【技術實現步驟摘要】
本專利技術屬于圖像處理，具體涉及一種基于real-esrgan改進的文檔圖像超分辨方法及系統。
技術介紹
1、隨著互聯網的高速發展，文檔圖像在傳播過程中時常出現圖像分辨率和需求不匹配的情況，因此，將圖像進行從低分辨率到高分辨率的重建就變得十分有必要。由于圖像在傳輸過程中遭受的復雜退化過程，很難獲取到像素對齊的高分辨率和低分辨率圖像，為了解決這一問題，real-esrgan通過將高分辨率圖像經過復雜退化模型模擬出低分辨圖像形成數據對來進行訓練，在自然圖像超分任務中取得了較好的超分效果。但用real-esrgan處理文檔圖像超分辨時，超分結果會出現偽影、錯誤特征以及線條扭曲等現象，使得其無法滿足文檔圖像在互聯網傳播中的要求。
技術實現思路
1、本專利技術旨在至少在一定程度上解決上述相關技術中的技術問題之一。
2、為此，本專利技術的目的在于提供一種基于real-esrgan改進的文檔圖像超分辨方法及系統，能夠有效提高文檔圖像超分辨的精度，避免出現偽影、錯誤特征以及線條扭曲等現象。
3、為了解決上述技術問題，本專利技術是這樣實現的：
4、本專利技術實施例提供了一種基于real-esrgan改進的文檔圖像超分辨方法，所述超分辨方法包括：
5、s1、構建訓練集：確定訓練使用圖片，對每張圖片進行預處理，得到模型訓練用高分辨率圖片和低分辨率圖片，構成訓練集；
6、s2、模型設計：用邊緣細節增強模塊替換real-esrgan模型中的殘差密集
7、s3、用s1構建的訓練集對s2得到的邊緣細節增強的real-esrgan模型進行訓練，得到文檔圖像超分辨模型；
8、s4、用訓練好的文檔圖像超分辨模型對待處理文檔圖像進行超分辨處理。
9、另外，根據本專利技術的基于real-esrgan改進的文檔圖像超分辨方法，還可以具有如下附加的技術特征：
10、在其中的一些實施方式中，對圖片進行預處理的內容包括：
11、s11、將圖片分割成若干大小相同的小塊；
12、s12、將分割好的小塊放大到預設大小，作為模型訓練用高分辨率圖片；
13、s13、對模型訓練用高分辨率圖片進行圖像退化處理，得到模型訓練用低分辨率圖片。
14、在其中的一些實施方式中，s11中分割的各小塊的大小為128*128；
15、s12中高分辨率圖片的大小為512*512；
16、s13中低分辨率圖片的大小為128*128。
17、在其中的一些實施方式中，圖像退化處理的方式是采用一個包含n個重復退化過程的n階模型進行退化，每個退化過程都采用過程相同、超參數不同的經典退化模型。
18、在其中的一些實施方式中，步驟s2中邊緣細節增強的real-esrgan模型的框架結構包括依次設置的卷積層、若干邊緣細節增強模塊、卷積層、上采樣層以及若干卷積層。
19、在其中的一些實施方式中，所述邊緣細節增強模塊包括邊緣增強模塊和細節增強模塊。
20、在其中的一些實施方式中，所述邊緣增強模塊采用scharr濾波器，并使用拉普拉斯核的中心差分卷積，擁有水平方向差分卷積、垂直方向差分卷積和中心差分卷積。
21、在其中的一些實施方式中，所述細節增強模塊的內容包括：對輸入進行平均池化操作后進行1*1卷積操作生成權重矩陣，通過填充大小，控制輸出特征圖和輸入特征圖的大小相同；對輸入特征的每個通道進行卷積來提取特征，最后將權重與卷積提取的特征相乘得到加權后的感受野空間特征。
22、在其中的一些實施方式中，所述邊緣增強模塊和所述細節增強模塊通過密集連接的方式進行連接，形成所述邊緣細節增強模塊。
23、本專利技術實施例還提供了一種基于real-esrgan改進的文檔圖像超分辨系統，其能夠實現如前所述的基于real-esrgan改進的文檔圖像超分辨方法；所述系統包括：
24、訓練集構建模塊：用于確定訓練使用圖片，對每張圖片進行預處理，得到模型訓練用高分辨率圖片和低分辨率圖片，構成訓練集；
25、模型設計模塊：用于構建后續模型訓練所用的模型，該模型用邊緣細節增強模塊替換real-esrgan模型中的殘差密集連接模塊，得到邊緣細節增強的real-esrgan模型；
26、文檔圖像超分辨模型獲得模塊：用訓練集構建模塊構建的訓練集對模型設計模塊得到的邊緣細節增強的real-esrgan模型進行訓練，得到文檔圖像超分辨模型；
27、文檔圖像超分辨模塊：用于確定文檔圖像超分辨模型的參數，并用該文檔圖像超分辨模型對待處理文檔圖像進行超分辨處理。
28、與現有技術相比，本專利技術的至少具有以下有益效果：
29、本專利技術實施例中，所提供的基于real-esrgan改進的文檔圖像超分辨方法，根據圖像特點進行了針對性設計，如文檔圖像的各種文字較多，故增加了邊緣增強模塊對圖像邊緣增強，針對復雜筆畫的中文的細節處理不夠細致，故增加了細節增強模塊實現對圖像的一些細節的增強，從而使得本專利技術能夠針對文檔圖像實現有效的超分辨處理；
30、本專利技術實施例中，所提供的基于real-esrgan改進的文檔圖像超分辨方法，在數據預處理階段，先裁剪放大再進行退化的操作，相較于原來的圖像預處理技術，這樣的操作可以使得訓練數據更接近真實文檔圖像。
31、本專利技術的基于real-esrgan改進的文檔圖像超分辨系統能夠實現所述的基于real-esrgan改進的文檔圖像超分辨方法的步驟，因而至少具有所述的基于real-esrgan改進的文檔圖像超分辨方法的所有特征及優勢，在此不再贅述。本專利技術的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本專利技術的實踐了解到。
本文檔來自技高網...【技術保護點】
1.一種基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，所述超分辨方法包括：
2.根據權利要求1所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，對圖片進行預處理的內容包括：
3.根據權利要求2所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，S11中分割的各小塊的大小為128*128；
4.根據權利要求2所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，圖像退化處理的方式是采用一個包含n個重復退化過程的n階模型進行退化，每個退化過程都采用過程相同、超參數不同的經典退化模型。
5.根據權利要求1所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，步驟S2中邊緣細節增強的Real-ESRGAN模型的框架結構包括依次設置的卷積層、若干邊緣細節增強模塊、卷積層、上采樣層以及若干卷積層。
6.根據權利要求1-5任一項所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，所述邊緣細節增強模塊包括邊緣增強模塊和細節增強模塊。
7.根據權利要求6所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，所述邊緣增強模塊采用Scharr濾波器，并使用拉普拉斯核的中心差分卷積，擁有水平方向差分卷積、垂直方向差分卷積和中心差分卷積。
8.根據權利要求6所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，所述細節增強模塊的內容包括：對輸入進行平均池化操作后進行1*1卷積操作生成權重矩陣，通過填充大小，控制輸出特征圖和輸入特征圖的大小相同；對輸入特征的每個通道進行卷積來提取特征，最后將權重與卷積提取的特征相乘得到加權后的感受野空間特征。
9.根據權利要求6所述的基于Real-ESRGAN改進的文檔圖像超分辨方法，其特征在于，所述邊緣增強模塊和所述細節增強模塊通過密集連接的方式進行連接，形成所述邊緣細節增強模塊。
10.一種基于Real-ESRGAN改進的文檔圖像超分辨系統，其特征在于，能夠實現如權利要求1至9中任意一項所述的基于Real-ESRGAN改進的文檔圖像超分辨方法；所述系統包括：
...【技術特征摘要】
1.一種基于real-esrgan改進的文檔圖像超分辨方法，其特征在于，所述超分辨方法包括：
2.根據權利要求1所述的基于real-esrgan改進的文檔圖像超分辨方法，其特征在于，對圖片進行預處理的內容包括：
3.根據權利要求2所述的基于real-esrgan改進的文檔圖像超分辨方法，其特征在于，s11中分割的各小塊的大小為128*128；
4.根據權利要求2所述的基于real-esrgan改進的文檔圖像超分辨方法，其特征在于，圖像退化處理的方式是采用一個包含n個重復退化過程的n階模型進行退化，每個退化過程都采用過程相同、超參數不同的經典退化模型。
5.根據權利要求1所述的基于real-esrgan改進的文檔圖像超分辨方法，其特征在于，步驟s2中邊緣細節增強的real-esrgan模型的框架結構包括依次設置的卷積層、若干邊緣細節增強模塊、卷積層、上采樣層以及若干卷積層。
6.根據權利要求1-5任一項所述的基于real-esrgan改進的文檔圖像超分辨方法，其特征在于，所述邊緣細節增強模塊包括邊緣增...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。