一种基于多尺度通道注意力机制的单幅图像超分辨率方法技术

本发明专利技术公开了一种基于多尺度通道注意力机制的单幅图像超分辨率方法。本发明专利技术主要用于单幅图像超分辨率，属于图像处理领域。本网络模型由若干卷积层、下采样模块、上采样模块和多尺度通道注意力模块连接构成。本模型的主干网络由若干多尺度通道注意力模块、上采样模块和下采样模块组成的三个并行分支构成。首先，把经过预处理上采样的低分辨率图像送入卷积层进行浅层特征提取；然后，对提取到的特征，送入主干网络以进行深层特征提取；最后，将三个不同分支提取到的特征进行连接，并将其送入由若干多尺度注意力模块和卷积层构成的图像重建网络，以输出高分辨率图像。

【技术实现步骤摘要】
一种基于多尺度通道注意力机制的单幅图像超分辨率方法
本专利技术涉及图像超分辨领域，具体涉及一种基于多尺度通道注意力机制的单幅图像超分辨率方法。
技术介绍
目前，人们对高质量图像的要求越来越高。单幅图像超分辨率(SISR)旨在从单幅低分辨率图像(LR)重建出高分辨率图像(HR)。高分辨率图像不仅意味着视觉上的清晰，而且意味着图像能够提供更多的细节，这些细节在医学成像、视频监控和卫星成像等领域有着重要作用。因此，如何提高单幅图像超分辨率效果成为研究热点之一。单幅图像超分辨率的算法分为三类：(1)基于插值的方法；(2)基于重构的方法；(3)基于学习的方法。然而，基于插值的算法包括双三次插值(Bicubic)和双线性插值(Bilinear)等方法均存在精度不足问题；基于重构的方法通常采用复杂的先验知识来限制可能的解空间，其优点是生成灵活而尖锐的细节。然而，随着尺度因子的增大，许多基于重构的方法的性能迅速下降。最近，深度神经网络的强大功能已经使SISR的性能显著提高。如今的工作倾向于建立端到端的卷积神经网络(CNN)模型，以通过使用大量训练数据集本文档来自技高网...

【技术保护点】
1.一种基于多尺度通道注意力机制的单幅图像超分辨率方法，其特征在于，具体操作步骤如下：/n步骤(1.1)、对低分辨率输入图像进行预处理，把输入的低分辨率图像上采样至其目标高分辨率图像的大小；/n步骤(1.2)、针对经过预处理后的低分辨图像I

【技术特征摘要】
1.一种基于多尺度通道注意力机制的单幅图像超分辨率方法，其特征在于，具体操作步骤如下：
步骤(1.1)、对低分辨率输入图像进行预处理，把输入的低分辨率图像上采样至其目标高分辨率图像的大小；
步骤(1.2)、针对经过预处理后的低分辨图像Ipreup，将其送入由一个核大小为3×3的卷积层构成的浅层特征提取模块进行特征Is的提取；将提取到的特征Is送入由L1，L2和L3分支组成的特征提取网络进行深层特征IDF提取；
步骤(1.3)、再将提取到的深层特征IDF送入由j个多尺度通道注意力网络和一个3×3卷积层构成的重建模块中，从而输出最终的高分辨图像SR。


2.根据权利要求书1所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法，其特征在于，在步骤(1.1)中，所述把输入的低分辨率图像上采样至其目标高分辨率图像的大小，具体如下式所示：
Ipreup＝Fup4(ILR)(1)
式中，Fup4表示采样因子为4的上采样操作，ILR表示输入低分辨率图像，Ipreup表示上采样预处理后的图像。


3.根据权利要求书1所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法，其特征在于，在步骤(1.2)中，所述进行特征Is的提取，具体如下式所示：
Is＝Fs(Ipreup)(2)
式中，Fs和Is分别表示浅层特征提取操作和提取到的特征。


4.根据权利要求书1所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法，其特征在于，在步骤(1.3)中，所述通过L1，L2和L3分支组成的特征提取网络，具体如下式所示：
IL1＝FL1(Is)＝FMSCAB,m(FMSCAB,m-1(...FMSCAB,1(Is)...))(3)












IDF＝[IL1,IL2,IL3](6)
式中，IL1，IL2和IL3分别表示L1，L2和L3提取到的特征；中括号表示连接操作；IDF表示将提取到的三个分支的特征进行连接后得到的深层特征；FL1，FL2和FL3分别表示L1，L2和L3特征提取操作，FMSCAB,m、FMSCAB,n和FMSCAB,k均表示多尺度通道注意力网络操作，其下标...

【专利技术属性】
技术研发人员：王正学，高广谓，吴飞，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32