一种基于信息过滤网络的图像超分辨实现算法的制作方法

本发明涉及图像处理技术领域，具体是一种基于信息过滤网络的图像超分辨实现算法。

背景技术：

图像超分辨率技术是指由一幅或多幅低分辨率图像或图像序列恢复出高分辨率图像的技术，其核心思想就是用时间分辨率换取更高的空间分辨率，目前主要有基于重建的超分辨率方法和基于学习的超分辨率方法两大类，但是其需要建立符合实际成像系统和成像条件的降质模型并对图像序列进行精确的亚像素运动估计，这在实际处理中都是非常困难的，且没有充分利用图像的先验信息。

中国专利公开了一种基于信息过滤网络的图像超分辨实现算法(授权公告号cn110223224a)，该专利技术由于每层滤波器数目相对较少，并且使用了群卷积，因此该网络算法具有执行速度快的优点，但是其图像的融合效果不佳，不能有效地消除图像中的无关信息，容易使得图像轮廓或线条变的模糊不清，进而不能很好地改善图像的视觉效果。因此，本领域技术人员提供了一种基于信息过滤网络的图像超分辨实现算法，以解决上述背景技术中提出的问题。

技术实现要素：

本发明的目的在于提供一种基于信息过滤网络的图像超分辨实现算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于信息过滤网络的图像超分辨实现算法，包括对比度度量模型、亮度度量模型、归一化技术、高斯金字塔和拉普拉斯金字塔；

所述对比度度量模型和亮度度量模型用于构造标量权重映射；所述归一化技术用于计算小批量中该特征的均值和方差，再减去均值并通过其小批量标准差来划分特征；所述高斯金字塔用于对图像进行倍数的缩放，所述拉普拉斯金字塔用于计算高斯金字塔的差值，得出图像的高频信息，并进行图像的复原重建。

作为本发明再进一步的方案：其实现方法包括以下步骤：

s1、定义各个输入图像的对比度度量模型和亮度度量模型；

s2、根据s1得到的结构，构造标量权重映射：

pi,j,k＝(ci,j,k)^a(li,j,k)^β

从而使得亮色及感兴趣区域能够得到大的权重，而低对比度得到较小的权重，便于图像更好地进行融合；

s3、当输入图像为n个时，产生相应的标量权重映射，引入归一化技术，共同实现归一化标量权重映射，公式如下：

s4、利用拉普拉斯金字塔分解，得到输入图像的层次结构，构建权重映射的拉普拉斯金字塔，利用高斯金字塔分解，并联合使用标量权重映射方式，构建权重映射的高斯金字塔；

s5、制定融合规则，综合利用高斯金字塔和拉普拉斯金字塔，得到需要的融合金字塔,公式如下：

其中，g0为原始图像，l为图像的第l层，gl表示第l层图像，n表示拉普拉斯金字塔和高斯金字塔的最高层标号；

s6、利用s6得到的融合金字塔进行逆向重构，完成图像增强。

作为本发明再进一步的方案：所述高斯金字塔和拉普拉斯金字塔融合前，对输入的低分辨率图像进行特征抽取，分割和匹配等预处理，图像预处理的主要目的是消除图像中的无关信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进图像融合的效果。

作为本发明再进一步的方案：所述图像预处理包括以下步骤：

s1、图像信号的数字化：采样并量化mxn点阵上的图像的灰度，从而得到计算机能够处理的数字图像；

s2、图像信号的平滑处理：利用中值法、局部求平均法或k近邻平均法减少或消除图像中随机噪声，在去噪声的同时，不能使得图像轮廓或线条变的模糊不清；

s3、图像信号的复原：把获取的退化图像g(x,y)看成是退化函数h(x,y)和理想图像f(x,y)的卷积，其傅里叶变换关系g(x,y)＝h(x,y)f(x,y)，根据退化机理确定退化函数后，便可以求出f(x,y)，再用傅里叶反变换求出f(x,y)，从而使得重新得到的图像尽可能与理想无退化的像场一样；

s4、图像信号的增强：通过高通滤波器突出图像的轮廓线，有选择地加强或抑制图像中的信息，改变图像灰调和突出细节，从而达到改善图像的视觉效果。

作为本发明再进一步的方案：所述融合金字塔用于将不同的空间频带上的源图像进行融合，针对不同分解层的不同频带上的特征与细节，采用不同的融合算子以达到突出特定频带上特征与细节的目的，从而将来自不同图像的特征与细节融合在一起。

与现有技术相比，本发明的有益效果：

通过图像的对比度度量模型和亮度度量模型构造标量权重映射，从而使得亮色及感兴趣区域能够得到大的权重，而低对比度得到较小的权重，便于图像更好地进行融合，通过引入归一化技术，共同实现归一化标量权重映射，通过高斯金字塔和拉普拉斯金字塔构造融合金字塔，从而可以有效地消除图像中的无关信息，提高图像轮廓或线条变的清晰度，从而可以很好地改善图像的视觉效果。

附图说明

图1为一种基于信息过滤网络的图像超分辨实现算法的结构示意图；

具体实施方式

请参阅图1，本发明实施例中，一种基于信息过滤网络的图像超分辨实现算法，包括对比度度量模型、亮度度量模型、归一化技术、高斯金字塔和拉普拉斯金字塔；

对比度度量模型和亮度度量模型用于构造标量权重映射；归一化技术用于计算小批量中该特征的均值和方差，再减去均值并通过其小批量标准差来划分特征；高斯金字塔用于对图像进行倍数的缩放，拉普拉斯金字塔用于计算高斯金字塔的差值，得出图像的高频信息，并进行图像的复原重建。

优先的，其实现方法包括以下步骤：

s1、定义各个输入图像的对比度度量模型和亮度度量模型；

s2、根据s1得到的结构，构造标量权重映射：

pi,j,k＝(ci,j,k)^a(li,j,k)^β

从而使得亮色及感兴趣区域能够得到大的权重，而低对比度得到较小的权重，便于图像更好地进行融合；

s3、当输入图像为n个时，产生相应的标量权重映射，引入归一化技术，共同实现归一化标量权重映射，公式如下：

s4、利用拉普拉斯金字塔分解，得到输入图像的层次结构，构建权重映射的拉普拉斯金字塔，利用高斯金字塔分解，并联合使用标量权重映射方式，构建权重映射的高斯金字塔；

s5、制定融合规则，综合利用高斯金字塔和拉普拉斯金字塔，得到需要的融合金字塔,公式如下：

其中，g0为原始图像，l为图像的第l层，gl表示第l层图像，n表示拉普拉斯金字塔和高斯金字塔的最高层标号；

s6、利用s6得到的融合金字塔进行逆向重构，完成图像增强。

优先的，高斯金字塔和拉普拉斯金字塔融合前，对输入的低分辨率图像进行特征抽取，分割和匹配等预处理，图像预处理的主要目的是消除图像中的无关信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进图像融合的效果。

优先的，图像预处理包括以下步骤：

s1、图像信号的数字化：采样并量化mxn点阵上的图像的灰度，从而得到计算机能够处理的数字图像；

s2、图像信号的平滑处理：利用中值法、局部求平均法或k近邻平均法减少或消除图像中随机噪声，在去噪声的同时，不能使得图像轮廓或线条变的模糊不清；

s3、图像信号的复原：把获取的退化图像g(x,y)看成是退化函数h(x,y)和理想图像f(x,y)的卷积，其傅里叶变换关系g(x,y)＝h(x,y)f(x,y)，根据退化机理确定退化函数后，便可以求出f(x,y)，再用傅里叶反变换求出f(x,y)，从而使得重新得到的图像尽可能与理想无退化的像场一样；

s4、图像信号的增强：通过高通滤波器突出图像的轮廓线，有选择地加强或抑制图像中的信息，改变图像灰调和突出细节，从而达到改善图像的视觉效果。

优先的，融合金字塔用于将不同的空间频带上的源图像进行融合，针对不同分解层的不同频带上的特征与细节，采用不同的融合算子以达到突出特定频带上特征与细节的目的，从而将来自不同图像的特征与细节融合在一起。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。