图像超分辨率处理方法技术

本发明专利技术公开了一种图像超分辨率处理方法，其包括：获取训练图像集，训练图像集包括多组图像组，每组图像组均包括彼此对应的第一图像和第二图像，第一图像的分辨率低于第二图像的分辨率；基于傅里叶域特征通道注意力机制和卷积神经网络搭建第一模型或第二模型；通过训练图像集训练第一模型，或者通过训练图像集训练第二模型；通过训练完成的第一模型或第二模型完成待处理图像的超分辨率处理。该方法可以更加有效地提取图像特征，在不同超分辨模态和不同成像条件下，实现比现有方法更精确、更鲁棒的超分辨率图像预测和重建。

【技术实现步骤摘要】
图像超分辨率处理方法
本专利技术涉及图像处理领域，特别涉及一种图像超分辨率处理方法。
技术介绍
在显微成像领域，荧光显微成像是一种可以在活体条件下观测生物细胞、组织、器官的显微成像技术，是生命科学发展强有力的助推器。但是通常来讲，荧光显微成像的分辨率会被光学衍射极限限制在荧光波长的一半(250nm)左右，使得传统荧光显微成像技术无法看清比衍射极限更细微的生物结构。近年来，基于光学系统改进的超分辨率荧光显微成像技术蓬勃发展。随机激发光学重建超分辨显微技术(Stochasticopticalreconstructionmicroscopy，简称STORM技术)可以将光学成像的分辨率提高到10nm，但是成像速度较慢；受激发射损耗超分辨显微技术(Stimulatedemissiondepletionmicroscopy，简称STED技术)可以将分辨率提升至60nm，同时保持较高的成像速度，但是其需要的激光功率较高，对生物组织造成的光毒性和光漂白比较严重。基于算法的图像超分辨率处理方法在近年来也取得了巨大的发展。基于深度学习算法的图像超分辨率处理本文档来自技高网...

【技术保护点】
1.一种图像超分辨率处理方法，其特征在于，包括：/n获取训练图像集，所述训练图像集包括多组图像组，每组所述图像组均包括彼此对应的第一图像和第二图像，所述第一图像的分辨率低于所述第二图像的分辨率；/n基于傅里叶域特征通道注意力机制和卷积神经网络搭建第一模型或第二模型；/n通过所述训练图像集训练所述第一模型，或者通过所述训练图像集训练所述第二模型；/n通过训练完成的所述第一模型或所述第二模型完成待处理图像的超分辨率处理。/n

【技术特征摘要】
1.一种图像超分辨率处理方法，其特征在于，包括：
获取训练图像集，所述训练图像集包括多组图像组，每组所述图像组均包括彼此对应的第一图像和第二图像，所述第一图像的分辨率低于所述第二图像的分辨率；
基于傅里叶域特征通道注意力机制和卷积神经网络搭建第一模型或第二模型；
通过所述训练图像集训练所述第一模型，或者通过所述训练图像集训练所述第二模型；
通过训练完成的所述第一模型或所述第二模型完成待处理图像的超分辨率处理。


2.根据权利要求1所述的图像超分辨率处理方法，其特征在于，所述基于傅里叶域特征通道注意力机制和卷积神经网络搭建第一模型或第二模型，包括：
基于所述傅里叶域特征通道注意力机制构建傅里叶域特征通道注意力卷积模块，基于所述傅里叶域特征通道注意力卷积模块在所述卷积神经网络中搭建所述第一模型或所述第二模型。


3.根据权利要求2所述的图像超分辨率处理方法，其特征在于，所述傅里叶域特征通道注意力机制通过傅里叶域特征通道注意力模块来实现，所述傅里叶域特征通道注意力模块包括：
快速傅里叶变换模块，其包括快速傅里叶变换层，以用于对输入的n个特征通道进行快速傅里叶变换，并顺次取模、取对数或伽马校正，得到特征通道的能量谱；
卷积-激活模块，其包括一个卷积层和一个ReLU激活函数，以用于使所述特征通道的能量谱依次经过一个卷积层和一个ReLU激活函数，以进行特征提取，其中，所述ReLU激活函数用以下表达式表示：



池化模块，其包括全局平均池化层，以用于对所述能量谱进行全局平均池化，得到对应于所述特征通道的数量的n个系数，所述n个系数分别作为所述n个特征通道的频域信息代表数值；
自适应加权模块，其包括一个全链接层、一个所述ReLU激活函数、一个全链接层和一个Sigmoid激活函数，以用于使所述n个系数依次通过一个全链接层、一个所述ReLU激活函数、一个全链接层和一个Sigmoid激活函数，以得到n个加权系数，并用所述n个加权系数对输入的所述n个特征通道进行加权，输出加权之后的特征通道，其中，所述Sigmoid激活函数用以下表达式表示：





4.根据权利要求3所述的图像超分辨率处理方法，其特征在于，所述傅里叶域特征通道注意力卷积模块包括：
特征提取模块，其包括顺次连接的一个卷积层、一个GELU激活函数、一个卷积层和一个GELU激活函数，其中，所述GELU激活函数用以下表达式表示：



所述傅里叶域特征通道注意力模块，其用于实现傅里叶域特征通道注意力机制，以赋予卷积神经网络自适应地调节特征通道权重的能力；
残差输出模块，其用于将所述特征提取模块的原始输入与所述傅里叶域特征通道注意力模块的输出相加，以作为所述傅里叶域特征通道注意力卷积模块的最终输出。


5.根据权利要求4所述的图像超分辨率处理方法，其特征在于，所述第一模型为傅里叶域特征通道注意力卷积神经网络模型，所述第一模型包括：
浅层特征提取模块，其包括一个卷积层和一个所述GELU激活函数，以用于使输入的预处理图像依次通过一个卷积层和一个所述GELU激活函数，以提取浅层特征；
深层特征提取模块，其包括p个残差模块、一个卷积层和一个所述GELU激活函数，以用于提取预处理图像的深层特征，其中，所述残差模块包括q个所述傅里叶域特征通道注意力卷积模块，输入的特征通道经过q个所述傅里叶域特征通道注意力卷积模块，输出的特征通道再与所述输入的特征通道相加作为所述残差模块的输出；
上采样输出模块，其包括一个像素重排层、一个卷积层和一个所述Sigmoid激活函数，以用于对预处理图像进行上采样并输出超分辨率处理后的最终图像。


6.根据权利要求4所述的图像超分辨率处理方法，其特征在于，所述第二模型为傅里叶域特征通道注意力生成对抗卷积神经网络模型，所述第二模型包括傅里叶域特征通道注意力生成器模型和卷积神经网络判别器模型。


7.根据...

【专利技术属性】
技术研发人员：李栋，乔畅，李迪，戴琼海，
申请(专利权)人：中国科学院生物物理研究所，
类型：发明
国别省市：北京;11