【技术实现步骤摘要】
一种基于Transformers的低分辨率图像超分辨方法及系统
本专利技术属于低分辨率图像超分辨
，涉及一种低分辨率图像超分辨方法，具体涉及一种基于Transformers的低分辨率图像超分辨方法。
技术介绍
随着计算机技术、信息处理技术和视觉通信技术的高速发展，人类进入了一个全新的信息化时代。人们所能能够获取的知识量呈爆炸式的增长，因此迫切的要求信息处理技术不断的完善和发展，以便能够为人们提供更加方便、快捷和多样化的服务。数字图像及其相关处理技术是信息处理技术的重要内容之一，在很多领域得到了越来越广泛的应用。对于数字图像在一些情况下一般要求是高分辨图像，如：医学图像要求能够显示出那些人眼不能辨别出的细微病灶；卫星地面要求卫星图像至少能够辨别出人的脸相甚至是证件；有些检测识别控制装置需要足够高分辨率的图像才能保证测量和控制的精度。因此提高图像分辨率是图像获取领域里追求的一个目标。具有丰富细节的高分辨率图像对于许多地方的应用至关重要，例如目标检测与识别等。许多研究人员不是致力于物理成像技术，而是致力于使用一种称为...
【技术保护点】
1.一种基于Transformers的低分辨率图像超分辨方法，其特征在于，包括以下步骤：/n步骤1：基于卷积神经网络和Transformer模块，构建低分辨率图像超分辨网络；/n所述低分辨率图像超分辨网络，针对输入的低分辨率图像，经过两个下采样的MBM层，数据先并行的流过不同的卷积单元，然后在通道维度拼接到一起，再依次经过卷积层、正则化层和激活层；经过两个下采样的MBM层后，特征图变换维度后经过3个Transformer单元后输出，再次经过维度变换，接着通过一个只改变通道数的MBM层恢复成高分辨率图像的大小；/n步骤2：利用训练数据进行低分辨率图像超分辨网络训练，获得调优的...
【技术特征摘要】
1.一种基于Transformers的低分辨率图像超分辨方法，其特征在于，包括以下步骤：
步骤1：基于卷积神经网络和Transformer模块，构建低分辨率图像超分辨网络；
所述低分辨率图像超分辨网络，针对输入的低分辨率图像，经过两个下采样的MBM层，数据先并行的流过不同的卷积单元，然后在通道维度拼接到一起，再依次经过卷积层、正则化层和激活层；经过两个下采样的MBM层后，特征图变换维度后经过3个Transformer单元后输出，再次经过维度变换，接着通过一个只改变通道数的MBM层恢复成高分辨率图像的大小；
步骤2：利用训练数据进行低分辨率图像超分辨网络训练，获得调优的网络参数；
其中，从数据库中采集图像，所有的图像先进行下采样预设倍数后作为原始的低分辨率图像，未下采样的图像作为高分辨率参考图像；随机选取每类图像的部分图像组成训练集，其余图像组成验证集；
步骤3：利用训练好的低分辨率图像超分辨网络对低分辨率图像进行超分辨获得高分辨率图像。
2.根据权利要求1所述的基于Transformers的低分辨率图像超分辨方法，其特征在于：步骤1中所述MBM层，将前层的特征图并联经过7个卷积块，分别为核大小为1x1的卷积，核大小为1和1x3的卷积，核大小为1和3x1的卷积，核大小为1、1x3和3x1的卷积，核大小为1、3x1空洞为2和1x1的卷积，核大小为1、1x3空洞为2和1x1的卷积，核大小为1、3x3的最大池化和1x1的卷积；并且加入残差网络的shortcut结构，最后的特征图拼接后依次经过1x1的卷积、BN归一化层、Mish激活函数后得到MBM层的输出。
3.根据权利要求1所述的基于Transformers的低分辨率图像超分辨方法，其特征在于，步骤2的具体实现包括以下子步骤：
步骤2.1：读取训练数据的图像对，包括低分辨率图像和其对应的高分辨率图像；
步骤2.2：针对图像对进行数据增广操作，包括缩放、裁剪、颜色抖动、翻转和镜像，并将图像对进行归一化处理；
步骤2.3：将图像对中的低分辨率图像组成一个批量Batch送入低分辨率图像超分辨网络进行前向计算，计算后得到超分辨后的高分辨率图像，并与原图像对中的高分辨率图像求误差损失；
步骤2.4：将误差损失反向传播以更新低分辨率图像超分辨网络的参数；
步骤2.5：重复步骤2.1-步骤2...
【专利技术属性】
技术研发人员：严灵毓，叶崇俊，郑坤鹏，李可，高榕，王春枝，叶志伟，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42
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。