一种基于退化蒸馏网络的红外图像超分方法及系统

1.本发明涉及图像处理技术领域，尤其涉及一种基于退化蒸馏网络的红外图像超分方法及系统。


背景技术：

2.红外成像技术利用探测器获取目标物体与背景之间的红外热辐射能量，通过光电转换，将不可见的红外辐射能转变为可见的红外图像。红外成像技术具有成像距离远，抗干扰性好等优点，在民用、军事等领域都有诸多应用。
3.红外图像的分辨率主要由红外成像系统中的核心器件红外探测器来决定。然而红外探测器的成像分辨率远远低于可见光探测器，这导致了红外成像存在空间分辨率低、信噪比低、对比度低等缺点。现有的基于卷积神经网络的超分辨率方法都是假设图像的退化固定且已知的情况下进行的，当真实的退化与假设不同时，这些方法的性能就会严重下降。为了处理实际应用中的各种未知退化，通常依靠退化估计来重建超分辨率图像，然而，退化估计方法通常是耗时的，并且可能会因为较大的估计误差而导致超分失败。
4.综上所述，现有红外图像超分方法在真实的退化未知且与假设退化不同时，重构完成的图像存在畸变。


技术实现要素：

5.本发明提供了一种基于退化蒸馏网络的红外图像超分方法及系统，用于解决现有红外图像超分方法在真实的退化未知且与假设退化不同时，重构完成的图像存在畸变。
6.本发明提供的一种基于退化蒸馏网络的红外图像超分方法，包括：
7.获取低分辨率红外图像；
8.使用退化编码器提取所述低分辨率红外图像的退化表示；
9.通过退化蒸馏网络确定适应特定退化的输出特征；
10.根据所述输出特征确定所述低分辨率红外图像对应的超分辨率红外图像。
11.优选的，所述使用退化编码器提取所述低分辨率红外图像的退化表示具体为：
12.随机从所述低分辨率红外图像中提取一个补丁，记所述补丁为查询补丁；
13.从所述低分辨率红外图像获取区别于所述查询补丁的补丁，记所述区别于所述查询补丁的补丁为正样本；
14.从其他低分辨率红外图像随机提取补丁，记所述从其他低分辨率红外图像随机提取的补丁为负样本；
15.将所述查询补丁、所述正样本、所述负样本利用六层卷积网络进行编码处理获得编码退化表示，将所述编码退化表示作为多层感知器的输入得到退化表示；其中，所述退化表示包括查询补丁退化表示、正样本退化表示、负样本退化表示；
16.基于预置损失公式判断所述查询补丁退化表示、所述正样本退化表示和所述负样本退化表示之间的相似度是否满足阈值，若是，将所述查询补丁退化表示作为所述低分辨
率红外图像的退化表示，若否，返回所述随机从所述低分辨率红外图像中提取一个补丁的步骤。
17.优选的，所述预置损失公式具体为：
[0018][0019]
其中，l
x
为相似度，x为查询补丁，x
+
为正样本，为第n个负样本，n为负样本总数，τ为温度超参数。
[0020]
优选的，所述通过退化蒸馏网络确定适应特定退化的输出特征包括：
[0021]
基于退化双注意力卷积学习预测，根据所述退化表示生成特征分量，具体的：将所述退化表示输入两个全连接层和一个重塑层，产生卷积核，对输入特征使用所述卷积核进行卷积处理，得到所述特征分量；
[0022]
将所述退化表示输入两个全连接层和一个激活层得到信道侧调制系数，利用所述信道侧调制系数对所述输入特征的不同通道分量进行缩放，得到自适应输入特征；
[0023]
将所述自适应特征进行卷积后激活，获得二维空间注意力图特征；
[0024]
将所述特征分量和所述二维空间注意力图特征相加后输入后续卷积层，得到输出特征。
[0025]
优选的，所述根据所述输出特征确定所述低分辨率红外图像对应的超分辨率红外图像具体为：
[0026]
获取低分辨率红外图像像素，基于所述低分辨率红外图像像素确定超分辨率红外图像像素；
[0027]
获取所述超分辨率红外图像像素的过滤器权重；
[0028]
基于所述输出特征和所述过滤器权重确定超分辨率红外图像的像素值，得到所述超分辨率红外图像。
[0029]
优选的，所述获取低分辨率红外图像像素，基于所述低分辨率红外图像像素确定超分辨率红外图像像素具体为：
[0030]
获取低分辨率红外图像像素，基于位置投影网络确定与所述低分辨率红外图像像素对应位置的超分辨率红外图像像素，具体的：
[0031][0032]
其中，t为位置变换网络，r为低分辨率红外图像与超分辨率红外图像的比例因子，(x',y')为低分辨率红外图像像素，(x,y)为超分辨率红外图像像素。
[0033]
优选的，所述获取所述超分辨率红外图像像素的过滤器权重具体为：
[0034]
根据权重预测网络和所述超分辨率红外图像像素计算得到超分辨率红外图像像素的过滤器权重，具体的：
[0035][0036]
其中，w(x,y)为超分辨率红外图像像素的过滤器权重，δ为权重预测网络，θ为所述
权重预测网络的网络参数，为与x，y有关的向量，其中r为低分辨率红外图像与超分辨率红外图像的比例因子，(x,y)为超分辨率红外图像像素。
[0037]
优选的，所述基于所述输出特征和所述过滤器权重确定超分辨率红外图像的像素值，得到所述超分辨率红外图像具体为：
[0038]
提取低分辨率红外图像的输出特征对应的输出特征像素，将所述输出特征像素及所述超分辨率红外图像像素的过滤器权重输入特征映射网络，得到超分辨率红外图像的像素值，具体的：
[0039]
φ(f
out
(x',y'),w(x,y))＝f
out
(x',y')w(x,y)
[0040]
其中，φ为特征映射网络；f
out
为输出特征；f
out
(x',y')为输出特征像素；w(x,y)为超分辨率红外图像像素的过滤器权重；
[0041]
基于所述超分辨率红外图像的像素值得到所述超分辨率红外图像。
[0042]
优选的，所述获取低分辨率红外图像具体为:
[0043]
获取高分辨率红外图像，基于退化模型对所述高分辨率红外图像进行处理得到低分辨率红外图像；其中，所述退化模型为：
[0044][0045]
其中，i
lr
为低分辨率红外图像，i
hr
为高分辨率红外图像，k为模糊核，为卷积操作，
↓s为规模因子s的下采样操作，n表示加性高斯白噪声。
[0046]
本发明还提供了一种基于退化蒸馏网络的红外图像超分系统，包括：
[0047]
获取模块，用于获取低分辨率红外图像；
[0048]
退化编码模块，用于使用退化编码器提取所述低分辨率红外图像的退化表示；
[0049]
特征提取模块，用于通过退化蒸馏网络确定适应特定退化的输出特征；
[0050]
图像生成模块，用于根据所述输出特征确定所述低分辨率红外图像对应的超分辨率红外图像。
[0051]
从以上技术方案可以看出，本发明具有以下优点：本发明提供一种基于退化蒸馏网络的红外图像超分方法及系统，方法包括：通过对训练样本的红外高分辨率图像执行退化表示，获取低分辨率红外图像，然后使用退化编码器提取获取到的低分辨率红外图像的退化表示，通过退化蒸馏网络确定适应特定退化的输出特征，使得每张图像有合适的退化表示，最后根据上述适应特定退化的输出特征确定低分辨率红外图像对应的超分辨率红外图像，本技术提供的基于退化蒸馏网络的红外图像超分方法获取适合不同图像特定退化，解决了现有红外图像超分方法在真实的退化未知且与假设退化不同时，重构完成的图像存在畸变。
附图说明
[0052]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
[0053]
图1为本发明实施例提供的一种基于退化蒸馏网络的红外图像超分方法的方法流程图。
[0054]
图2为本发明实施例提供的超分模型训练流程图。
具体实施方式
[0055]
本发明实施例提供了一种基于退化蒸馏网络的红外图像超分方法及系统，用于解决现有红外图像超分方法在真实的退化未知且与假设退化不同时，重构完成的图像存在畸变。
[0056]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
图像的退化是由于某种原因，图像从理想图像转变为实际我们看到的有瑕疵图像的过程。而图像重建，就是将退化后的图像进行改善，尽量使复原后的图像接近理想图像的过程，整个退化和重建的过程均与退化信息相关，本技术是基于红外图像的任意倍率超分，也即对于红外图像的重建，下述图像均指红外图像，后续不再赘述。
[0058]
请参阅图1，本实施例提供了一种基于退化蒸馏网络的红外图像超分方法，方法包括：
[0059]
100、获取低分辨率红外图像。
[0060]
需要说明的是，图像超分辨率目的是把一张较低分辨率的图像重建为一张自然的超分辨率图像，因此进行超分辨率的对象应当是相对来说较低分辨率的图像，现有技术通常是对退化已知的图像进行超分辨率重建，但实际情况下，图像的退化通常是未知的，因此需要执行退化估计来获取图像的退化信息，而当真实退化情况与估计不符时，图像超分成像的性能会降低。为使图像超分方法具有更好的适应性，本实施方式采用退化模型对获取的原始红外图像执行退化，获得具有未知退化的低分辨率图像，然后再对退化未知的上述低分辨率图像进行超分辨率重建。
[0061]
200、使用退化编码器提取所述低分辨率红外图像的退化表示。
[0062]
对步骤100中获取的原始红外图像执行退化后，获取到的低分辨率红外图像的退化是未知的，当需要对退化未知的图像进行重建时，就需要执行退化估计来获取图像的退化信息，获取的图像退化信息越准确，重建出的图像越自然越高清，本步骤中采用退化编码器提取低分辨率红外图像的退化表示(退化信息)。
[0063]
需要说明的是，由于单次获取的退化表示可能并不能较好地适应对应的低分辨率图像，为了使获得的退化表示的适应性更高，步骤200还采用预置的损失公式对获取的退化表示进行了相似度判断，选取相似度满足阈值时的退化表示作为对应低分辨率图像的退化表示。
[0064]
300、通过退化蒸馏网络确定适应特定退化的输出特征。
[0065]
优选的，在进行获取低分辨率图像的退化表示的同时，步骤300还获取了低分辨率图像的浅层特征，优选用浅层神经网络进行浅层特征提取，进一步利用退化蒸馏网络对获
取的退化表示和浅层特征进行处理，将获取的退化表示和浅层特征转换为低分辨率红外图像的特征表示，然后根据所述特征表示对图像进行重建。
[0066]
可以理解的是，利用退化编码器获取到满意的退化表示后，现有方法通常直接使用获取的退化表示来进行图像重建，具体是基于获取的退化对低分辨率图像进行去卷积化，同时在迭代过程中进行退化校正，执行多次迭代后，获得重建后的高分辨率图像，但是多次迭代会增加计算时间，费时费力。通过将退化表示转化为图像特征表示，然后基于图像特征，采用上采样方法实现图像重建可以在保证重构效果的同时有效缩短重构时间。
[0067]
400、根据所述输出特征确定所述低分辨率红外图像对应的超分辨率红外图像。
[0068]
优选的，步骤400采用元学习上采样模块进行图像重建，元学习上采样模块中包含3个函数，分别是位置投影函数，权重预测函数和特征映射函数，其中位置投影函数可用于像素投影，权重预测函数可以预测低分辨率图像对应的超分辨率图像中每个像素的滤波器的权重，特征映射函数可以将低分辨率图像中的特征加上通过权重预测函数得到预测的权重映射回超分辨率图像计算像素值，从而实现图像重建。
[0069]
在一个具体的实施例中，步骤100采用退化模型对获取的原始红外图像执行退化具体为：
[0070]
获取高分辨率红外图像，基于退化模型对所述高分辨率红外图像进行处理，获得低分辨率红外图像；所述退化模型为：
[0071][0072]
其中，i
lr
为低分辨率红外图像，i
hr
为高分辨率红外图像，k为模糊核，为卷积操作，
↓s为规模因子s的下采样操作，n表示加性高斯白噪声。
[0073]
需要说明的是，上述加性高斯白噪声是随机生成的，因此得到的低分辨率红外图像的退化表示也是未知的，通过对上述退化未知的低分辨率图像进行重建，可以很好地体现本实施方式提供的图像超分方法的适应性。
[0074]
在一个具体的实施例中，步骤200使用退化编码器提取所述低分辨率红外图像的退化表示具体为：
[0075]
201、随机从所述低分辨率红外图像中提取一个补丁，记所述补丁为查询补丁；从所述低分辨率红外图像获取区别于所述查询补丁的补丁，记所述区别于所述查询补丁的补丁为正样本；从其他低分辨率红外图像随机提取补丁，记所述从其他低分辨率红外图像随机提取的补丁为负样本；
[0076]
需要说明的是，本实施例中，对于同一个低分辨率图像的不同图像块，假设图像中不同图像块的退化表示是相同的，对于不同的低分辨率图像，退化表示是不同的。
[0077]
202、将所述查询补丁、所述正样本、所述负样本利用六层卷积网络进行编码处理获得编码退化表示，将所述编码退化表示作为多层感知器的输入得到退化表示；其中，所述退化表示包括查询补丁退化表示、正样本退化表示、负样本退化表示；
[0078]
203、基于预置损失公式判断所述查询补丁退化表示、所述正样本退化表示和所述负样本退化表示之间的相似度是否满足阈值，若是，将所述查询补丁退化表示作为所述低分辨率红外图像的退化表示，若否，返回所述随机从所述低分辨率红外图像中提取一个补丁步骤。
[0079]
优选的，步骤203中基于预置损失公式判断所述查询补丁退化表示、所述正样本退
化表示和所述负样本退化表示之间的相似度包括使用噪声对比估计损失来衡量相似度：
[0080]
其中，预设噪声对比估计损失公式为：
[0081][0082]
其中，l
x
为相似度，x为查询补丁，x
+
为正样本，为第n个负样本，n为负样本总数，τ为温度超参数。
[0083]
显然，上述预置公式中，当查询补丁退化表示与正样本退化表示越相似时，分母越大，而查询补丁退化表示与负样本退化表示越不相似时，分母越小，进一步，当相似度小于预设的阈值时，也就说明查询补丁退化表示与正样本退化表示越相似度较大，且查询补丁退化表示与负样本退化表示越相似度较小，可以认为此时的查询样本退化表示可以作为低分辨率红外图像的退化表示。
[0084]
其中，对于同一个低分辨率图像的不同图像块，从中随机获取一个图像块作为该低分辨率图像的查询补丁，将区别于该查询补丁的图像块记为正样本，然后再从其他低分辨率图像中随机获取一个补丁，记为负样本。
[0085]
为了使获得的退化表示适应性更好，对于同一张图像的不同图像块，希望查询补丁退化表示与正样本退化表示尽量相同，而对于不同的图像，希望查询补丁退化表示与负样本退化表示尽量不相同。因此，本技术根据噪声对比损失公式来估计查询补丁退化表示、正样本退化表示和负样本退化表示之间的相似度，尽可能地让查询补丁退化表示与正样本退化表示相等，而让查询补丁退化表示与负样本退化表示不相等。
[0086]
在一种具体的实施方式中，步骤300通过退化蒸馏网络确定适应特定退化的输出特征具体为：
[0087]
301、基于退化双注意力卷积学习预测，根据所述退化表示r生成特征分量f1，具体的：将所述退化表示r输入两个全连接层和一个重塑层，产生卷积核w＝rc×1×3×3，对输入特征f使用所述卷积核w＝rc×1×3×3进行3
×
3深度卷积和1
×
1卷积处理，得到特征分量f1；
[0088]
302、将所述退化表示r输入两个全连接层和一个激活层得到信道侧调制系数v，利用所述信道侧调制系数v对所述输入特征f的不同通道分量进行缩放，得到自适应输入特征f'；
[0089]
303、将所述自适应特征f'进行7
×
7卷积层后激活，获得二维空间注意力图特征f2；
[0090]
304、将所述特征分量f1和所述二维空间注意力图特征f2相加后输入后续层，得到输出特征f
out
。
[0091]
需要说明的是，上述输入特征即为浅层特征。
[0092]
上述步骤可以解释为：首先，将提取到的退化r表示送入两个全连接层和一个重塑层，以产生卷积核w＝rc×1×3×3，然后，对输入特征(浅层特征)f进行3
×
3深度卷积和1
×
1卷积处理，生成输入特征f的特征分量。然后，将退化表示r送入另外两个全连接层和一个sigmoid激活层产生信道侧调制系数v，v用来对输入特征f中的不同通道分量进行重新缩放，从而实现通道自适应，得到自适应输入特征f'，再经过一个平均池化特征串联最大池化特征的特征图后，将得到自适应输入特征f'送入7
×
7卷积层和sigmoid激活层，获得二维空
间注意力图f2；最后，将自适应输入特征与二维空间注意力图相加，再送入后续卷积层产生输出特征。
[0093]
其中，退化蒸馏网络由5个残差组组成，每个组由5个退化蒸馏块组成，在每个退化蒸馏块内，两个退化双注意力卷积用于根据退化表示来调整特征，通过学习预测以退化表示为条件的深度卷积的核来生成特征分量，还进行通道和空间两个方面的特征自适应。退化蒸馏块的蒸馏操作是通过使用1
×
1卷积以一个固定的比例压缩特征通道来实现的，其中的浅层残差块可以实现残差学习，由一个3
×
3卷积和激活单元组成。
[0094]
在一种具体的实施方式中，步骤400根据所述输出特征确定所述低分辨率红外图像对应的超分辨率红外图像具体为：
[0095]
401、获取低分辨率红外图像像素，基于所述低分辨率红外图像像素确定红外超分图像像素。
[0096]
对于超分辨率图像上的每个像素，位置投影函数的作用是找到与超分辨率图像上各个像素对应的低分辨率图像上的各个像素，也即，超分辨率图像的像素值是由低分辨率图像的像素特征所决定，因此可以根据低分辨率图像的像素特征确定超分辨率图像的像素。
[0097]
例如，超分辨率后的图像相对于低分辨率图像放大了固定比例，当要确定超分辨率图像上的某一处像素特征时，只需要将该特征按照上述固定比例进行缩放，则对应的就是低分辨图像上的对应像素特征，相应地，知道低分辨率图像上的像素特征后，就可以反推得到超分辨率图像的像素特征。
[0098]
优选的，通过获取低分辨率红外图像像素(x',y')，然后基于位置投影网络确定与所述低分辨率红外图像像素(x',y')对应位置的红外超分图像像素(x,y)，具体的：
[0099][0100]
其中，t为位置变换网络，r为低分辨率红外图像与红外超分图像的比例因子。
[0101]
可以理解的是，在上述求解超分辨率图像像素的过程中，通过设置合适的低分辨率红外图像与红外超分图像的比例因子，可以实现任意倍率的图像超分。
[0102]
402、获取所述红外超分图像像素的过滤器权重。
[0103]
当获取到对应的超分辨率图像像素特征后，进一步就需要确定各个超分辨率图像像素的值，权重预测函数可以预测低分辨率图像对应的超分辨率图像中每个像素的滤波器的权重，然后根据权重计算出像素特征对应的像素值。
[0104]
优选的，根据权重预测网络和所述红外超分图像像素(x,y)计算得到红外超分图像像素的过滤器权重，具体的：
[0105][0106]
其中，w(x,y)为红外超分图像像素的过滤器权重，δ为权重预测网络，θ为所述权重预测网络的网络参数，为与x，y有关的向量，其中r为低分辨率红外图像与红外超分图像的比例因子。
[0107]
403、基于所述输出特征f
out
和所述过滤器权重确定红外超分图像的像素值，得到
所述红外超分图像。
[0108]
当确定超分辨率每个像素点对应的权重后，进一步要做的就是把之前低分辨率图像经过退化处理得到的输出图像特征结合权重值映射到对应的超分辨率图像上，得到最后超分辨率图像的像素值，实现图像重建。
[0109]
可以理解的，上述输出图像特征与权重值结合前，也同样按照步骤401的方式，先确定超分辨率图像中的要求解的每个像素点对应的低分辨率图像的输出图像特征的像素点,然后映射得到对应的超分辨率图像像素点，最后以上述超分辨率图像像素点为中心的对应指定的区域与对应位置的权重以卷积的方式得到该像素点的值。
[0110]
优选的，提取输出特征f
out
中低分辨率红外图像上的输出像素特征f
out
(x',y')，将所述输出像素特征f
out
(x',y')及所述红外超分图像像素的过滤器权重输入特征映射网络，得到红外超分图像的像素值，具体的：
[0111]
φ(f
out
(x',y'),w(x,y))＝f
out
(x',y')w(x,y)
[0112]
其中，φ为特征映射网络；
[0113]
基于所述红外超分图像的像素值得到所述红外超分图像。在一种具体的实施方式中，本技术基于上述图像超分方法，还提供了一种超分模型训练方法，参见图2，图2为本发明实施例提供的超分模型训练流程图。
[0114]
训练流程具体为：
[0115]
获取若干红外高分辨率图像，基于所述红外高分辨率图像建立训练集。
[0116]
利用退化模型对上述红外高分辨率图像进行退化，得到红外低分辨率图像；选取退化未知的低分辨率红外图像作为训练样本，可以使得获取的超分模型具有更好的适应性。
[0117]
随机获取上述训练集中的红外低分辨率图像，利用退化编码器提取上述红外低分辨率图像的退化表示，同时基于浅层神经网络提取上述低分辨率图像的浅层特征。
[0118]
基于退化蒸馏网络，根据所述退化表示及浅层特征获取适应特定退化的输出特征。
[0119]
利用元学习上采样模块及上述输出特征，实现图像超分，输出超分辨率图像。
[0120]
判断是否达到指定迭代次数，若是，输出模型，若否，返回上述利用退化模型对上述红外高分辨率图像进行退化，得到红外低分辨率图像的步骤。
[0121]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的模型训练的具体过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0122]
本发明的另一实施例还提供了一种基于退化蒸馏网络的红外图像超分系统，系统包括：
[0123]
获取模块，用于获取低分辨率红外图像。
[0124]
退化编码模块，用于使用退化编码器提取所述低分辨率红外图像的退化表示。
[0125]
其中，退化编码模块包括补丁获取模块、退化获取模块、相似度衡量模块。
[0126]
补丁获取模块用于随机从所述低分辨率红外图像中提取一个补丁，记所述补丁为查询补丁；从所述低分辨率红外图像获取区别于所述查询补丁的补丁，记所述区别于所述查询补丁的补丁为正样本；从其他低分辨率红外图像随机提取补丁，记所述从其他低分辨率红外图像随机提取的补丁为负样本。
[0127]
退化获取模块用于将所述查询补丁、所述正样本、所述负样本利用六层卷积网络进行编码处理获得编码退化表示，将所述编码退化表示作为多层感知器的输入得到退化表示；其中，所述退化表示包括查询补丁退化表示、正样本退化表示、负样本退化表示。
[0128]
相似度衡量模块用于基于预置损失公式判断所述查询补丁退化表示、所述正样本退化表示和所述负样本退化表示之间的相似度是否满足阈值，若是，将所述查询补丁退化表示作为所述低分辨率红外图像的退化表示，若否，返回所述补丁获取模块。
[0129]
特征提取模块，用于通过退化蒸馏网络确定适应特定退化的输出特征。
[0130]
具体的，特征提取模块用于基于退化双注意力卷积学习预测，根据所述退化表示r生成特征分量f1，具体的：将所述退化表示r输入两个全连接层和一个重塑层，产生卷积核w＝rc×1×3×3，对输入特征f使用所述卷积核w＝rc×1×3×3进行3
×
3深度卷积和1
×
1卷积处理，得到特征分量f1；将所述退化表示r输入两个全连接层和一个激活层得到信道侧调制系数v，利用所述信道侧调制系数v对所述输入特征f的不同通道分量进行缩放，得到自适应输入特征f'；将所述自适应特征f'进行7
×
7卷积层后激活，获得二维空间注意力图特征f2；将所述特征分量f1和所述二维空间注意力图特征f2相加后输入后续层，得到输出特征f
out
。
[0131]
图像生成模块，用于根据所述输出特征确定所述低分辨率红外图像对应的红外高分辨率图像。
[0132]
其中，图像生成模块包括像素获取模块、权重确定模块、图像重构模块。
[0133]
像素获取模块用于获取低分辨率红外图像像素，基于所述低分辨率红外图像像素确定红外超分图像像素。
[0134]
权重确定模块用于获取所述红外超分图像像素的过滤器权重。
[0135]
图像重构模块用于基于所述输出特征f
out
和所述过滤器权重确定红外超分图像的像素值，得到所述红外超分图像。
[0136]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0137]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。