买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西京学院申请的专利一种分层图像超分辨率方法、系统、计算机设备及应用获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN111968036B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202010832094.4，技术领域涉及：G06T3/4076；该发明授权一种分层图像超分辨率方法、系统、计算机设备及应用是由刘哲;任义烽;乌伟设计研发完成，并于2020-08-18向国家知识产权局提交的专利申请。

本一种分层图像超分辨率方法、系统、计算机设备及应用在说明书摘要公布了：本发明属于图像处理技术领域，公开了一种分层图像超分辨率方法、系统、计算机设备及应用，使用图像数据集DIV2K作为训练集，基于引导滤波器对训练样本进行分层；设计两个深度残差卷积网络DLRCN和DGRCN，分别用于细节图像的训练和平滑图像的训练；分别用细节图像样本训练集对深度局部残差卷积网DLRCN进行训练，用平滑图像样本训练集对深度全局残差卷积网DGRCN进行训练；分别用细节图像测试样本集对深度局部残差卷积网DLRCN进行训练，用平滑图像测试样本集对深度全局残差卷积网DGRCN进行训练，验证所提模型的准确性和可靠性。本发明分别对细节层和平滑层进行超分辨率和融合，提高了图像分辨率和增强细节。

本发明授权一种分层图像超分辨率方法、系统、计算机设备及应用在权利要求书中公布了：1.一种分层图像超分辨率方法，其特征在于，所述分层图像超分辨率方法包括： 使用图像数据集DIV2K作为训练集，基于引导滤波器对训练样本进行分层，利用公式分别将LR样本图像分为细节图像和平滑图像，将HR样本图像分为细节图像和平滑图像，并建立一一对应关系；形成了两个样本训练集，一个是细节图像样本训练集，一个是平滑图像样本训练集； 设计两个深度残差卷积网络DLRCN和DGRCN，分别用于细节图像的训练和平滑图像的训练； 分别用细节图像样本训练集对深度局部残差卷积网DLRCN进行训练，用平滑图像样本训练集对深度全局残差卷积网DGRCN进行训练； 分别用细节图像测试样本集对深度局部残差卷积网DLRCN进行训练，用平滑图像测试样本集对深度全局残差卷积网DGRCN进行训练，验证所提模型的准确性和可靠性； 所述分层图像超分辨率方法建立训练集：使用图像数据集DIV2K作为训练集，从DIV2K中选取400幅图像来构建LR-HR训练样本库； 所述分层图像超分辨率方法的图像分层利用引导图像的结构变化，对输入的图像进行引导滤波，最终输出图像既保留了输入图像的整体特征，获取引导图像的变化细节；引导滤波器的算法为引导图像I和滤波输出图像q之间是局部线性模型，在以像素点k为中心的窗口Wk中，输出图像q是引导图像I的线性变换： 式中：ak,bk为常量，该线性模型假定当且仅当引导图像I有边缘时q才会有边缘，为了求出线性系数ak,bk要对滤波输入图像p进行约束；输出图像q是由输入图像p减去噪声n得到的： qi＝pi-ni； 为了求出线性系数ak,bk的最优解，要使q和p之间的差异最小，等价为最小化窗口Wk中的代价函数： 其中λ为小于1的正则化参数，公式是一个线性回归模型，最优解是： 由引导滤波器的性质知，由式qi＝akIi+bk得到的引导滤波器的输出图像q，其保持了引导图像I的边缘，于是利用式Ienhance＝KI-q+q对引导滤波器输出图像q进行细节增强： Ienhance＝KI-q+q； 其中，Ienhance表示细节增强图像，K表示细节放大倍数，根据式Ienhance＝KI-q+q对图像I进行分层，分为细节层Idetail和平滑层Ismooth，用公式表示如下： Idetail＝Ienhance-I； Ismooth＝2I-Ienhance； I＝Idetail+Ismooth； 图像经过分层后就分为两部分，分别为细节层和平滑层，即一幅图像由细节图像和平滑图像构成，细节图像代表图像的高频部分，平滑图像代表图像的低频部分； 所述分层图像超分辨率方法建立的模型通过引导滤波器可以把一幅图像分为细节图像和平滑图像两部分，根据细节图像和平滑图像的不同特性，采用不同的网络结构对细节图像和平滑图像分别进行超分辨率重建，合并这部分的超分辨率结果，得到整幅图像的超分辨率结果； 深度局部残差卷积网DLRCN用于细节图像超分辨率重建，为局部残差卷积网，DLRCN网络结构由3部分组成，分别是： a特征提取层Conv+PReLU：采用核尺寸为3×3×c的64个卷积核生成64个特征图，使用PReLU对特征图进行非线性变换，形成非线性特征映射图，设步长为1，c为通道数，灰度图像通道数为1，彩色图像通道数为3； b局部残差非线性映射层：局部残差非线性映射层由M个残差卷积块ResidualBlock串联构成，每个ResidualBlock由Conv+BN+PReLU+Conv构成：非线性映射层由M层ResidualBlock构成，每层中包含64个大小为3×3的卷积核，完成对64个特征图的滤波，并且将批量归一化BN加在卷积和PReLU之间，以解决网络内部协变量转变的问题，步长设为1； c反卷积层Deconv：网络末端为反卷积层，该层使用一组反卷积滤波器对输出的残差图像进行上采样；反卷积层使用5×5卷积核，步长为放大因子m； 所述分层图像超分辨率方法建立的深度全局残差卷积网DGRCN用于平滑图像超分辨率重建，DGRCN网络结构也由3部分组成，分别是： a特征提取层Conv+PReLU：采用核尺寸为3×3×c的64个卷积核生成64个特征图，使用PReLU对特征图进行非线性变换，形成非线性特征映射图，设步长为1，c为通道数，灰度图像通道数为1，彩色图像通道数为3； b非线性映射层：非线性映射层由M个卷积块ConvBlock串联构成，每个ConvBlock由Conv+BN+PReLU构成：非线性映射层每层中包含64个大小为3×3的卷积核，完成对64个特征图的滤波，并且将批量归一化BN加在卷积和PReLU之间，步长设为1； c反卷积层Deconv：网络末端为反卷积层，该层使用一组反卷积滤波器对输出的残差图像进行上采样，反卷积层使用5×5卷积核，步长为放大因子m。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西京学院，其通讯地址为：710100 陕西省西安市长安区西京路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。