【技术实现步骤摘要】
一种基于卷积神经网络的图像超分辨率重建方法
本专利技术涉及计算机视觉及图像处理领域，具体是一种基于卷积神经网络的图像超分辨率重建方法。
技术介绍
图像超分辨率重建是一种通过使用软件算法的方式改善图像质量的技术，即由输入的一幅或者多幅同一场景的低分辨率图像重建出一幅高分辨率图像的技术。它克服了通过硬件获得高分辨率图像成本高的固有缺陷，在技术上和成本上具有较大优势，因此被越来越多地应用于医学成像，人脸识别和安防监控领域。目前已有大量的图像超分辨率重建算法被提出，包括基于插值的方法，基于重建的方法和基于学习的方法。
技术实现思路
本专利技术的目的是提供一种基于卷积神经网络的图像超分辨率重建方法，以解决现有技术在性能上的不足，以获得更高质量的重建图像。为了达到上述目的，本专利技术所采用的技术方案为：一种基于卷积神经网络的图像超分辨率重建方法，其特征在于，构建一个包括浅层特征提取模块、多个U型网络模块、基于残差通道注意力的特征融合模块和重建模块的网络模型，将低分辨率图片输入到所述网络模型，得到低分辨率图片对应的高分辨率图片；其具体步骤如下：(1)、采用浅层特征提取模块进行浅层特...
【技术保护点】
1.一种基于卷积神经网络的图像超分辨率重建方法，其特征在于，构建一个包括浅层特征提取模块、多个U型网络模块、基于残差通道注意力的特征融合模块和重建模块的网络模型，将低分辨率图片输入到所述网络模型，得到低分辨率图片对应的高分辨率图片；其具体步骤如下：(1)、采用浅层特征提取模块进行浅层特征提取对于输入的低分辨率图像ILR，使用3×3的卷积层提取浅层特征，为使模型紧凑，再使用1×1的卷积层压缩通道数量，经过非线性激活单元得到浅层特征图F0，由以下等式给定：F0＝fconv(ILR) (1)其中fconv代表浅层特征提取模块；(2)、得到浅层特征图F0后，将其作为U型网络模...
【技术特征摘要】
1.一种基于卷积神经网络的图像超分辨率重建方法，其特征在于，构建一个包括浅层特征提取模块、多个U型网络模块、基于残差通道注意力的特征融合模块和重建模块的网络模型，将低分辨率图片输入到所述网络模型，得到低分辨率图片对应的高分辨率图片；其具体步骤如下：(1)、采用浅层特征提取模块进行浅层特征提取对于输入的低分辨率图像ILR，使用3×3的卷积层提取浅层特征，为使模型紧凑，再使用1×1的卷积层压缩通道数量，经过非线性激活单元得到浅层特征图F0，由以下等式给定：F0＝fconv(ILR)(1)其中fconv代表浅层特征提取模块；(2)、得到浅层特征图F0后，将其作为U型网络模块的输入，每个U型网络模块均包含两个阶段，阶段一为对输入的特征图执行卷积核大小为3，步长为2的卷积操作，每执行一次，特征图的大小缩减为之前的1/4，连续执行两次此操作，此时特征图为输入特征图大小的1/16，此阶段也称为编码阶段；编码阶段输出的特征图作为第二阶段的输入，阶段二采用卷积核为6，步长为2的转置卷积操作，每执行一次，特征图的大小扩大为之前的4倍，连续执行两次此操作，此时特征图扩大为之前的16倍，此阶段也称为解码阶段，编码阶段的特征与解码阶段特征通道跳连接方式进行融合，有利于信息传递及反向传播参数的更新；堆叠多个U型网络已达到多次自下而上和自上而下的多尺度特...
【专利技术属性】
技术研发人员：詹曙，朱磊磊，臧怀娟，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。