[發明專利]一種基于機器學習的超分辨率方法、介質及設備在審
| 申請號: | 201911149461.4 | 申請日: | 2019-11-21 |
| 公開(公告)號: | CN112825187A | 公開(公告)日: | 2021-05-21 |
| 發明(設計)人: | 何平征;林金發 | 申請(專利權)人: | 福州瑞芯微電子股份有限公司 |
| 主分類號: | G06T3/40 | 分類號: | G06T3/40;G06K9/62;G06N3/04;G06N3/08;G06F17/18 |
| 代理公司: | 上海光華專利事務所(普通合伙) 31219 | 代理人: | 徐秋平 |
| 地址: | 350003 福建省*** | 國省代碼: | 福建;35 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 基于 機器 學習 分辨率 方法 介質 設備 | ||
1.一種基于機器學習的超分辨率方法,其特征在于,所述基于機器學習的超分辨率方法包括:
獲取視頻圖像的內容統計特性;
根據所述視頻圖像的內容統計特性對所述視頻圖像進行分類,獲得至少一個分組;
根據各視頻圖像所屬的分組,結合視頻圖像的噪聲統計特性,選擇相應的機器學習模型進行超分辨率重建,獲得對應的高分辨率圖像。
2.根據權利要求1所述的基于機器學習的超分辨率方法,其特征在于,根據各視頻圖像所屬的分組,結合視頻圖像的噪聲統計特性,選擇相應的機器學習模型進行超分辨率重建,獲得對應的高分辨率圖像的一種實現方法包括:
對所述視頻圖像進行噪聲估計,獲取對應的噪聲等級分布圖;
將所述視頻圖像與對應的噪聲等級分布圖進行通道拼接,獲得對應的高維拼接圖像;
將所述高維拼接圖像作為所述相應的機器學習模型的輸入,所述相應的機器學習模型的輸出即為所述對應的高分辨率圖像。
3.根據權利要求2所述的基于機器學習的超分辨率方法,其特征在于:
各分組相應的機器學習模型經訓練得來;所述機器學習模型的訓練方法包括:
獲取多組數據作為第一訓練數據;各組數據包括屬于所述分組的帶壓縮噪聲的低分辨率圖像對應的高維拼接圖像以及對應的無壓縮噪聲的高分辨率圖像;
利用所述第一訓練數據對一機器學習模型進行訓練,獲得所述分組相應的機器學習模型。
4.根據權利要求1所述的基于機器學習的超分辨率方法,其特征在于,根據所述視頻圖像的內容統計特性對所述視頻圖像進行分類,獲得至少一個分組的一種實現方法包括:
獲取所述視頻圖像的信號特征以及噪聲水平;
根據內容統計特性對所述視頻圖像進行分類,獲得至少一類圖像;
根據噪聲水平對各類圖像進行二次分類,獲得至少一個子類;
根據信號特征對各子類進行再次分類,獲得至少一個分組。
5.根據權利要求4所述的基于機器學習的超分辨率方法,其特征在于,根據各視頻圖像所屬的分組,結合視頻圖像的噪聲統計特性,選擇相應的機器學習模型進行超分辨率重建,獲得對應的高分辨率圖像的一種實現方法包括:
將所述視頻圖像作為所述相應的機器學習模型的輸入,所述相應的機器學習模型的輸出即為所述對應的高分辨率圖像。
6.根據權利要求5所述的基于機器學習的超分辨率方法,其特征在于:
各分組相應的機器學習模型經訓練得來;所述機器學習模型的訓練方法包括:
獲取多組數據作為第二訓練數據;各組數據包括屬于所述分組的帶壓縮噪聲的低分辨率圖像以及對應的無壓縮噪聲的高分辨率圖像;
利用所述第二訓練數據對一機器學習模型進行訓練,獲得所述分組相應的機器學習模型。
7.根據權利要求1-6任一項所述的基于機器學習的超分辨率方法,其特征在于:所述機器學習模型為神經網絡模型。
8.根據權利要求4-6任一項所述的基于機器學習的超分辨率方法,其特征在于:所述機器學習模型為多個濾波器組。
9.一種計算機可讀存儲介質,其上存儲有計算機程序,其特征在于:該計算機程序被處理器執行時實現權利要求1-8任一項所述的基于機器學習的超分辨率方法。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于福州瑞芯微電子股份有限公司,未經福州瑞芯微電子股份有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201911149461.4/1.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:一種拉鏈布帶、注塑拉鏈及其制備方法
- 下一篇:測試模型的構建方法和構建系統





