有元素的中位数，根据下述公式（2）得到插值核内像素灰度值的hl值：
其中，表示hodges-lehmann值；median函数为中位数计算函数；表示缩放后插值所对应的像素值。
27.可选地，步骤s104，根据所述插值核内像素值的hodges-lehmann值，设定图像超分评估指标，完成基于hodges-lehmann的消防危险品图像超分，包括：s141：将原始图像像素值和hodges-lehmann值对比，进行峰值信噪比评估；s142：通过计算协方差作为图像结构相似性程度的度量值，通过计算均值作为图像亮度估计值，通过计算标准差作为图像对比度估计值，进行结构相似度ssim评估；s143：综合所述峰值信噪比评估结果以及ssim评估结果，完成基于hodges-lehmann的消防危险品图像超分。
28.本发明实施例中，本发明提供的基于hodges-lehmann统计量的图像超分算法，通过对插值核中16个像素点进行稳健性估计，更新目标像素点灰度值，不会出现权重分布不均等现象，增强图像边缘轮廓，为识别小尺寸目标图像引入更多细节信息，提升识别精度。
29.本发明实施例提供了一种基于hodges-lehmann的消防危险品图像超分方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图2所示的基于hodges-lehmann的消防危险品图像超分方法流程图，该方法的处理流程可以包括如下的步骤：s201：采集原始图像rgb颜色通道的灰度矩阵，记为原始像素矩阵，记第行、第列的像素点为列的像素点为，彩色值为。
30.一种可行的实施方式中，首先采集目标图像rgb颜色通道的灰度矩阵，记某一第行、第列的像素点为，其色彩值为，为方便描述，下面统一引用代表某一色彩通道下像素点的灰度值。
31.s202：对原始像素矩阵进行0值加边填充，获得待检测图像，以及待检测图像的灰度值矩阵。
32.一种可行的实施方式中，对原始像素矩阵四边进行0值加边填充一层，生成一幅新的待检图像。
33.该新待检图像卷积窗口内的像素值矩阵表达如下式所示：
其中为中心像素的灰度值。
34.s203：对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像；其中所述重构图像中待插入像素点的坐标为，缩放倍数为，则映射到原始图像中点坐标的计算公式如下述公式（1）所示： s204：判定中心点p，构建矩形网格；s205：根据所述中心点p，通过插值运算法，选取矩形网格中距离目标像点最近的十六个采样点，得到插值点的像素灰度值，其中，采样点与目标像点的距离包括水平和竖直两个方向上的距离。
35.一种可行的实施方式中，在进行插值运算时，首先需要确定16个点像素值，插值点的像素灰度值通过矩形网格中最近的十六个采样点得到，而各采样点由该点到待求插值点的距离确定，此距离包括水平和竖直两个方向上的距离。
36.一种可行的实施方式中，假设重构图像中待插入像素点的坐标为，缩放倍数为h，其映射到低清图像中点坐标计算公式如式（1）所示，这样的计算方式可以保证对图像中的点和线段的位置关系对应，缩放相同倍数而不产生偏移，映射关系如图4中的b.放大图像所示。
37.一种可行的实施方式中，通过插值运算法判定中心点包括：将图像区域进行左上、右上、左下、右下四个区域的正方形划分，则对应中心点p的区域四角选取分别为a、b、c、d四点，则以p点为中心确定周边十六个采样点的位置与坐标。
38.一种可行的实施方式中，本实施例介绍一个简单的判定中心点 的方法，如图3所示，如果p点的坐标落在左上、右上、左下、右下的区域，则对应中心点的选取分别为a、b、c、d点。之后按照图4中以p点为中心的位置关系确定16个点的位置与坐标即可。
39.在图4中的虚线区域是边界长度为1的正方形，如果根据计算待插入点的坐标映射至低清图像后位于的范围内，则根据如图4中的a.原图像所示的位置关系确定周边16个点的位置和像素值，其中点代表的是每一个像素格子的中心。设定映射至低清图像点的为p，到y轴距离为u，x轴距离为v，则p点的坐标为，如果a1点坐标的小数部分满足|u|《0.5且|v|《0.5，则根据p点为中心点确定周边16个点的位置与像素值。
40.s206：将确定的十六个采样点看成4
×
4矩阵；s207：将所有像素值进行展平排列，，并进行两两配对，并将配对结果置于集合中；其中表示像素值矩阵中的像素值；s208：计算每个配对像素的平均值，并将计算结果保存至新的集合中，待所有配对像素的平均值计算完成后，计算新的集合中所有元素的中位数，根据下述公式（2）得到插值核内像素灰度值的hl值：其中，表示hl值；表示缩放后插值所对应的像素值。
41.一种可行的实施方式中，把上述确定的16点（原始图像中加边处理后图像）看成4
×
4矩阵，然后将所有像素值进行展平排列，之后进行两两配对，并将两两配对后的值置于一集合。
42.计算其中每个元素的平均值，并将两两配对后的值计算结果保存至新的集合中，待所有配对像素均值计算完成后，计算其相应集合中所有元素的中位数，得到该插值核内像素灰度值的hl值。
43.将计算得到的hl值插值到目标图像的待求像素点，即可得出目标图像像素值；上述所有计算仅针对于某单一颜色通道的灰度空间，该中心像素最终色彩修正值为。
44.s209：将原始图像像素值和hodges-lehmann值对比，进行峰值信噪比评估；一种可行的实施方式中，峰值信噪比（peak signal noise ratio，psnr）是一种客观评价方法，根据一个定量分析的数学模型来评估实验结果所得图像的得分，得分用以评判图像的优劣，算法的性能。其流程一般先对原始图像做降质处理，随后通过各个图像插值算法对降质图像进行计算得到重构图像，通过对不同算法处理得到的结果进行比较或者与原始图像进行对比从而度量算法的性能。一般算法处理后的结果与原始图像越接近则算法的性能越高，误差越小，则算法的效果越好。具体公式如下所示：公式（3）中mse表示均方差，
푋
(
푖
, 푗
)和
푌
(
푖
, 푗
)分表示在图像客观评价中需要对比的两幅图像，即原始图像像素值和高清图像映射求得的hl值对比。若均方误差的数值越小，则表明算法处理的效果越好，m和n分别表示以上两幅图像中像素点的个数。psnr在均方
差的基础上进行计算，如公式（4）所示。
45.max表示图像中颜色最大的数值，比如对于8位就是255。峰值信噪比的单位是db，psnr值越高则表示插值算法的结果越接近于原始图像，插值算法的性能越高。psnr算法的原理是计算两幅对比图像各个位置上像素值的误差来衡量与原始图像的差异。
46.s210：通过计算协方差作为图像结构相似性程度的度量，通过计算均值作为图像亮度估计值，通过计算标准差作为图像对比度估计值，进行结构相似度ssim评估；一种可行的实施方式中，结构相似度（structural similarity index，ssim index）多用于衡量两幅图像之间的相似度。ssim主要包括图像的结构，亮度和对比度三个要素。计算时ssim通过计算协方差作为图像结构相似性程度的度量，通过计算均值作为图像亮度估计值，通过计算标准差作为图像对比度估计值，其具体的计算公式如式（5）所示。
47.其中，公式（5）中，x和y分表示在图像客观评价中需要对比的两幅图像像素值，即原始图像像素值和高清图像映射求得的hl值。是x的平均值，是y的平均值，是x的方差，是y的方差，是xy的协方差，是用来维持稳定的常数。l是像素值的动态范围。，。ssim的分布单位在区间上，其值越小则表明两幅图像的相似程度越低。ssim值越大表明参与评估的两幅图像结构相似性很高，差异很小。
48.s211：综合峰值信噪比评估结果以及ssim评估结果，完成基于hodges-lehmann的消防危险品图像超分。
49.本发明实施例中，针对于小目标尺寸图像中信息不完整，本发明考虑采用hodges-lehmann统计量对插值核内像素灰度值概率分布的均值进行稳健性估计。hl是观测值有可加性误差时未知参数的一种估计，可以避免异常观测值影响，从而提升图像质量。且由于hl值对统计异常值存在失效点，相较于插值方法能够更加合理地估计目标像点的统计学特征，在一定程度上综合考虑了边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对危险品图像重建的同时保留图像边界信息。传统的插值方法通过加权求和得出目标像素值，其中外围点对插值点的计算贡献度微乎其微，从而使得图像边缘模糊，基于稳健参数hl求得目标值则能更加全面的考虑目标点周围所选取的像点，使得重建的高分辨率图像相对传统方法更加清晰。
50.图5是根据一示例性实施例示出的一种基于hodges-lehmann的消防危险品图像超分装置框图。参照图5，该装置300包括：初始化模块310，用于通过危险品的原始图像，获取危险品待检测图像中多个像素
点的各颜色通道下的灰度值矩阵；缩放模块320，用于对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像，构建矩形网格，选取矩形网格中距离目标像点最近的十六个采样点；hl值计算模块330，用于根据所述十六个采样点，计算插值核内像素值的hodges-lehmann值，更新目标像点的像素值；超分评估模块340，用于根据所述插值核内像素值的hodges-lehmann值，设定图像超分评估指标，完成基于hodges-lehmann的消防危险品图像超分。
51.可选地，初始化模块，用于采集原始图像rgb颜色通道的灰度矩阵，记第行、第列的像素点为，彩色值为；对原始像素矩阵进行0值加边填充，获得待检测图像，以及所述待检测图像的灰度值矩阵。
52.可选地，缩放模块，用于对原始图像进行缩放获得重构图像，其中所述重构图像中待插入像素点的坐标为，缩放倍数为，则映射到原始图像中点坐标的计算公式如下述公式（1）所示：通过插值运算法判定中心点p；其中，所述距离包括水平和数值两个方向上的距离；插值点的像素灰度值通过矩形网格中最近的十六个采样点得到，而各采样点由该点到待求插值点的距离确定。
53.可选地，缩放模块，用于将图像区域进行左上、右上、左下、右下四个区域的正方形划分，则对应中心点p的区域四角选取分别为a、b、c、d四点，则以p点为中心确定周边十六个采样点的位置与坐标。
54.可选地，hl值计算模块330，用于将确定的十六个采样点看成4
×
4矩阵；将所有像素值进行展平排列，，并进行两两配对，并将配对结果置于集合中；其中表示像素值矩阵中的像素值；计算每个配对像素的平均值，并将计算结果保存至新的集合中，待所有配对像素的平均值计算完成后，计算新的集合中所有元素的中位数，根据下述公式（2）得到插值核内像素灰度值的hl值：其中，表示hodges-lehmann值；median函数为中位数计算函数；表示缩放后插值所对应的像素值。
55.可选地，超分评估模块340，用于将原始图像像素值和hl值对比，进行峰值信噪比
评估；通过计算协方差作为图像结构相似性程度的度量，通过计算均值作为图像亮度估计值，通过计算标准差作为图像对比度估计值，进行结构相似度ssim评估；综合所述峰值信噪比评估结果以及ssim评估结果，完成基于hodges-lehmann的消防危险品图像超分。
56.通过上述方式，本发明基于hodges-lehmann的消防危险品图像超分方法和装置的有益效果表现为：针对于小目标尺寸图像中信息不完整，本发明考虑采用hodges-lehmann统计量对插值核内像素灰度值概率分布的均值进行稳健性估计。hl是观测值有可加性误差时未知参数的一种估计，可以避免异常观测值影响，从而提升图像质量。且由于hl值对统计异常值存在失效点，相较于插值方法能够更加合理地估计目标像点的统计学特征，在一定程度上综合考虑了边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对危险品图像重建的同时保留图像边界信息。传统的插值方法通过加权求和得出目标像素值，其中外围点对插值点的计算贡献度微乎其微，从而使得图像边缘模糊，基于稳健参数hl求得目标值则能更加全面的考虑目标点周围所选取的像点，使得重建的高分辨率图像相对传统方法更加清晰。
57.图6是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）401和一个或一个以上的存储器402，其中，所述存储器402中存储有至少一条指令，所述至少一条指令由所述处理器401加载并执行以实现下述基于hodges-lehmann的消防危险品图像超分方法的步骤：s1：通过危险品的原始图像，获取危险品待检测图像中多个像素点的各颜色通道下的灰度值矩阵；s2：对原始图像进行缩放获得重构图像，将所述重构图像根据缩放倍数映射到原始图像，构建矩形网格，选取矩形网格中距离目标像点最近的十六个采样点；s3：根据所述十六个采样点，计算插值核内像素值的hodges-lehmann值，更新目标像点的像素值；s4：根据所述插值核内像素值的hodges-lehmann值，设定图像超分评估指标，完成基于hodges-lehmann的消防危险品图像超分。
58.在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于hodges-lehmann的消防危险品图像超分方法。例如，所述计算机可读存储介质可以是rom、随机存取存储器（ram）、cd-rom、磁带、软盘和光数据存储设备等。
59.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
60.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。